追問daily | Nature：大腦決策三要素；決定你使用AI能力好壞的是同理心；AI會放大技能差異

█ 腦科學動態(tài)

Nature：顯著性、好壞與重要性：大腦決策的三條獨立線程

大腦通過“幾何扭轉”將感覺轉化為知覺

增加日間光照能顯著提升認知反應速度

小腦竟是精神分裂癥冷漠癥狀的“開關”

治療抑郁癥新靶點：裸蓋菇素的非致幻性神經受體

尾狀核：大腦深處預測老年衰弱的關鍵區(qū)域

█ AI行業(yè)動態(tài)

AI寫代碼僅用10天：Anthropic新工具Cowork

追蹤500位老人20年的萬維數據現已公開

█ AI驅動科學

Nature系列綜述：AI智能體重塑癌癥研究與治療

AI無法取代人類創(chuàng)造力：技能差異被放大而非抹平

機器人學會“直覺”抓握：高斯過程回歸實現小數據大靈巧

你的聊天機器人在撒謊嗎？新框架利用內部文檔驗證AI生成的答案

軟技能至關重要：同理心是提升人機協作效率的關鍵

Yann LeCun團隊新作：利用無標簽視頻訓練通用世界模型

腦科學動態(tài)

Nature：顯著性、好壞與重要性：大腦決策的三條獨立線程

面對突如其來的警報聲或誘人的食物，大腦如何在瞬間做出反應？Daniel Jercog及其團隊（哥本哈根大學）聯合國際研究人員，通過對小鼠的研究揭示了大腦處理復雜環(huán)境線索的機制。他們發(fā)現，大腦并非將所有信息混合處理，而是像計算機多線程一樣，通過獨立的神經通道分別評估刺激的不同屬性，從而指導動物做出精準的行為決策。

? 用于評估顯著性、效價和價值編碼的行為框架和任務。Credit: Nature (2026).

為了解開這一謎題，研究團隊利用鈣成像技術，實時監(jiān)測了自由活動小鼠在面對不同刺激時，大腦背內側前額葉皮層的神經元活動。研究人員發(fā)現，外部刺激的三個關鍵特征被分別處理：“顯著性”（salience，即刺激有多引人注目）、“效價”（valence，即刺激是積極還是消極的）以及“價值”（value，即刺激的重要性或激勵程度）。實驗數據顯示，神經元群體會沿著正交的信息軸被激活，這意味著這三種信息是在相互獨立的通道中并行傳輸的，互不干擾。這種機制確保了大腦能夠高效地綜合評估環(huán)境信息。研究人員指出，這一發(fā)現對于理解人類心理健康具有重要意義，因為焦慮癥可能與高估威脅有關，而成癮則涉及高估回報，抑郁癥則可能源于對回報的低估。如果人類前額葉皮層也采用這種分離通道機制，將為治療相關精神疾病提供更精準的靶點。研究發(fā)表在 Nature 上。

#疾病與健康 #跨學科整合 #再生醫(yī)學 #嵌合體 #先天免疫

閱讀更多：

Winke, Nanci, et al. “Prefrontal Neural Geometry of Learned Cues Guides Motivated Behaviours.” Nature, Jan. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-025-09902-2

大腦通過“幾何扭轉”將感覺轉化為知覺

我們看到的心理世界往往不同于純粹的物理世界，大腦是如何填補這一鴻溝的？清華大學心理與認知科學系的劉嘉（Jia Liu）教授團隊，包括馬恒（Heng Ma）、蔣龍生（Longsheng Jiang）和劉韜（Tao Liu）等人，通過研究揭示了大腦將物理感覺轉化為心理知覺的幾何機制。他們發(fā)現，大腦通過一種獨特的“扭轉操作”，能夠將物理上難以區(qū)分的信息重構為清晰的知覺體驗，為理解人類認知和優(yōu)化人工智能設計提供了新視角。

在這項研究中，團隊利用運動誘發(fā)錯覺輪廓（motion-induced illusory contours）構建了一個在物理空間中“線性不可分”的視覺任務。研究人員記錄了獼猴次級視覺皮層（V2）的神經活動，發(fā)現神經群體的活動最初處于一個低維的“感覺流形”（sensory manifolds）中，直接反映物理刺激的特征，此時大腦尚無法區(qū)分不同的輪廓朝向。然而，隨著神經計算的進行，這些神經狀態(tài)經歷了一系列復雜的幾何變換——即“扭轉操作”（Twist Operation），將表征空間從三維提升到了七維，形成了“知覺流形”（perceptual manifolds）。在這個高維空間中，原本糾纏不清的信息變得可以通過線性方式區(qū)分。進一步的人工神經網絡模擬表明，神經元具有的非線性混合選擇性（Nonlinear Mixed Selectivity）以及連接權重的高度異質性，是實現這一“維度升級”和復雜計算的關鍵。該研究不僅解釋了知覺涌現的機制，也指出未來的AI網絡設計需要模擬這種生物神經系統的異質性以提高魯棒性。研究發(fā)表在 Science Advances 上。

#認知科學 #神經機制與腦功能解析 #計算模型與人工智能模擬 #知覺 #神經流形

閱讀更多：

Ma, Heng, et al. “From Sensory to Perceptual Manifolds: The Twist of Neural Geometry.” Science Advances, vol. 11, no. 50, Dec. 2025, p. eadv0431. science.org (Atypon), https://doi.org/10.1126/sciadv.adv0431

增加日間光照能顯著提升認知反應速度

日常光照究竟如何影響我們的大腦工作效率？曼徹斯特大學（University of Manchester）的Altug Didikoglu及其團隊開展了一項開創(chuàng)性的“現實世界”研究。他們發(fā)現，在日常生活中增加白天的光照暴露，不僅能改善主觀困倦感，還能顯著提升認知能力的多個方面，包括注意力和反應速度。

該研究共有58名成年人參與，在為期七天的日常生活中，他們佩戴了特殊的手腕式光照監(jiān)測器（Spectrawear）來記錄環(huán)境光照對生物鐘的影響，并通過一款名為Brightertime的智能手機應用程序進行認知測試。研究人員發(fā)現，與昏暗環(huán)境相比，參與者在明亮光線下的反應速度提高了7-10%，且在維持集中注意力方面表現更好。此外，一周內光照模式更穩(wěn)定、白天光照更充足的參與者，其視覺搜索和工作記憶能力也更強。這種影響被認為與視網膜中含有黑視素的內在光敏視網膜神經節(jié)細胞（ipRGC）系統的激活有關，該系統負責調節(jié)晝夜節(jié)律和警覺性。研究還指出，相比習慣晚睡的人，就寢時間較早的人對光照更敏感——早晨的強光能更有效地喚醒他們，而夜晚的昏暗光線則更容易引發(fā)困意。研究發(fā)表在 Communications Psychology 上。

#認知科學 #健康管理與壽命延長 #光照 #晝夜節(jié)律

閱讀更多：

Didikoglu, Altug, et al. “Relationships between Light Exposure and Aspects of Cognitive Function in Everyday Life.” Communications Psychology, vol. 4, no. 1, Dec. 2025, p. 5. www.nature.com, https://doi.org/10.1038/s44271-025-00373-9

小腦竟是精神分裂癥冷漠癥狀的“開關”

精神分裂癥患者常面臨一種被稱為“陰性癥狀”的困境，表現為極度冷漠、缺乏動力和社交退縮，這類癥狀往往比幻覺更難治療。日內瓦大學（University of Geneva）的Indrit Bègue及其團隊通過一項突破性研究，揭示了常被忽視的小腦在調節(jié)大腦獎賞系統及控制這些癥狀中的關鍵作用。

? 小腦與腹側被蓋區(qū)（VTA）連接示意圖。Credit: Thomas Bolton

研究團隊對146名參與者進行了長達9個月的縱向追蹤，并結合獨立驗證隊列，利用先進的共激活模式分析（Coactivation Pattern analysis，一種能夠捕捉大腦區(qū)域間瞬時動態(tài)功能連接的數據驅動方法）對患者的腦部影像進行了深入研究。結果首次描述了小腦與腹側被蓋區(qū)（Ventral Tegmental Area，VTA，大腦深處負責產生多巴胺的關鍵獎賞中心）之間存在一種特定的“反向共激活”模式。簡單來說，小腦對VTA的調節(jié)作用越強，患者的冷漠癥狀就越輕；反之，調節(jié)減弱則癥狀加重。這一發(fā)現意義重大，因為相比深埋大腦內部的VTA，小腦位于顱骨后部表面，極易通過經顱磁刺激進行干預。目前，基于該機制的隨機對照臨床試驗已經展開，有望為治療精神分裂癥頑固的陰性癥狀開辟全新的非侵入性療法。研究發(fā)表在 Biological Psychiatry 上。

#疾病與健康 #心理健康與精神疾病 #精神分裂癥 #神經調控 #小腦功能

閱讀更多：

Awada, Jade, et al. “A Longitudinal and Reproducible Anti-Coactivation Pattern Between the Cerebellum and the Ventral Tegmental Area Is Related to Apathy in Schizophrenia.” Biological Psychiatry, vol. 99, no. 2, Jan. 2026, pp. 124–33. www.biologicalpsychiatryjournal.com, https://doi.org/10.1016/j.biopsych.2025.06.009

治療抑郁癥新靶點：裸蓋菇素的非致幻性神經受體

裸蓋菇素雖能有效緩解抑郁，但其致幻副作用一直是臨床普及的“攔路虎”。Sixtine Fleury和Katherine M. Nautiyal（達特茅斯學院）團隊通過研究發(fā)現了一個關鍵的神經受體，它在不引起幻覺的情況下促進了裸蓋菇素的治療效果，為開發(fā)更安全的抗抑郁藥物開辟了新路徑。

? 裸蓋菇素誘導的神經活動變化依賴于 5-HT1BR。Credit: Molecular Psychiatry (2025).

該研究利用基因工程小鼠模型，深入剖析了裸蓋菇素在大腦中的作用機制。研究團隊重點關注了血清素系統，特別是血清素1B受體（5-HT1B）。實驗中，研究人員通過測量c-Fos（一種即刻早期基因，常作為神經元活動的標志物）的表達水平，繪制了全腦神經活動圖譜。結果顯示，雖然血清素2A受體（5-HT2A）是導致幻覺的主要原因，但5-HT1B受體對于裸蓋菇素改善快感缺失和焦慮樣行為至關重要。值得注意的是，在剔除5-HT1B受體的小鼠中，裸蓋菇素不再產生預期的抗抑郁效果，但小鼠并未表現出頭部抽搐反應（head twitch response，這是動物模型中衡量致幻效果的指標），這表明5-HT1B受體并不參與致幻過程。這一發(fā)現意味著，科學家有望設計出專門靶向5-HT1B受體的藥物，在保留裸蓋菇素療效的同時，剔除其昂貴且具風險的致幻副作用。研究發(fā)表在 Molecular Psychiatry 上。

#疾病與健康 #心理健康與精神疾病 #抑郁癥 #裸蓋菇素 #5-HT1B受體

閱讀更多：

Fleury, Sixtine, and Katherine M. Nautiyal. “The Serotonin 1B Receptor Is Required for Some of the Behavioral Effects of Psilocybin in Mice.” Molecular Psychiatry, Dec. 2025, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41380-025-03387-1

尾狀核：大腦深處預測老年衰弱的關鍵區(qū)域

握力不僅是肌肉力量的體現，更是衡量老年人身體機能和大腦健康的窗口。為了探究大腦如何影響身體衰弱，加州大學河濱分校的Xiaoping Hu教授和Amin Ghaffari博士團隊利用先進的腦成像技術，發(fā)現大腦深處的尾狀核（caudate nucleus）是預測握力的關鍵區(qū)域，這一發(fā)現為早期檢測和預防老年衰弱提供了新的神經生物學依據。

研究團隊招募了60名老年人，利用功能性磁共振成像（fMRI）在他們進行最大握力測試時實時記錄大腦活動。為了精準解析大腦與身體機能的關系，研究人員采用了基于連接組的預測模型（CPM，一種利用全腦功能連接模式來預測個體行為特征的數據驅動方法），將每位參與者的握力數據與其大腦內部的通信網絡圖譜進行比對，并對數據進行了標準化以排除性別和肌肉量的干擾。結果顯示，大腦網絡活動與握力強弱存在顯著相關性，其中通常負責運動管理和決策的尾狀核表現出最強的預測能力：尾狀核的血流量和連接性越高，個體的握力越強。此外，涉及記憶的海馬尾部和涉及情緒的前扣帶回也顯示出一定關聯。這意味著，通過監(jiān)測特定腦區(qū)的神經連接，醫(yī)生有望在老年人出現明顯身體衰弱之前就識別出風險信號，從而進行針對性的干預。研究發(fā)表在 Frontiers in Neuroscience 上。

#疾病與健康 #健康管理與壽命延長 #神經機制與腦功能解析 #衰弱 #腦科學

閱讀更多：

Ghaffari, Amin, et al. “Connectome-Based Predictive Modeling of Grip Strength: A Marker of Physical Frailty.” Frontiers in Neuroscience, vol. 19, Dec. 2025. Frontiers, https://doi.org/10.3389/fnins.2025.1697908

AI 行業(yè)動態(tài)

AI寫代碼僅用10天：Anthropic新工具Cowork讓創(chuàng)業(yè)公司“原地蒸發(fā)”

Anthropic近日正式推出了名為Cowork的全新智能體工具，號稱能讓非技術背景的普通用戶也能像開發(fā)者使用Claude Code一樣高效處理任務。作為Claude Code的簡化版，Cowork目前以研究預覽版的形式，向macOS桌面端的Claude Max訂閱者開放。用戶只需授權該工具訪問特定文件夾，即可通過自然語言指令，指揮AI自主讀取、編輯或創(chuàng)建文件，輕松完成諸如自動整理下載文件夾、從截圖生成電子表格、基于散亂筆記起草報告以及連接Google Calendar生成文檔等復雜工作。令人咋舌的是，據Anthropic的研究人員Boris Cherny透露，Cowork的誕生僅耗時一周半，且其全部代碼均由Claude Code自動編寫完成。這一突破性進展表明，Anthropic已開始利用AI生成AI的能力，以極低的成本和驚人的速度構建用戶端應用生態(tài)。

Cowork的橫空出世在科技界和創(chuàng)業(yè)圈引發(fā)了巨大反響。X平臺用戶vibhu分享稱，安裝Cowork后僅用2小時便完成了原本需要2個月的職位描述和營銷策略撰寫工作，這種極端的效率提升讓用戶甚至因“無事可做”而感到驚慌。盡管部分人質疑其真實性，但該工具對創(chuàng)業(yè)公司的沖擊卻是實打實的。創(chuàng)業(yè)者Guohao Li公開表示，由于Cowork的功能直接覆蓋了其產品賽道，導致其項目瞬間失去競爭力，最終不得不選擇開源，這一舉動也得到了Hugging Face聯合創(chuàng)始人Thomas Wolf的關注與支持。業(yè)界感嘆，智能體的快速普及正在重塑創(chuàng)業(yè)門檻，現在的科技創(chuàng)業(yè)似乎只需“一個大腦加一張付得起AI賬單的信用卡”。然而，面對AI全權代理工作帶來的效率飛躍，普通用戶也開始陷入“既比以往更高效，又感覺自己完全沒用”的心理矛盾中。

#Anthropic #Cowork #智能體 #ClaudeCode #AI編程

閱讀更多：

https://claude.com/blog/cowork-research-preview

追蹤500位老人20年的萬維數據現已公開

近日，老年學領域最重要的資源之一——柏林老齡化研究（Berlin Aging Study, BASE）的數據集正式向全球研究界開放。該項目由馬克斯·普朗克人類發(fā)展研究所、柏林自由大學和柏林洪堡大學等多家頂尖機構合作開展，被視為跨學科老年學研究的開創(chuàng)性工程。目前，經過處理和標準化的數據已托管于萊布尼茨心理學研究所的研究數據中心，供學者獲取。BASE 項目的時間跨度極長，研究人員在 1990 年至 1993 年間對 516 名前西柏林居民進行了深入訪談和檢查，這些參與者的年齡涵蓋 70 歲至 100 歲以上。在隨后的近 20 年里，這些老年人接受了多達 7 次的復評，積累了極為詳實的縱向數據（Longitudinal Data，指在不同時間點對同一對象進行多次觀察所獲得的數據，用于分析隨時間變化的趨勢）。

這套數據集的規(guī)模和深度令人矚目，包含每位參與者多達 10,000 個變量，涵蓋了身心健康、生活滿意度、社會融入度及經濟狀況等全方位信息。馬克斯·普朗克人類發(fā)展研究所的生命周期心理學中心主任 Ulman Lindenberger 指出，這套數據是老齡化研究的寶貴資產，目前的分析僅揭示了冰山一角。通過這些數據，研究人員可以探索牙齒健康與認知功能的關聯，或者社會參與度對癡呆與抑郁的影響等復雜問題。ZPID 的檔案與出版服務主管 Katarina Blask 強調，遵循 FAIR 原則（Findable, Accessible, Interoperable, Reusable，即數據應具備可發(fā)現、可獲取、可互操作和可重用的原則）提供數據，將極大地促進國際合作。此前基于該數據的學術文章已超過 500 篇，如今的全面開放將進一步推動對個體及社會老齡化過程的深度解析，并為未來的跨隊列和跨學科比較研究奠定堅實基礎。

#柏林老齡化研究 #開放科學 #縱向數據 #馬克斯普朗克研究所 #老年學

閱讀更多：

https://rdc-psychology.org/en/reuse-data/base

AI 驅動科學

Nature系列綜述：AI智能體重塑癌癥研究與治療

從自主設計藥物到為癌癥患者制定治療方案，AI正在經歷從“工具”到“智能體”的質變。Daniel Truhn、Shekoofeh Azizi、James Zou、Jakob Nikolas Kather等研究人員（德累斯頓工業(yè)大學、谷歌 DeepMind、斯坦福大學、哈佛大學醫(yī)學院等）合作發(fā)表綜述，深入探討了AI智能體如何突破傳統AI的局限，通過推理和規(guī)劃能力徹底改變癌癥研究與腫瘤學的面貌。

該綜述指出，與只能完成單一任務的傳統AI不同，AI智能體結合了大語言模型的推理能力與外部工具，能夠感知環(huán)境、制定多步計劃并自主執(zhí)行復雜工作流。在科研領域，智能體已能實現從生成假設、設計實驗到撰寫論文的全流程自動化，甚至通過多智能體系統模擬不同領域的專家進行協作辯論。在臨床腫瘤學中，AI智能體展現了強大的整合能力，如TxAgent系統通過實時訪問生物醫(yī)學知識，綜合分析患者的電子健康記錄、基因組學及影像數據，提供個性化的治療建議并自動匹配臨床試驗。此外，在病理影像分析上，智能體能模擬人類專家的多步推理過程，而非簡單的圖像識別。作者預測腫瘤學將經歷從當前獨立的聊天接口，到深度集成醫(yī)院系統，最終實現自主控制實驗室機器人的“智能體化”進程。盡管面臨評估標準缺失和倫理監(jiān)管等挑戰(zhàn)，AI智能體正迅速成為癌癥研究中的重要協作力量。研究發(fā)表在 Nature Reviews Cancer 上。

#AI 驅動科學 #自動化科研 #個性化醫(yī)療 #跨學科整合 #大模型技術

閱讀更多：

Truhn, Daniel, et al. “Artificial Intelligence Agents in Cancer Research and Oncology.” Nature Reviews Cancer, Jan. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41568-025-00900-0

AI無法取代人類創(chuàng)造力：技能差異被放大而非抹平

人工智能是否會讓每個人都成為藝術家，從而拉平創(chuàng)造力的差距？James C. Kaufman（康涅狄格大學）與Simone A. Luchini等研究人員通過實證研究給出了否定的答案。他們發(fā)現，生成式AI非但沒有取代人類的創(chuàng)造力，反而充當了能力的“放大器”，使那些原本就具備較強技能的個體受益更多，強調了在AI時代人類判斷力和專業(yè)知識的不可替代性。

該研究團隊設計了一項實驗，要求參與者分別在獨立完成和使用大型語言模型輔助的情況下進行故事創(chuàng)作任務，并對成品的創(chuàng)造力、智力及整體表現進行了評估。結果顯示，原本創(chuàng)造力較強的參與者在使用AI工具時表現出更高的水平，而基礎較弱者則受限于AI自身的輸出水平。James C. Kaufman指出，這是因為創(chuàng)造力不僅包含生成想法，還包括評估和完善想法，而后者高度依賴人類的元認知，即對自身認知過程的認知。AI雖然擅長生成海量素材，但在判斷內容的原創(chuàng)性和價值方面遠不及人類。此外，研究還發(fā)現學生傾向于高估自己與AI的協作深度，這種“外包”認知工作的行為可能阻礙真正技能的習得。研究人員警告，如果缺乏適當的教育引導，AI可能加劇而非縮小創(chuàng)意領域的技能鴻溝。

#認知科學 #跨學科整合 #創(chuàng)造力 #生成式AI #教育心理學

閱讀更多：

Luchini, Simone A, et al. “Generative AI Does Not Erase Individual Differences in Human Creativity.” jszrn_v1, PsyArXiv, 14 Nov. 2025. OSF Preprints, https://doi.org/10.31234/osf.io/jszrn_v1

機器人學會“直覺”抓握：高斯過程回歸實現小數據大靈巧

機器人如何像人類一樣，憑直覺調整手部力量來抓取軟硬不同的未知物體？Akira Takakura、Takahiro Nozaki、Kazuki Yane、Shuichi Adachi（慶應義塾大學）與 Tomoya Kitamura（東京理科大學）組成的團隊，開發(fā)了一種基于數據驅動的新型運動系統，成功解決了這一難題，使機器人僅需少量數據即可在動態(tài)環(huán)境中實現類似人類的靈巧操作。

? 圖片展示了如何將人類的動作實時傳遞到機器人化身，從而使后者能夠完成靈巧的任務。Credit: Keio University Global Research Institute (KGRI)

為了賦予機器人適應不同物體剛度的能力，研究團隊摒棄了傳統的線性建模方法，轉而采用高斯過程回歸技術。這種回歸技術能夠利用少量數據準確映射復雜的非線性關系，通過分析人類對不同物體的抓取動作，系統學會了識別物體“環(huán)境剛度”與人類運動意圖（即“人體剛度”）之間的關聯。實驗結果顯示，與傳統的運動再現系統（Motion Reproduction Systems）和模仿學習模型相比，新系統表現卓越：在處理已知剛度范圍內的物體時，其位置控制的均方根誤差降低了至少40%；而在處理從未見過的更硬或更軟物體時，誤差更是降低了74%。這一突破不僅大幅提升了機器人的適應性，也為低成本、高效率的工業(yè)自動化應用開辟了新路徑。研究發(fā)表在 IEEE Transactions on Industrial Electronics 上。

#AI 驅動科學 #機器人及其進展 #自適應控制 #高斯過程回歸 #運動再現系統

閱讀更多：

Takakura, Akira, et al. “Motion Reproduction System for Environmental Impedance Variation via Data-Driven Identification of Human Stiffness.” IEEE Transactions on Industrial Electronics, 2025, pp. 1–11. IEEE Xplore, https://doi.org/10.1109/TIE.2025.3626633

你的聊天機器人在撒謊嗎？新框架利用內部文檔驗證AI生成的答案

如何判斷聊天機器人給出的答案是否正確？Herman Lassche, Michiel Overeem 和 Ayushi Rastogi（格羅寧根大學）與荷蘭 AFAS 公司合作，開發(fā)了一種基于內部文檔驗證人工智能生成答案的新框架。該研究不僅模擬了人類專家評估正確性的方式，還證明了高質量的內部知識庫對于構建可信賴 AI 系統的重要性。

? Credit: University of Groningen / AFAS

研究團隊首先通過觀察 AFAS 支持人員的工作流程，明確了判斷答案正確性的核心要素：真實性（truthfulness）、相關性（relatedness）和完整性（completeness）。基于這些標準，他們利用大語言模型構建了一個自動化驗證系統，該系統以公司的內部文檔為基準，模擬人類的推理過程而非簡單的模式匹配。針對二元問題（是/否）和指令型問題，研究人員設計了不同的評估指標。實驗結果顯示，該框架能有效識別 55% 的錯誤回答，并能在未經專門訓練的情況下對新任務進行判斷。有趣的是，將荷蘭語的回答翻譯成英語后進行評估，其準確度反而更高。這一系統有望每年為企業(yè)節(jié)省約 15,000 個工時的人工審核時間。研究發(fā)表在 Journal of Systems and Software 上。

#大模型技術 #大模型技術 #自動化驗證 #聊天機器人 #客戶支持

閱讀更多：

Lassche, Herman, et al. “Is Our Chatbot Telling Lies? Assessing Correctness of an LLM-Based Dutch Support Chatbot.” Journal of Systems and Software, vol. 234, Apr. 2026, p. 112699. ScienceDirect, https://doi.org/10.1016/j.jss.2025.112699

軟技能至關重要：同理心是提升人機協作效率的關鍵

在人工智能日益普及的今天，如何更好地駕馭這一工具？Christoph Riedl（東北大學）和 Ben Weidmann（倫敦大學學院）組成的團隊不僅關注技術層面的“提示詞工程”，更深入探索了人類軟技能在人機交互中的作用。他們發(fā)現，那些在人類團隊協作中至關重要的特質——如同理心和換位思考能力，同樣是決定人機協作效率的關鍵因素，這一發(fā)現為人機協同（Human-AI Synergy）的研究提供了全新視角。

該研究開發(fā)了一套基于貝葉斯項目反應理論的分析框架，旨在精確量化人機協作中的協同效應。研究團隊招募了667名參與者，要求他們完成數學、物理和道德推理等基準測試任務。參與者首先獨立作答，隨后在 ChatGPT-4 或 Llama-3 的輔助下作答。結果顯示，當人類與AI聯手時，即便是單獨表現較差的 AI 模型（如 Llama-3，正確率僅39%）也能通過協作產生優(yōu)異結果。更重要的是，研究揭示了心理理論（Theory of Mind）——即推斷他人心理狀態(tài)和觀點的能力——與協作績效呈正相關。那些能夠像對待人類一樣對待 AI，并提供詳細語境（例如“請像教導12歲孩子一樣解釋”）的參與者，能夠引導 AI 輸出更高質量的答案。此外，研究還發(fā)現 AI 雖然能顯著幫助低技能人群縮小差距，但也讓高技能人群如虎添翼，保持了相對優(yōu)勢。研究發(fā)表在 OSF Preprints 上。

#認知科學 #大模型技術 #人機協作 #同理心

閱讀更多：

Riedl, Christoph, and Ben Weidmann. “Quantifying Human-AI Synergy.” vbkmt_v1, PsyArXiv, 22 Sept. 2025. OSF Preprints, https://doi.org/10.31234/osf.io/vbkmt_v1

Yann LeCun團隊新作：利用無標簽視頻訓練通用世界模型

為了構建能夠在現實世界中進行推理和規(guī)劃的智能系統，AI需要預測其行為的后果。然而，傳統的訓練方法依賴于帶有動作標簽的數據，這在大規(guī)模應用中難以獲取。Quentin Garrido、Yann LeCun以及Michael Rabbat等人（Meta人工智能研究實驗室 FAIR、法國國家數字科學與技術研究所 Inria、紐約大學 NYU）組成的團隊，提出了一種在“野外”視頻中學習潛在動作世界模型的方法。該研究通過利用海量的無標簽視頻數據，成功讓模型在沒有明確動作指令的情況下習得了復雜的動作空間，為AI系統理解物理世界提供了新的路徑。

該研究的核心在于開發(fā)了一種潛在動作模型（Latent Action Models），旨在從不可控、多樣化的“野外”視頻（in-the-wild videos）中提取動作特征。研究人員聯合訓練了一個逆動力學模型（Inverse Dynamics Model，一種根據狀態(tài)變化推斷動作的模型）和一個前向模型。與以往僅關注簡單的機器人模擬或游戲環(huán)境不同，該團隊直接挑戰(zhàn)了包含環(huán)境噪聲且缺乏統一實體（Embodiment，指智能體的物理形態(tài)）的真實視頻。結果發(fā)現，相比于常用的矢量量化（Vector Quantization，一種將連續(xù)數據離散化的技術），連續(xù)但受限的潛在動作能更有效地捕捉現實世界的復雜性，例如能夠識別并遷移“人進入房間”這類環(huán)境變化。更重要的是，團隊通過訓練一個小型控制器，將已知動作映射到這些潛在動作上，使該世界模型能夠作為通用接口解決機器人導航和操作等規(guī)劃任務，其性能與依賴昂貴動作標簽訓練的基線模型相當。

#其他 #計算模型與人工智能模擬 #世界模型 #潛在動作 #無監(jiān)督學習

閱讀更多：

Garrido, Quentin, et al. “Learning Latent Action World Models In The Wild.” arXiv:2601.05230, arXiv, 8 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.05230

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態(tài)系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。