追问daily | 轻微脸盲也会影响日常生活；为何男性上头快，女性更深情？169项研究证实：量子机器学习并无优势

嵌合脑模型：破解人类脑疾病研究的新钥匙

如何突破传统动物模型研究人类脑疾病的局限？罗格斯大学的Peng Jiang团队与Ava V. Papetti、Mengmeng Jin等研究人员开发的人-动物嵌合脑模型，为研究人类神经发育和疾病机制提供了新工具。 

研究团队通过将人类干细胞衍生的神经元、神经胶质细胞（支持神经元的非神经元细胞）和脑类器官移植到小鼠大脑中，构建了人-动物嵌合脑模型。这种模型比传统培养皿研究更能模拟人脑的复杂性。研究发现，人类神经元在活体环境中表现出与小鼠神经元不同的电活动模式，为理解人类高级认知功能提供了线索。在孤独症谱系障碍研究中，模型揭示了特定细胞改变；在阿尔茨海默病研究中，发现该病对人类脑细胞的独特影响机制。这些发现可能指导开发更有效的神经退行性疾病治疗方法。研究还展示了该模型在干细胞治疗研究中的潜力，如替换受损神经细胞。研究发表在 Neuron 上。

脑干深处的孤束核（NTS）如何协调大脑与身体的对话？日本国立生理科学研究所的Masakazu Agetsuma团队开发了革命性成像技术D-PSCAN，首次实现活体动物NTS的高分辨率观测。   

研究团队通过在小脑与脑干间植入双微棱镜组件（D-PSCAN技术），结合双光子成像，在不损伤小脑功能的前提下捕捉到NTS的神经元活动。实验显示，迷走神经刺激（VNS）需达到特定强度阈值才能激活NTS，且不同参数会引发敏化或抑制反应。更关键的是，团队首次记录到NTS对肠道激素胆囊收缩素（CCK）的自然响应，证实技术能用于生理状态研究。该成果不仅揭示了NTS处理内脏信号的动态细节，更为抑郁症等疾病的VNS疗法参数优化提供了直接观测手段。研究发表在 Cell Reports Methods 上。  

双重身份蛋白 Eato 既能保护脑细胞又能指导"垃圾清理"

康奈尔大学威尔细胞与分子生物学研究所的Xinchen Chen、Chun Han等团队发现，果蝇蛋白质Eato具有惊人双重功能：既保护神经元免遭破坏，又帮助吞噬细胞清理受损神经元。 

研究团队使用果蝇模型，发现Eato属于ABCA转运蛋白家族（负责细胞膜脂质运输的蛋白质），在神经元中通过抑制磷脂酰丝氨酸（PS）的暴露来保护健康细胞。当Eato缺失时，神经元表面过早出现PS信号，导致吞噬细胞误食正常神经元。令人惊讶的是，Eato在吞噬细胞中却增强了对PS信号的敏感性，提高清理效率。通过基因操作，团队证明从神经元和吞噬细胞同时去除Eato能减轻神经元退化。进一步实验发现，人类ABCA1和ABCA7等同源蛋白可部分替代Eato在吞噬细胞中的功能。这些发现揭示了神经元-吞噬细胞互作的新机制，为开发针对PS信号通路的神经保护药物提供了靶点。研究发表在 Science Advances 上。

轻微脸盲也会影响日常生活

发育性面部失认症（DP）患者如何应对日常社交挑战？Judith Lowes、Lesley M. McGregor、Peter J.B. Hancock、Bradley Duchaine和Anna K. Bobak团队通过调查29名英国DP患者，揭示了他们在识别亲友、职场适应和社会互动中的困境，并呼吁提高公众对这一“隐形残疾”的认知。   

研究团队采用混合方法，结合在线问卷调查和实验室测试（如Twenty Item Prosopagnosia Index和Cambridge Face Memory Test），量化了DP患者的识别能力。结果显示，35%的参与者无法可靠识别直系亲属，45%在意外场合认不出密友。三分之二的患者能识别的熟悉面孔少于10张（普通人约5000张）。定性分析发现，患者常通过记录详细笔记或依赖非面部线索（如气味）来弥补缺陷，但这些策略往往低效且导致社交焦虑。研究还指出，缺乏专业诊断途径和职场合理调整（如固定座位安排）加剧了患者的困难。参与者最希望未来研究聚焦于提高公众意识和开发实用干预措施。研究发表在 PLOS ONE 上。  

大额奖励可激发抑郁症康复者动机  

麦克莱恩医院抑郁焦虑压力研究中心的Manuel Kuhn和Diego A. Pizzagalli团队发现，抑郁症人群存在特异性动机缺陷——除非奖励足够大且确定，否则他们更倾向选择省力选项。

研究采用"奖励努力投入任务"（EEfRT，一种测量动机的经典范式），要求参与者在小额确定奖励与大额概率奖励间反复选择。通过计算建模分析发现，未服药的抑郁症康复者（rMDD）整体选择高努力任务的次数比健康人少23%，但在奖励超过3美元且成功概率高于50%时，其选择反而比健康人多15%。

进一步用漂移扩散模型（drift diffusion model，模拟决策过程的数学工具）解码发现，康复者存在双重机制：基础决策偏向"省力模式"，但对高价值奖励的敏感性异常增强。这种矛盾状态解释了为何他们在日常生活中显得动力不足，却可能在特定激励下爆发出超常动机。研究为开发针对性行为干预提供了量化依据，例如通过设置"高确定性里程碑奖励"来维持康复者长期参与治疗的积极性。研究发表在 Biological Psychiatry: Cognitive Neuroscience and Neuroimaging 上。  

爱情中的性别差异：男性"上头快"与女性"越爱越深"的进化密码  

为什么男性容易"一见钟情"而女性更易"日久生情"？澳大利亚国立大学的Adam Bode、Severi Luoto和Phillip S. Kavanagh团队通过对808名热恋期年轻人的研究发现，这种差异可能刻在DNA里——男性平均恋爱2.64次且30%在交往前已心动，女性则爱得更深更专注。   

研究团队严格筛选了来自33个国家、正处于热恋期（激情爱情量表PLS得分≥130）的年轻人。通过单变量分析发现，男性心动速度比女性快约1个月（男性多在交往前1个月已心动，女性多在交往后2个月才彻底沦陷）。多变量分析显示，女性在爱情强度（高11%）、痴迷程度（54%清醒时间想伴侣vs男性44%）等方面显著更高，Cohen's d效应量达0.42。这些差异与进化预测一致：女性因生育成本高演化出"精挑细选"策略，男性则为增加繁殖机会倾向"快速出击"。有趣的是，承诺度差异在社会因素介入后消失，暗示现代文化正在重塑进化遗留的性别脚本。研究发表在 Biology of Sex Differences 上。

运动学习的"隐形教练"：大脑如何无意识修正动作  

运动技能如何在不经意间提升？Xiaoyue Zhang和Kunlin Wei团队发现，大脑通过"感知预测误差"（perceptual prediction error）这一隐形机制自动优化动作，这种误差信号比传统认知的表现误差更能解释隐性学习现象。   

研究团队利用视觉运动旋转任务（visuomotor rotation, VMR），要求受试者在屏幕光标偏离实际手部运动时调整动作方向。通过5项精巧实验发现，当人们刻意瞄准目标旁某点（re-aiming）时，内隐学习并非由光标最终位置误差（performance error）驱动，而是取决于手部实际运动与预期轨迹的感知差异。计算模型显示，新型感知预测误差（PPE）——整合视觉、本体觉等多模态信息的手部空间定位误差，能统一解释包括渐进适应、突发学习等复杂现象。这一发现颠覆了感觉预测误差（SPE, 仅依赖视觉反馈）主导的传统理论，表明运动系统更依赖身体感知而非单纯视觉反馈进行自我校准。

大脑通过"多维空间"灵活切换神经网络

普林斯顿大学的Camden J. MacDowell、Timothy J. Buschman等六人团队发现，大脑通过神经活动"子空间"的几何变化，实现毫秒级神经网络切换。

研究团队结合皮层宽场钙成像（widefield calcium imaging，一种监测大规模神经活动的光学技术）和高密度电生理记录，同步捕捉小鼠8个脑区的动态交互。通过降维分析，他们发现每个脑区的神经活动包含多个"子空间维度"，每个维度对应特定的全脑功能网络。当某脑区的神经活动"对齐"特定子空间维度时，与之关联的网络区域活动会显著增强。这种几何对齐机制使大脑能在毫秒级别切换信息路由路径，且不同子空间网络可同时重叠存在，实现多路复用。研究还证实，这种动态重组不依赖解剖连接改变，而是通过神经表征的实时几何变换完成。该发现为理解工作记忆、决策等高级认知功能提供了新框架。研究发表在 Nature Communications 上。

工作记忆多项目提取的瓶颈：性能损耗与检索动态

我们的大脑如何同时处理多个记忆项目？纽约市立大学皇后学院的Chen Tiferet-Dweck、Abigail Keegan和Kerstin Unger团队通过系列实验发现，工作记忆提取多个项目时存在显著性能损耗，且检索过程更可能是串行而非完全并行。这一发现挑战了"多项目提取可无损耗并行"的传统观点。 

研究团队首先设计前/后提示工作记忆任务（pre-and retro-cuing WM task），要求被试从3个项目中提取1个或2个。结果发现提取2个项目时反应时间延长11%，错误率增加8%，表明抑制无关项目并非效率关键。后续实验改进双项目提取范式（dual-access paradigm），通过控制对象重复条件发现：当两个目标项目都曾在前次试验中出现时，反应时间收益仅为单项目重复收益的简单叠加（约15ms+15ms），而非理论预期的超叠加（>30ms）。这种线性模式支持串行或有限并行检索机制，说明工作记忆存在"注意力焦点"（focus of attention）的容量限制。研究为理解语言理解、决策等需要多信息整合的认知任务提供了新视角，可能启发更高效的人工智能记忆系统设计。研究发表在 Frontiers in Psychology 上。

从童年到成年：奖励学习如何塑造记忆的"分辨率"

为什么儿童记忆总是"模模糊糊"？纽约大学的Kate Nussenbaum和Catherine A. Hartley团队发现，奖励学习（reinforcement learning）像一台"分辨率调节器"，控制着记忆从模糊到清晰的过渡。这项研究不仅解释了记忆精度的发展规律，还揭示了学习策略如何"雕刻"我们记住世界的方式。 

研究团队设计实验让224名8-25岁参与者在不同奖励结构下学习分类任务——有时奖励取决于具体物品细节（如"碳烤汉堡"），有时仅需记住宽泛类别（如"快餐"）。通过计算建模分析发现，所有年龄段都能像"智能相机"般调整记忆焦距：当环境需要细节辨别时，大脑自动切换到"微距模式"；反之则采用"广角模式"节省认知资源。记忆测试显示，这种学习策略直接决定后续记忆内容——在"微距模式"下学习的参与者能记住汉堡的烧烤方式，而"广角模式"下仅记得是快餐。最惊人的发现是，这种学习-记忆的联动效应随年龄增强：25岁成人的联动强度是8岁儿童的3倍，说明大脑逐渐学会"按需存储"信息。研究发表在 Nature Communications 上。

FutureHouse近日发布了全球首个公开可用的AI科学家团队，包括四个专门为科学研究设计的智能体：通用智能体Crow（乌鸦）、自动化文献综述智能体Falcon（猎鹰）、调研智能体Owl（猫头鹰）和实验智能体Phoenix（凤凰）。这些智能体在文献搜索、问答和矛盾检测等任务中的表现已超越人类博士水平，甚至能自主生成假设并规划实验。FutureHouse的CEO Sam Rodriques表示，这些AI科学家不仅能加速科研进程，还能串联起来推动全新的生物学发现。

与传统AI工具不同，FutureHouse的智能体可以访问完整的科学文献全文，并能通过多因素评估来源质量，避免依赖低质量论文。此外，FutureHouse还提供API接口，允许研究人员将智能体集成到工作流中。例如，在针对多囊卵巢综合征（PCOS）的研究中，Falcon能自动搜索相关论文并提炼关键信息，而Crow则能精准定位与疾病相关的基因。这一技术将大幅缩短传统文献调研的时间，从数周减少到几分钟。

FutureHouse的科学总监Andrew White回顾了团队一年的研发历程，从2024年6月发布Lab-Bench基准测试，到12月成功训练出超越生物学专家的智能体。这些AI科学家的优势在于透明推理、高质量数据访问和强大的扩展性，尤其适用于需要全文分析或专业化学工具的研究场景。

Claude重磅升级！AI助手现在能直接操作你的工作软件了

Anthropic公司正式推出Claude Integrations功能，彻底改变了用户与AI的协作方式。通过该功能，Claude人工智能可直接接入Jira（项目管理）、Zapier（自动化）、Intercom（客服）等10余种主流工具，实现从“聊天对话”到“实际操作”的跨越。例如，用户只需用自然语言指令，Claude就能自动创建任务、整理会议内容甚至处理客户反馈。开发者还可通过Model Context Protocol（MCP，模型上下文协议）在30分钟内完成自定义集成，将Claude与企业内部系统深度绑定。

此次升级还强化了Claude的Research（研究）能力，支持长达45分钟的深度信息检索。AI可拆分复杂问题，从网页、Google文档或已连接工具中提取数据，并生成带引用来源的报告。所有结果均透明可追溯，每条信息附有原文链接，确保可靠性。目前，高级功能仅向Team和Enterprise计划用户开放，但Pro用户即将获得权限。

Anthropic特别强调远程MCP服务器的安全风险，建议用户谨慎授权。通过自定义集成，Claude能化身“超级工作助手”，但需注意敏感数据保护和权限管理。这一升级标志着AI从“回答问题”转向“执行任务”，或将重塑职场生产力工具生态。

微软Azure将引入马斯克Grok模型，AI云服务竞争再升级

据报道，微软（Microsoft）正计划在其Azure云平台上托管埃隆·马斯克（Elon Musk）的Grok AI模型。这一举措可能通过Azure AI Foundry实现，该平台为开发者提供多种AI工具和模型的访问权限。尽管微软尚未公开评论，但此举可能意味着Grok将被整合到微软的服务生态中。目前，Azure AI Foundry已托管包括OpenAI竞争对手在内的多个AI实验室的模型，引入Grok或将进一步丰富其AI模型库。

这一合作可能加剧微软与OpenAI之间的紧张关系。此前有报道称，双方因算力分配和模型访问问题产生分歧。此外，微软是否会与Grok达成独家协议，或允许亚马逊（Amazon）等其他云服务商托管该模型，仍是未知数。分析指出，微软正从早期的OpenAI独家合作转向多元化AI模型战略，旨在将Azure打造为AI模型的“后端操作系统”。

云基础设施正成为AI竞争的新战场。微软早在2017年就大幅扩张其AI与研究部门，而亚马逊也计划在2025年推出自研生成式AI模型“Amazon Nova”。与此同时，微软被曝正在开发内部AI推理模型MAI，以减少对外部技术的依赖。这种“既合作又自立”的策略，反映了云服务商在AI领域的复杂博弈。

Neuralink近日宣布向全球开放患者登记处，邀请符合条件的四肢瘫痪患者参与其PRIME研究。这项临床试验旨在评估其完全植入式无线脑机接口（BCI）的安全性和初始功能。该技术通过在大脑运动规划区植入微型设备，解读神经信号，使患者无需物理动作即可操控电子设备。研究团队希望借此为脊髓损伤或肌萎缩侧索硬化症（ALS）患者恢复计算机控制能力提供新方案。

PRIME研究的核心设备包括一枚隐形植入物和配套手术机器人。植入物可实时捕捉大脑活动，将其转化为数字指令，从而实现对智能手机或电脑的“意念操控”。目前，试验面向因颈椎损伤或ALS导致双手功能丧失的患者开放。Neuralink强调，这项技术不仅可能改善患者生活质量，还将为BCI的长期应用积累关键数据。

如何解释从瞬间练习到十年磨剑的学习规律？Mingzhen Lu、Tyler Marghetis和Vicky Chuqiao Yang团队开发了一个数学模型，首次统一解释了从分钟级的动机波动到年度级的技能掌握全过程，为理解终身学习提供了理论框架。 

研究团队基于第一性原理构建数学模型，整合了动机（motivation）、疲劳（fatigue）等短期因素与技能掌握的长期动态。模型成功复现了学习曲线中的收益递减（diminishing returns）现象：初期快速进步，接近精通时速度减缓。当学习者转向更具挑战性任务时，模型预测并解释了短暂的性能下降和后续超越现象。通过模拟不同训练制度发现，任务难度与当前技能水平的最优匹配会产生最高动机峰值，此时工作持续时间最长而休息需求最少。该模型特别解释了"弗斯贝里背越式跳高"（Fosbury Flop）等案例中，初期困难但最终更优的技术转换现象。研究为从杂耍到国际象棋等不同领域的学习共性提供了统一解释。研究发表在 npj Complexity 上。

加州大学圣克鲁兹分校等机构的Sebastian Hernandez、Hunter E Schweiger、Isabel Cline等研究人员通过小鼠前脑类器官发现，背侧和腹侧类器官会自发形成不同的网络架构，揭示了细胞组成如何塑造神经回路自组织。 

研究团队从小鼠多能干细胞(PSC)生成背侧(DF)和腹侧(VF)前脑类器官，并采用纵向电生理学(longitudinal electrophysiology)持续监测其发育过程中的电活动。结果显示，DF类器官逐渐增强全网络相关性，而VF类器官则发展出更精细的活动模式、更强的小世界拓扑(small-world topology，类似社交网络的高效连接结构)和模块化组织。这些差异在没有外部输入的情况下自发出现，可能与VF类器官中Pvalb+中间神经元增加有关。该研究不仅揭示了细胞组成如何驱动神经回路自组织，还建立了研究皮质网络架构发育原理的类器官平台。

多通道卷积Transformer革新脑电诊断：精神障碍检测准确率突破92%

精神疾病影响全球数亿人，但传统诊断依赖主观问卷易误诊。Mamadou Dia、Ghazaleh Khodabandelou等研究者开发出融合卷积神经网络(CNN)与Transformer的新型AI模型，在抑郁症、焦虑症等脑电(EEG)诊断中实现最高92.28%准确率。 

研究团队首创多通道卷积Transformer(MCT)架构，通过空间模式滤波(CSP)和小波去噪等预处理技术，将EEG信号转为时频图像。CNN层提取局部特征后，Transformer编码器捕捉长程时间依赖，配合熵损失函数提升稳定性。在三大数据集测试中，对创伤后应激障碍(PTSD)识别达92.28%准确率，抑郁症89.84%，较传统支持向量机(SVM)提升15%以上。模型仅需19个EEG通道，且首次实现跨病种通用分类。特别设计的融合层能整合多通道信息，避免关键特征丢失。研究为精神疾病早期筛查提供新范式，已计划开展多中心临床验证。研究发表在 Scientific Reports 上。

169项研究证实：量子机器学习尚未准备好改变医疗

量子机器学习（QML）能否革新医疗数据分析？Riddhi S. Gupta、Carolyn E. Wood等团队通过系统评估169项研究发现，当前QML在医疗领域的优势证据不足，仅9.5%研究考虑实际量子硬件限制，数据编码可扩展性仍是主要瓶颈。   

研究团队采用PRISMA框架系统分析了2015-2024年间4915项相关研究。结果显示，主流QML算法如量子核方法（quantum kernel methods）和量子神经网络（QNN）多为线性模型，仅占广义QML的小部分。在数据编码方面，振幅编码（amplitude encoding）虽节省量子比特但计算深度大，而角度编码（angle encoding）反之，二者均面临实际硬件限制。值得注意的是，仅16项研究使用真实量子硬件（如20量子比特门型计算机或100+量子比特退火器），且无研究解决噪声环境下的性能保持问题。在医疗应用场景中，QML集中于临床决策支持，尚未涉及公共卫生服务。研究强调需要更严格的实验设计验证QML的"量子优势"，特别是在电子健康记录（EHR）等真实医疗数据上的表现。研究发表在 npj Digital Medicine 上。