追問daily | 800名男性囚犯大腦結構研究；大腦可能利用多巴胺來扭曲時間和塑造記憶

█ 腦科學動態(tài)

早期腦區(qū)在決策中扮演重要角色

大腦可能利用多巴胺來扭曲時間和塑造記憶

大腦依賴感覺而非運動指令存儲新發(fā)音模式

新型問卷精準描繪精神障礙的七種緊張模式

孤獨癥診斷的性別鴻溝隨年齡增長而彌合

魚類睡眠狀態(tài)展現(xiàn)出四種不同的特征，其中三種伴有眼球運動

感覺網(wǎng)絡共享世界，默認模式網(wǎng)絡編織個人故事

800名男性囚犯大腦結構研究：高精神病態(tài)與皮質表面積增大有關

單脈沖刺激揭示大腦在內(nèi)部與外部處理間的快速切換機制

█ AI行業(yè)動態(tài)

馬斯克解散xAI：22萬張GPU算力轉租Anthropic

讓AI玩“太空狼人殺”？DeepMind入股硬核網(wǎng)游EVE研究智能進化

Claude新功能讓機器在睡眠中自己梳理記憶、總結規(guī)律

中科院發(fā)布類腦大模型瞬悉2.0

█ AI驅動科學

QIMR團隊首創(chuàng)可解釋AI篩查模型，精準鎖定隱藏癌細胞特征

外科醫(yī)生的新搭檔：因果AI驅動下的半自主醫(yī)療機器人圖景

AI為AI造工具：自動研究循環(huán)演化出智能體專屬的機器學習庫

新AI算法賦予機器人無縫技能遷移能力

AHE讓編程智能體實現(xiàn)線束全自動進化

從單步預測到自主進化：跨學科視角下的世界模型演進路線圖

減少47%無效調(diào)用，新型框架讓大型推理模型學會適時檢索

協(xié)同進化的大模型決策與技能庫智能體突破長期任務瓶頸

突破文本長度瓶頸：OCR-Memory實現(xiàn)智能體長周期視覺記憶提取

腦科學動態(tài)

早期腦區(qū)在決策中扮演重要角色

大腦如何做出決策？伊利諾伊大學厄巴納-香檳分校的Yurii Vlasov及其團隊通過研究發(fā)現(xiàn)，決策過程并非純粹自下而上地逐級傳遞，早期感官腦區(qū)通過反饋回路深度參與其中，這一發(fā)現(xiàn)挑戰(zhàn)了傳統(tǒng)的神經(jīng)科學觀點，并可能為下一代人工智能的設計提供新思路。

? 一只老鼠在自然逼真的虛擬現(xiàn)實環(huán)境中，利用胡須做出感知決策，從而實現(xiàn)向左或向右的轉向。與傳統(tǒng)的腦組織結構觀點相反，感知決策在初級皮層皮層計算的早期階段就已得到充分體現(xiàn)。Credit: The Grainger College of Engineering at the University of Illinois Urbana-Champaign

傳統(tǒng)觀點認為，決策是一個層級過程，感官信息從初級腦區(qū)流向高級腦區(qū)。為驗證這一模型，研究團隊設計了一個實驗，讓小鼠在虛擬現(xiàn)實環(huán)境中僅憑胡須觸覺來決定向左或向右導航。通過高密度電生理記錄，他們驚訝地發(fā)現(xiàn)，在被認為是感官信息中繼站的初級體感皮層（primary somatosensory cortex, S1）中，就已存在強烈的決策信號。研究顯示，S1的神經(jīng)活動并非單向流動，而是受到來自高級腦區(qū)的“自上而下”的動態(tài)調(diào)控，形成了雙向反饋回路。在決策期間，S1中復雜的高維神經(jīng)活動會“塌縮”成一個單一變量，其活動強度會逐漸累積，直至達到?jīng)Q策閾值。這一“自然智能”模型不僅解釋了大腦的高效決策機制，也為開發(fā)能耗更低、性能更強的AI提供了生物學藍圖。研究發(fā)表在 PNAS 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #決策 #計算模型與人工智能模擬 #神經(jīng)回路

閱讀更多：

Armstrong, Alex G., and Yurii Vlasov. “Neural Correlates of Perceptual Decision-Making in the Primary Somatosensory Cortex.” Proceedings of the National Academy of Sciences, vol. 123, no. 18, May 2026, p. e2514107123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2514107123

大腦可能利用多巴胺來扭曲時間和塑造記憶

為什么有些記憶感覺轉瞬即逝，而另一些卻仿佛被拉長？加州大學洛杉磯分校的Erin Morrow和David Clewett等人通過研究揭示，大腦中的多巴胺系統(tǒng)可能正是這位“時間魔術師”，它通過在不同經(jīng)歷之間制造時間上的距離感，幫助我們將連續(xù)的生活流分割成獨立的記憶章節(jié)。

? 事件序列編碼任務和時間距離記憶測試。Credit: Nature Communications (2026).

研究團隊讓志愿者在進行功能性磁共振成像掃描時觀看圖像序列，并通過切換聲音的來源和音高來人為制造“事件邊界”（event boundaries，即標志著一個情境結束和另一個開始的節(jié)點）。結果發(fā)現(xiàn)，每當參與者感知到事件邊界時，大腦中負責產(chǎn)生多巴胺的關鍵區(qū)域——腹側被蓋區(qū)（ventral tegmental area，簡稱VTA）——便會顯著激活。這種激活帶來了奇妙的心理效應：在隨后的記憶測試中，盡管所有圖像對的實際呈現(xiàn)間隔完全相同，但那些恰好跨越了事件邊界的圖像對，被參與者普遍回憶為時間上相隔更遠。VTA激活越強烈，這種時間被“拉長”的感覺就越明顯。此外，研究還發(fā)現(xiàn)眨眼行為與多巴胺信號密切相關，在事件邊界處，參與者的眨眼頻率也顯著增加，進一步佐證了多巴胺系統(tǒng)在標記和分割體驗中的作用。研究發(fā)表在 Nature Communications 上。

#神經(jīng)科學 #記憶機制 #多巴胺 #時間知覺

閱讀更多：

Morrow, Erin, et al. “Dopaminergic Processes Predict Temporal Distortions in Event Memory.” Nature Communications, vol. 17, no. 1, Mar. 2026, p. 3971. www.nature.com, https://doi.org/10.1038/s41467-026-69950-8

大腦依賴感覺而非運動指令存儲新發(fā)音模式

我們?nèi)绾螌W會并記住新的口音或發(fā)音方式？長期以來，科學家們爭論這究竟是肌肉的運動記憶還是感官的記憶。由Nishant Rao、David J. Ostry等麥吉爾大學研究人員組成的一項新研究揭示，言語記憶的存儲關鍵在于感覺系統(tǒng)，而非運動系統(tǒng)。

? 用于研究語音動作記憶是否具有感覺基礎的實驗裝置。Credit: Proceedings of the National Academy of Sciences (2026).

研究團隊設計了一個巧妙的實驗，讓參與者在聽到自己聲音被實時改變（元音音調(diào)升高）的情況下說話，從而誘導他們學習一種新的發(fā)音模式。學習結束后，研究人員使用經(jīng)顱磁刺激（Transcranial Magnetic Stimulation, TMS）技術，分別對不同組參與者處理聲音的聽覺皮層、處理觸覺和運動感的體感皮層，以及控制肌肉運動的初級運動皮層進行短暫干擾。24小時后的記憶測試結果出人意料：當聽覺或體感皮層受到干擾時，參與者無法很好地記住所學的發(fā)音調(diào)整；而干擾初級運動皮層卻對記憶毫無影響。這表明，大腦并非記憶了一套“如何動嘴”的運動指令，而是建立并存儲了一個“聲音應該是什么樣”的感覺目標。正是這個基于聽覺和體感的目標，在指導我們的發(fā)音器官運動。研究發(fā)表在 PNAS 上。

#認知科學 #神經(jīng)機制與腦功能解析 #語言學習 #感覺皮層 #經(jīng)顱磁刺激

閱讀更多：

Rao, Nishant, et al. “Sensory Basis of Speech Motor Learning and Memory.” Proceedings of the National Academy of Sciences, vol. 123, no. 17, Apr. 2026, p. e2525468123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2525468123

新型問卷精準描繪精神障礙的七種緊張模式

過度喚醒是多種精神障礙的核心癥狀，但其構成維度一直不明確，妨礙了精準診療。為解決此問題，荷蘭神經(jīng)科學研究所的 Tom Bresser 及其團隊通過大規(guī)模問卷調(diào)查與因子分析，首次揭示了過度喚醒的七個不同維度，并開發(fā)了首個用于快速評估的跨診斷問卷（THDQ）。

研究團隊對467名有不同精神健康狀況的成年人進行了綜合評估，讓他們完成了包含18份不同問卷的221個條目。通過探索性因子分析，研究人員識別出過度喚醒的七個獨立維度：焦慮型（anxious hyperarousal，對未來充滿憂慮）、軀體型（somatic hyperarousal，如心悸、呼吸急促等身體癥狀）、敏感型（sensitive hyperarousal，情緒脆弱）、睡眠相關型（sleep-related hyperarousal，睡前思慮過多）、易怒型（irritable hyperarousal）、警覺型（vigilant hyperarousal，在公共場所過度警惕）以及出汗/血管舒縮型（sudomotor hyperarousal，如冷熱汗和臉紅）。研究發(fā)現(xiàn)，雖然幾乎每種過度喚醒維度都或多或少地存在于各種障礙中，但不同疾病（如失眠、抑郁癥、創(chuàng)傷后應激障礙等）表現(xiàn)出各自獨特的嚴重程度組合模式。基于這些發(fā)現(xiàn)，團隊開發(fā)并驗證了一份包含27個條目的跨診斷過度喚醒維度問卷（Transdiagnostic Hyperarousal Dimensions Questionnaire, THDQ），該問卷能夠快速、可靠地評估每個維度。該問卷在第二個592人的樣本中得到驗證，并且研究還表明，英國生物樣本庫的部分現(xiàn)有數(shù)據(jù)可用于估算其中的焦慮、易怒和睡眠相關三個維度，為利用大型隊列數(shù)據(jù)進行深入研究提供了可能。研究發(fā)表在 eClinicalMedicine 上。

#疾病與健康 #心理健康與精神疾病 #過度喚醒 #跨診斷

閱讀更多：

Bresser, Tom, et al. “Hyperarousal Transdiagnostically Dissected: Different Dimensions Characterize Mood, Anxiety, Insomnia, Posttraumatic Stress and Attention Deficit Hyperactivity Disorders.” eClinicalMedicine, vol. 94, Apr. 2026. www.thelancet.com, https://doi.org/10.1016/j.eclinm.2026.103810

孤獨癥診斷的性別鴻溝隨年齡增長而彌合

孤獨癥是“男性病”嗎？瑞典卡羅林斯卡學院的Caroline Fyfe及其同事對瑞典近280萬人的大規(guī)模數(shù)據(jù)進行分析，挑戰(zhàn)了這一傳統(tǒng)觀念。研究發(fā)現(xiàn)，盡管男孩在幼年期的診斷率遠高于女孩，但這種性別差異會隨年齡增長而顯著縮小，至成年期幾乎消失，這提示女性孤獨癥患者可能在兒童期被大量漏診。

該研究分析了1985年至2020年間出生的近280萬瑞典兒童的醫(yī)療數(shù)據(jù)。結果顯示，在10歲之前，男孩獲得孤獨癥譜系障礙（autism spectrum disorder，簡稱ASD）診斷的比例是女孩的三倍。然而，此后性別差距開始穩(wěn)步縮小。在近兩年（2020-2022年）的數(shù)據(jù)中，到15歲時，診斷率已無明顯性別差異。數(shù)據(jù)還揭示了診斷高峰年齡的性別差異：男性為10至15歲，而女性則推遲到15至19歲。研究團隊推測，診斷延遲可能與多種因素有關。一種可能是女孩更擅長在幼年“偽裝”或模仿同齡人的社交行為，使得癥狀更難被發(fā)現(xiàn)。另一種可能是她們的孤獨癥癥狀常被誤歸因于其他共存的精神健康問題，導致診斷被延誤。這一發(fā)現(xiàn)強調(diào)了優(yōu)化現(xiàn)有篩查和診斷實踐的必要性，以確保女性能夠得到及時識別和支持。研究發(fā)表在 BMJ 上。

#疾病與健康 #心理健康與精神疾病 #孤獨癥 #性別差異 #診斷延遲

閱讀更多：

Fyfe, Caroline, et al. “Time Trends in the Male to Female Ratio for Autism Incidence: Population Based, Prospectively Collected, Birth Cohort Study.” BMJ, vol. 392, Feb. 2026, p. e084164. Research. www.bmj.com, https://doi.org/10.1136/bmj-2025-084164

魚類睡眠狀態(tài)展現(xiàn)出四種不同的特征，其中三種伴有眼球運動

魚類是否像人類一樣擁有復雜的睡眠階段？德國馬克斯·普朗克生物控制論研究所的Vikash Choudhary、Charles R. Heller、Jennifer M. Li及Drew N. Robson等人通過對斑馬魚的研究給出了肯定答案。他們首次發(fā)現(xiàn)魚類存在一個由四種不同狀態(tài)組成的復雜睡眠結構，并且這些狀態(tài)的分布受到生物鐘和光照的精細調(diào)控。

? 馬克斯·普朗克生物控制論研究所系統(tǒng)神經(jīng)科學與神經(jīng)工程研究組的追蹤顯微鏡。Credit: Jo?rg Abendroth / MPI for Biological Cybernetics

研究團隊利用一種特制的追蹤顯微鏡，對自由游動的透明斑馬魚幼魚進行了長達24小時的連續(xù)觀察，同步記錄了它們的行為、眼動和全腦神經(jīng)活動。通過分析眼球運動的運動學特征，他們將魚類的睡眠（長時間靜止）劃分為四種不同的子狀態(tài)：一種完全沒有眼球運動的睡眠（QNEM），以及三種具有獨特眼動模式的睡眠（QEM-1、QEM-2和QEM-3）。研究揭示了這些睡眠狀態(tài)驚人的晝夜節(jié)律組織性：QNEM主要發(fā)生在夜間；QEM-2在清晨時段增多；而最令人意外的是，QEM-1作為一種難以喚醒的深度睡眠狀態(tài)，幾乎只在白天出現(xiàn)，類似于一種“午睡”。進一步的實驗表明，這種精細的睡眠結構是由內(nèi)部生物鐘和外部光照共同決定的，并且在其他兩種近緣魚類中也同樣存在，證明這是一種古老的、在演化上保守的特征。研究發(fā)表在 Nature Communications 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #睡眠 #晝夜節(jié)律 #斑馬魚

閱讀更多：

Choudhary, Vikash, et al. “Eye Movement Kinematics Reveal Novel Circadian Organization of Sleep Substates.” Nature Communications, vol. 17, no. 1, May 2026, p. 4068. www.nature.com, https://doi.org/10.1038/s41467-026-72222-0

感覺網(wǎng)絡共享世界，默認模式網(wǎng)絡編織個人故事

人類的內(nèi)在世界為何千差萬別且獨一無二？Peter Coppola和Emmanuel A. Stamatakis等揭示了大腦復雜網(wǎng)絡在處理共享信息與個人體驗時的不同運作模式，證實了大腦深層的默認模式網(wǎng)絡是承載高度個人化意識流并決定個體獨特性的核心基礎。

? Credit: Communications Biology (2026).

研究團隊讓16名成年志愿者聆聽一段電影音頻片段，并使用功能磁共振成像分別記錄他們在清醒和全身麻醉狀態(tài)下的腦電活動。分析過程中采用了時間相似性矩陣來追蹤各個大腦區(qū)域通訊模式的轉變。結果顯示，當參與者清醒時，其默認模式網(wǎng)絡（DMN）的活動變得異常復雜，且不同個體間的模式差異極大。相反，負責處理視覺和聽覺的注意力與感覺網(wǎng)絡在不同個體間表現(xiàn)出高度一致性。當失去意識時，這些顯著的個體神經(jīng)特征隨之減弱并趨向相同。這表明大腦利用感覺網(wǎng)絡來共享世界體驗，而深層網(wǎng)絡則時刻重塑以反映個人的私密記憶和思想。研究發(fā)表在 Communications Biology 上。

#意識與腦機接口 #神經(jīng)機制與腦功能解析 #默認模式網(wǎng)絡 #個體意識 #功能磁共振成像

閱讀更多：

Coppola, Peter, et al. “The Neural Correlates of Shared and Individual Experience.” Communications Biology, vol. 9, no. 1, Jan. 2026, p. 95. www.nature.com, https://doi.org/10.1038/s42003-025-09355-3

800名男性囚犯大腦結構研究：高精神病態(tài)與皮質表面積增大有關

以往研究認為具有精神病態(tài)特征的人腦容量較小，但缺乏區(qū)分皮質厚度與表面積的大規(guī)模映射分析。Marcin A. Radecki和J. Michael Maurer等研究人員通過對被監(jiān)禁男性的研究發(fā)現(xiàn)，高度精神病態(tài)者的大腦皮質表面積不僅沒有縮小，反而出現(xiàn)顯著擴張，尤其是在處理社會與情感信息的區(qū)域。

這項研究招募了804名成年男性囚犯，以探究同理心缺失、精神病態(tài)與大腦物理結構的關系。研究采用標準精神病態(tài)量表修訂版（Psychopathy Checklist-Revised，用于評估個體人際關系、情感特征及反社會生活方式的標準化臨床評估工具）與人際反應指針問卷（Interpersonal Reactivity Index，用于多維評估個體共情能力的自評量表）進行行為學評估，并結合磁共振成像技術測量受試者的皮質厚度、表面積以及不同腦區(qū)間的結構協(xié)方差梯度。

數(shù)據(jù)分析表明，精神病態(tài)的情感特征與同情和關心他人的能力降低緊密相關，而反社會行為特征則與換位思考能力受損有關。引人注目的是，在比較高低精神病態(tài)水平男性的腦部結構時，兩者的皮質厚度并無顯著差異。然而，精神病態(tài)程度較高的男性在65個大腦區(qū)域表現(xiàn)出更大的皮質表面積。此外，宏觀組織分析揭示，正常大腦從基礎感覺腦區(qū)到復雜社交推理腦區(qū)的結構梯度，在高度精神病態(tài)的男性中被顯著壓縮且分化程度降低。這意味著他們大腦各區(qū)域間的界限變得更加模糊，結構相似性更高。研究發(fā)表在 Biological Psychiatry Global Open Science 上。

#疾病與健康 #心理健康與精神疾病 #神經(jīng)機制與腦功能解析 #共情 #精神病態(tài)

閱讀更多：

Radecki, Marcin A., et al. “Cortical Structure in Relation to Empathy and Psychopathy in 800 Incarcerated Men.” Biological Psychiatry Global Open Science, vol. 6, no. 3, May 2026, p. 100695. ScienceDirect, https://doi.org/10.1016/j.bpsgos.2026.100695

單脈沖刺激揭示大腦在內(nèi)部與外部處理間的快速切換機制

大腦在處理記憶等內(nèi)部信息與感官等外部信息時需要頻繁切換，但長期以來科學界尚不清楚宏觀腦網(wǎng)絡能否支撐如此快速的轉換。香港大學的 Ed X. Wu 、 Alex T. L. Leong 、 Linshan Xie 和 Xunda Wang 團隊結合非侵入性成像與精準神經(jīng)刺激技術，發(fā)現(xiàn)大腦在接收到極其短暫的神經(jīng)信號后數(shù)秒內(nèi)即可完成全腦網(wǎng)絡的重塑。

? 利用單脈沖光遺傳學方法激活體感腹后內(nèi)側丘腦（VPM）內(nèi)的興奮性神經(jīng)元，同時進行靜息態(tài)功能磁共振成像（rsfMRI）和全腦神經(jīng)活動電生理測量，并采用數(shù)據(jù)驅動的分析策略，以檢驗 rsfMRI 網(wǎng)絡是否能夠適應快速神經(jīng)信息處理。Credit: Adapted from Nature Communications (2025).

該研究采用單脈沖光遺傳學（optogenetics，一種利用光脈沖精確控制特定活體神經(jīng)元活動的技術）方法，在大鼠模型中對體感丘腦腹后內(nèi)側核（VPM，大腦中負責將感覺信息傳遞并整合到皮層的關鍵區(qū)域）的興奮性神經(jīng)元進行僅10毫秒的瞬間刺激。同時，研究人員實施了靜息態(tài)功能磁共振成像與皮層腦電圖（ECoG）的同步測量。隨后通過數(shù)學模型分析網(wǎng)絡狀態(tài)的演變，結果顯示這極其短暫的刺激在短短兩秒內(nèi)就觸發(fā)了全腦網(wǎng)絡的重組。此時，大腦迅速抑制了負責內(nèi)部信息處理的網(wǎng)絡狀態(tài)，并將信號通過基底前腦和下丘腦等關鍵神經(jīng)調(diào)節(jié)樞紐進行轉移，以強化對外部環(huán)境信息的處理。此外，同步采集的電生理數(shù)據(jù)證實，這種宏觀網(wǎng)絡的變化是由特定區(qū)域內(nèi)和區(qū)域間神經(jīng)活動的同步化直接驅動的。這項研究顛覆了以往認為宏觀腦網(wǎng)絡變化極其緩慢的傳統(tǒng)觀點，揭示了大腦應對外界突發(fā)刺激的底層邏輯。研究發(fā)表在 Nature Communications 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #靜息態(tài)功能磁共振成像 #光遺傳學 #腦網(wǎng)絡動態(tài)

閱讀更多：

Xie, Linshan, et al. “Brain-Wide Resting-State fMRI Network Dynamics Elicited by Activation of Single Thalamic Input.” Nature Communications, vol. 16, no. 1, Dec. 2025, p. 11247. www.nature.com, https://doi.org/10.1038/s41467-025-66104-0

AI 行業(yè)動態(tài)

馬斯克解散xAI：22萬張GPU算力轉租Anthropic

馬斯克近日正式確認，其創(chuàng)立的人工智能公司xAI將宣告解散。xAI及其大語言模型Grok全部并入SpaceX新成立的子部門SpaceXAI，合并后實體估值高達1.25萬億美元。伴隨這一重組，xAI最初的11位聯(lián)合創(chuàng)始人已全部離職。分析認為，此舉旨在將AI研發(fā)與太空基礎設施整合，并將AI相關的監(jiān)管與訴訟風險納入SpaceX更龐大的治理框架內(nèi)。馬斯克表示，SpaceX已將其AI訓練工作轉移到新一代超算集群Colossus 2上，并計劃像發(fā)射衛(wèi)星一樣，向其他“造福人類”的AI公司公平提供算力。

作為重組的關鍵一環(huán)，SpaceX與AI公司Anthropic達成重磅算力協(xié)議。全球最大的AI集群之一Colossus 1所擁有的超過22萬塊英偉達GPU，將全部用于提升Anthropic旗下Claude模型的代碼生成能力。Anthropic由此獲得超過300兆瓦的計算能力，并立即提高了其付費用戶（Claude Pro、Max等）和API的速率限制，大幅緩解了因算力緊張導致的Claude Code服務限制問題。雙方還表示將探索合作開發(fā)數(shù)吉瓦級的軌道人工智能算力，利用太空近乎無限的可持續(xù)能源和散熱能力，突破地面電力與土地對下一代AI算力擴張的物理限制。

#xAI解散 #馬斯克 #Anthropic算力合作 #太空計算 #GPU租用

閱讀更多：

https://x.ai/news/anthropic-compute-partnership

讓AI玩“太空狼人殺”？DeepMind入股硬核網(wǎng)游EVE研究智能進化

人工智能前沿機構Google DeepMind近日宣布了一項獨特的跨界合作：通過收購股權的方式，與著名硬核太空沙盒網(wǎng)游《EVE Online》（星戰(zhàn)前夜）的開發(fā)商結成研究伙伴關系。此舉正值該游戲迎來上線23周年，其開發(fā)商CCP Games（后更名為Fenris Creations）以1.2億美元從韓國發(fā)行商Pearl Abyss手中完成管理層收購，實現(xiàn)獨立運營。DeepMind表示，將利用EVE Online極其龐大、復雜且完全由玩家驅動的虛擬經(jīng)濟與政治生態(tài)，作為研究“復雜、動態(tài)、玩家驅動系統(tǒng)中的智能”的理想試驗場。研究人員計劃在本地服務器的離線版本中，對其人工智能模型進行涉及長遠規(guī)劃、記憶和持續(xù)學習的受控實驗，同時探索由此衍生的全新游戲體驗。

選擇EVE Online并非偶然。這款以單服務器宇宙（Single-shard universe）架構著稱的游戲，擁有超過7000個星系和由全球玩家完全自主運行的完整經(jīng)濟體系，其復雜性與真實世界高度相似，曾被戲稱為“太空模擬器”。DeepMind總監(jiān)Alexandre Moufarek表示，這是一個測試通用人工智能的安全沙盒環(huán)境。事實上，EVE社區(qū)早有與科研跨界合作的先例，其“探索計劃”（Project Discovery）曾讓玩家通過游戲內(nèi)小游戲為蛋白質圖譜、系外行星搜尋和癌細胞數(shù)據(jù)分析等真實科研項目貢獻了上億級的數(shù)據(jù)標注。此次合作延續(xù)并升華了這一傳統(tǒng)，旨在讓人工智能模仿人類在極端復雜、充滿博弈與不確定性的“黑暗森林”般的系統(tǒng)中，演化出更高層次的規(guī)劃與適應能力。

#DeepMind #EVEOnline #通用人工智能 #沙盒模擬 #跨界科研

閱讀更多：

https://www.eveonline.com/news/view/a-new-era

Claude新功能讓機器在睡眠中自己梳理記憶、總結規(guī)律

人工智能公司Anthropic為其Claude Managed Agents推出了一項名為“夢境”（Dreaming）的創(chuàng)新功能，讓AI能夠在工作間隙進行“睡眠反思”。與人類大腦在睡眠中整理記憶、沉淀經(jīng)驗的機制類似，Dreaming會在對話間隙異步運行，自動掃描AI的記憶庫及最近100條歷史會話，執(zhí)行三項核心任務：合并重復與清理冗余信息、用最新知識替換過時規(guī)則、以及通過交叉分析多個智能體的經(jīng)歷來挖掘隱藏的規(guī)律與最優(yōu)工作流。所有經(jīng)過整理的成果會輸出至全新的記憶庫，用戶可安全驗證，無需擔心原始數(shù)據(jù)受損。目前，已有法律科技公司Harvey在接入后，其長文法律文書起草完成率提升了約6倍。

與此同時，Anthropic還同步推出了另外兩項功能，與Dreaming形成互補。名為“成果”（Outcomes）的自我質檢員模塊，通過一個獨立的評分智能體在隔離環(huán)境中對AI的產(chǎn)出進行客觀打分，不達標則自動觸發(fā)修改，據(jù)稱能將任務成功率最高提升10個百分點。而“多智能體編排”（Multi-Agent Orchestration）則讓一個“隊長”智能體負責拆解復雜任務，指揮多個配備不同模型與工具的“專家”智能體并行處理，有效過濾干擾信息。這三項功能共同構建了一套讓AI能獨立、高效完成復雜工作的基礎設施。結合與SpaceX的合作及用戶調(diào)用限額的提升，Anthropic正致力于推動AI從輔助工具向自主工作主體的轉變。

#Claude夢境反思 #AI自我升級 #多智能體協(xié)作 #自主工作流 #Anthropic

閱讀更多：

https://claude.com/blog/new-in-claude-managed-agents

中科院發(fā)布類腦大模型瞬悉2.0

中國科學院自動化研究所李國齊、徐波團隊近日推出類腦脈沖大模型“瞬悉2.0”（SpikingBrain2.0-5B），旨在破解傳統(tǒng)Transformer模型在長序列處理和高能耗部署上的核心瓶頸。該模型引入了雙空間混合稀疏注意力（Dual-Space Sparse Attention, DSSA，一種結合塊級稀疏計算與壓縮狀態(tài)表征的類腦記憶機制）和雙路徑激活值編碼策略（支持工業(yè)GPU的FP8低比特路徑與面向神經(jīng)形態(tài)芯片的INT8-脈沖路徑）。僅需32張A100顯卡、9天時間（訓練數(shù)據(jù)量從上一代的1500億token降至140億token），瞬悉2.0即可完成對主流模型（如Qwen3）的持續(xù)預訓練，綜合性能與強基線比肩，且超過上一代7B版本。

在長序列效率方面，瞬悉2.0在400萬token長度下首token生成時延（Time to First Token，模型輸出第一個字符的等待時間）相比Qwen3提升10.13倍，F(xiàn)P8量化路徑下提速達15.13倍。同時，其整數(shù)-脈沖化編碼路徑精度損失僅0.69%，脈沖稀疏度高達64.3%，有望使類腦芯片面積減小70.6%、功耗降低近50%。該模型還支持長達1000萬token的推理（8卡A100），并兼容多模態(tài)版本（瞬悉2.0-VL）。團隊為低功耗端側部署和神經(jīng)形態(tài)計算提供了高性價比方案，驗證了類腦機制與高效架構結合的廣闊前景。

#類腦大模型 #瞬悉2.0 #長序列AI #低功耗部署 #脈沖神經(jīng)網(wǎng)絡

閱讀更多：

https://arxiv.org/abs/2604.22575

AI 驅動科學

QIMR團隊首創(chuàng)可解釋AI篩查模型，精準鎖定隱藏癌細胞特征

常規(guī)病理染色法無法揭示組織分子活性，現(xiàn)有深度學習模型亦缺乏可解釋性。Xiao Tan和Quan Nguyen等（QIMR Berghofer醫(yī)學研究所等）開發(fā)了人工智能篩查工具STimage，能從標準病理圖像中準確預測空間基因表達和細胞類型，為診斷提供透明且可靠的分析結果。

? 組織樣本空間分析（左圖）和標準 H&E 染色圖像（右圖）。Credit: QIMR Berghofer Medical Research Institute

該研究構建了一種名為STimage的概率深度學習框架。該模型首先對組織學圖像進行預處理和特征提取，隨后利用負二項式層輸出預測結果。為提高工具的魯棒性，研究引入了不確定性量化機制，能夠同時評估數(shù)據(jù)固有和模型自身的誤差幅度。此外，系統(tǒng)還集成了局部可解釋模型無關解釋（LIME，一種使機器學習預測過程可視化的技術）算法，在單細胞分辨率級別提供直觀的病理學依據(jù)。研究人員使用包含乳腺癌、皮膚癌、腎癌以及原發(fā)性硬化性膽管炎的去標識化數(shù)據(jù)集對工具進行驗證。結果顯示，STimage在預測準確度上顯著優(yōu)于現(xiàn)有的多種空間分析模型。它不僅能根據(jù)組織微環(huán)境中的分子模式生成具有生物學支撐的疾病預測，還能準確評估患者的生存風險，并預測其對各類現(xiàn)有藥物的臨床反應。研究發(fā)表在 Nature Communications 上。

#疾病與健康 #預測模型構建 #數(shù)字病理學 #空間轉錄組學 #人工智能

閱讀更多：

Tan, Xiao, et al. “Robust and Interpretable Prediction of Gene Markers and Cell Types from Spatial Transcriptomics Data.” Nature Communications, vol. 17, no. 1, Jan. 2026, p. 1781. www.nature.com, https://doi.org/10.1038/s41467-026-68487-0

外科醫(yī)生的新搭檔：因果AI驅動下的半自主醫(yī)療機器人圖景

人工智能手術機器人能否徹底改變外科手術并在手術室中安全發(fā)揮作用？Alejandro Granados和Prokar Dasgupta等研究人員（倫敦國王學院等）深入分析了人工智能增強型手術機器人的發(fā)展及其對臨床實踐的深遠影響，指出該技術有望實現(xiàn)個性化手術并重塑團隊角色，但前提是必須解決伴隨而來的倫理與監(jiān)管等關鍵挑戰(zhàn)。

研究團隊全面評估了下一代具身人工智能手術機器人的發(fā)展現(xiàn)狀與未來趨勢。結果表明，未來整合了視覺-語言-動作模型和因果AI的機器人系統(tǒng)，不僅能進行空間理解和自適應學習，還能在手術中途為團隊提供實時決策支持。隨著機器人的自主性不斷提升，它們將從單純的手術工具轉變?yōu)槿祟愒诃h(huán)（human-in-the-loop，系統(tǒng)在自主運行過程中始終保留人類監(jiān)督與干預節(jié)點的控制機制）的半自主伙伴。這使得外科團隊的角色發(fā)生重大重塑，外科醫(yī)生的職責將逐漸向監(jiān)督、協(xié)調(diào)與高層決策傾斜，護士和助理需掌握監(jiān)督機器人系統(tǒng)的新技能，團隊中還將新增臨床數(shù)據(jù)科學家等角色。研究強調(diào)，盡管人工智能潛力巨大，但外科醫(yī)生仍必須是最終決策者。此外，由于自適應系統(tǒng)具有獲批后持續(xù)學習和改變的能力，研究呼吁對現(xiàn)有的醫(yī)療技術監(jiān)管路徑進行全面改革，建立標準化的臨床試驗指標以及全球化的合作框架，從而防范數(shù)據(jù)集偏見并確保技術安全有效。研究發(fā)表在 Frontiers in Science 上。

#疾病與健康 #機器人及其進展 #具身智能 #外科團隊重塑 #監(jiān)管與倫理

閱讀更多：

Granados, Alejandro, et al. “Evolving Surgical Teams in the Age of Artificial Intelligence and Robotics.” Frontiers in Science, vol. 4, May 2026. Frontiers, https://doi.org/10.3389/fsci.2026.1783803

AI為AI造工具：自動研究循環(huán)演化出智能體專屬的機器學習庫

隨著智能體數(shù)據(jù)科學系統(tǒng)的發(fā)展，現(xiàn)有的為人類設計的統(tǒng)計分析工具已成為人工智能理解數(shù)據(jù)的瓶頸。為解決這種工具不匹配問題，微軟研究院和新加坡國立大學的Chandan Singh團隊開發(fā)了名為AGENTIC-IMODELS的自動研究循環(huán)框架，成功演化出專為大模型智能體設計的可解釋數(shù)據(jù)科學工具，顯著提升了系統(tǒng)的端到端分析能力。

研究團隊提出了一種自動研究循環(huán)（autoresearch loop），利用代碼智能體不斷迭代生成處理表格數(shù)據(jù)的回歸模型。評估環(huán)節(jié)引入了創(chuàng)新的基于大語言模型的可解釋性指標，重點測試模型字符串表示的“可模擬性”（simulatability，即大語言模型能否僅通過讀取文本輸出就準確推斷其行為）。實驗在65個數(shù)據(jù)集上展開，結果表明演化出的模型在預測性能和智能體可解釋性方面實現(xiàn)了帕累托改進（Pareto improvements，即在不犧牲某一指標的情況下全面提升其他指標），打破了傳統(tǒng)模型在兩者間的權衡困境。在BLADE基準測試中，配備這些新工具的智能體在處理真實數(shù)據(jù)分析任務時性能最高提升了73%。分析發(fā)現(xiàn)，這些模型之所以能被人工智能更好地理解，是因為其采用了硬性架構上限（如限制樹的深度）和獨立優(yōu)化的文本顯示策略。

#大模型技術 #自動化科研 #智能體 #可解釋機器學習

閱讀更多：

Singh, Chandan, et al. “Agentic-Imodels: Evolving Agentic Interpretability Tools via Autoresearch.” arXiv:2605.03808, arXiv, 5 May 2026. arXiv.org, https://doi.org/10.48550/arXiv.2605.03808

新AI算法賦予機器人無縫技能遷移能力

機器人在仿真環(huán)境與復雜多變的現(xiàn)實世界之間存在難以逾越的性能差距，這種不一致性嚴重制約了自動化系統(tǒng)的可靠部署。伯明翰大學的Jamie Hathaway與阿斯頓大學的Alireza Rastegarpanah等研究人員合作，成功開發(fā)出一種基于人工智能的新型訓練框架，使機器人能夠僅依賴極少的真實數(shù)據(jù)，將虛擬環(huán)境中學習到的復雜技能可靠地遷移并應用于現(xiàn)實任務中。

? 本文提出的框架概述如下。第一階段，利用切削力學仿真生成專家策略，并在仿真軌跡窗口上訓練變分自編碼器（VAE）。第二階段，利用 VAE 編碼的表示生成仿真數(shù)據(jù)集和真實數(shù)據(jù)集之間的配對，這些配對用作風格目標。最后，利用專家軌跡和生成的觀測窗口訓練學習器目標域策略。Credit: Scientific Reports (2026).

研究團隊將圖像處理領域中的神經(jīng)風格遷移（neural style transfer，一種通過提取和融合不同數(shù)據(jù)源的內(nèi)容與風格特征來合成新數(shù)據(jù)的生成技術）概念創(chuàng)新性地應用于機器人軌跡處理。研究人員首先利用變分自編碼器在仿真軌跡窗口上進行特征學習。隨后，利用該模型在無標簽的仿真數(shù)據(jù)集與真實數(shù)據(jù)集之間生成配對，并將其作為風格目標合成新的訓練觀測窗口。這種方法無需真實環(huán)境提供直接獎勵信號即可高效訓練強化學習策略。在機器人切割未知材料的實驗中，結果顯示，與傳統(tǒng)的基線模型相比，該框架僅需極少量現(xiàn)實數(shù)據(jù)便顯著縮短了任務完成時間并大幅提升了機器人的行為穩(wěn)定性。該技術對材料和幾何形狀的物理變化展現(xiàn)出強大的魯棒性，未來有望廣泛應用于核設施退役以及廢舊電池拆解等充滿高度不確定性的危險自動化任務中。研究發(fā)表在 Scientific Reports 上。

#AI驅動科學 #機器人及其進展 #強化學習 #神經(jīng)風格遷移 #自動化系統(tǒng)

閱讀更多：

Hathaway, Jamie, et al. “End-to-End Example-Based Sim-to-Real RL Policy Transfer Based on Neural Stylisation with Application to Robotic Cutting.” Scientific Reports, vol. 16, no. 1, Mar. 2026, p. 13240. www.nature.com, https://doi.org/10.1038/s41598-026-41735-5

AHE讓編程智能體實現(xiàn)線束全自動進化

編程智能體在復雜軟件工程任務中的表現(xiàn)高度依賴外部線束（harness，輔助模型與環(huán)境交互的系統(tǒng)組件），但純?nèi)斯ぴO計線束不僅耗時且難以跟上語言模型的迭代速度。為解決智能體線束難以自動進化的問題，Jiahang Lin、Shichun Liu、Chengjun Pan等人（復旦大學、北京大學、上海期智研究院等）提出了一種名為代理線束工程（Agentic Harness Engineering，簡稱AHE）的方法，成功實現(xiàn)了編程智能體線束的自動化與穩(wěn)定進化。

研究團隊將線束優(yōu)化轉化為一個由另一智能體驅動的閉環(huán)過程，并基于三大可觀測性支柱進行設計。首先，組件可觀測性將復雜的線束解耦為七種文件級別的可編輯組件；其次，經(jīng)驗可觀測性通過軌跡蒸餾技術，將海量的原始運行數(shù)據(jù)提煉為結構化的證據(jù)語料，供進化智能體讀取；最后，決策可觀測性要求每次修改都附帶預測聲明，并在下一輪評估中進行驗證，一旦無效即在文件級別回滾。實驗結果顯示，AHE在Terminal-Bench 2基準測試中經(jīng)過10次迭代，將首選通過率（pass@1，指模型首次嘗試即成功完成任務的比率）從69.7%提升至77.0%，顯著超越了人類設計的基線以及其他自動化方法。此外，凍結后的AHE線束無需重新進化，即可直接遷移至SWE-bench-verified任務中，且能跨越三種不同的語言模型家族實現(xiàn)廣泛的性能提升。消融實驗進一步證實，性能提升主要源于工具、中間件和長期記憶等非文本層面的結構優(yōu)化，而非單純的系統(tǒng)提示詞修改。

#大模型技術 #自動化科研 #智能體系統(tǒng) #自動進化 #線束工程

閱讀更多：

Lin, Jiahang, et al. “Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses.” arXiv:2604.25850, arXiv, 30 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.25850

從單步預測到自主進化：跨學科視角下的世界模型演進路線圖

隨著人工智能系統(tǒng)從文本生成向目標驅動交互演進，環(huán)境動態(tài)建模即世界模型成為核心瓶頸，但各學科對其定義存在嚴重分歧。Meng Chu和Xuan Billy Zhang等（香港科技大學、新加坡國立大學等）提出了一種全新的能力交叉法則的二維分類框架，成功將自然語言處理、計算機視覺、強化學習與科學發(fā)現(xiàn)等孤立研究領域的四百余項相關研究進行了概念統(tǒng)一。

研究團隊為代理世界模型建立了一個獨立于具體實例化形式的理論框架。在橫向上，研究者將模型運作環(huán)境抽象為物理、數(shù)字、社會和科學四大法則體系。在縱向上，團隊基于部分可觀察馬爾可夫決策過程（POMDP，一種模擬代理在不完全信息下進行決策的數(shù)學概率模型）嚴格定義了三個能力層級：L1預測器（Predictor，僅依靠隱狀態(tài)推理和觀測解碼實現(xiàn)單步局部預測）；L2模擬器（Simulator，支持多步且以動作為條件的軌跡展開，并滿足長期一致性與特定領域的法則約束）；L3進化者（Evolver，具備完整的閉環(huán)診斷機制，能在預測持續(xù)失效時基于新收集的真實環(huán)境證據(jù)自主修正模型的底層架構與運行規(guī)則）。研究結果揭示了現(xiàn)有生成式系統(tǒng)多停留在L1或L2階段，并指出未來實現(xiàn)L3級系統(tǒng)不僅需要隱空間動態(tài)模型作為基礎腳手架，更依賴明確且可自主修改的符號或結構化表征。該綜述還提出了以決策為中心的評估原則，為評估多模態(tài)代理系統(tǒng)的長期規(guī)劃能力指明了方向。

#大模型技術 #跨學科整合 #代理人工智能 #世界模型 #強化學習

閱讀更多：

Chu, Meng, et al. “Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond.” arXiv:2604.22748, arXiv, 24 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.22748

減少47%無效調(diào)用，新型框架讓大型推理模型學會適時檢索

針對推理模型極易產(chǎn)生長鏈事實幻覺且難以適配現(xiàn)有檢索系統(tǒng)的問題，Dongxin Guo、Jikun Wu與Siu Ming Yiu（香港大學等）開發(fā)出ReaLM-Retrieve框架，成功實現(xiàn)動態(tài)知識注入。

研究團隊設計了名為ReaLM-Retrieve的自適應框架，其核心創(chuàng)新在于推理步級別的不確定性檢測。相較于傳統(tǒng)的詞元級觸發(fā)，該方法引入了推理步不確定性得分（Reasoning Step Uncertainty Score，一種結合口語化置信度、實體熵和一致性信號以精準定位邏輯推演知識缺口的綜合度量）。隨后，團隊通過強化學習訓練出干預策略，以自主決定檢索時機與查詢構建。為降低長文本交互開銷，研究采用隱式壓縮（implicit compression，提取高相關性句子縮減上下文）與推測性緩存（speculative caching，基于已檢出實體預測并提前執(zhí)行下一步檢索）機制，并在開源模型中保留鍵值緩存。實驗表明，在三個多跳問答基準測試中，該方法相較標準檢索平均絕對提升了10.1%的F1得分；在極具挑戰(zhàn)的MuSiQue數(shù)據(jù)集中，單題平均僅需1.8次檢索即可達71.2%的F1得分，比固定頻率檢索減少47%的調(diào)用，單次檢索耗時更降低3.2倍。研究發(fā)表在 Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval 上。

#大模型技術 #意圖與決策 #檢索增強生成 #信息檢索 #自適應檢索

閱讀更多：

Guo, Dongxin, et al. “When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models.” 29 Apr. 2026. arXiv.org, https://doi.org/10.1145/3805712.3809722

協(xié)同進化的大模型決策與技能庫智能體突破長期任務瓶頸

針對大語言模型在長期交互任務中難以自主發(fā)現(xiàn)和復用技能從而導致決策不連貫的問題，馬里蘭大學和南加州大學等機構的Xiyang Wu和Zongxia Li等研究團隊提出了一種名為COS-PLAY的協(xié)同進化框架。該成果成功讓大語言模型在單人游戲中實現(xiàn)了超過百分之二十五點一的性能提升，并顯著增強了技能的長效復用能力。

為了探究決策模型與技能庫聯(lián)合學習的效果，研究團隊構建了包含決策智能體（Decision Agent，即負責環(huán)境交互與動作生成的大模型模塊）和技能庫智能體（Skill Bank Agent，即負責處理經(jīng)驗并提煉可復用模塊的后臺程序）的雙軌框架。在執(zhí)行任務時，決策智能體會根據(jù)當前狀態(tài)和內(nèi)部意圖狀態(tài)（intention state，即智能體對環(huán)境的內(nèi)部戰(zhàn)略解釋與戰(zhàn)術聚焦）從動態(tài)技能庫中檢索合適的結構化技能（structured skills，即包含前提條件和執(zhí)行計劃的可復用行為模塊），并據(jù)此生成具體操作。同時，技能庫智能體會對未標注的交互軌跡進行無監(jiān)督的分割，提取新的可復用技能，并學習技能契約（skill contracts，即執(zhí)行特定技能后預期的環(huán)境狀態(tài)變化規(guī)律）。通過組相對策略優(yōu)化，兩個智能體形成閉環(huán)協(xié)同進化。實驗在六個需要多步推理的游戲環(huán)境中展開，結果表明，使用8B參數(shù)基礎模型的COS-PLAY框架在單人游戲中比四種前沿大語言模型基線的平均獎勵大幅提高，并在多人社交推理任務中保持了極強的競爭力。這種從自身經(jīng)驗中自動提煉并維護技能庫的機制，極大改善了模型在復雜環(huán)境中的長期控制和適應能力。

#大模型技術 #意圖與決策 #智能體開發(fā) #強化學習 #長期決策

閱讀更多：

Wu, Xiyang, et al. “Co-Evolving LLM Decision and Skill Bank Agents for Long-Horizon Tasks.” arXiv:2604.20987, arXiv, 22 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.20987

突破文本長度瓶頸：OCR-Memory實現(xiàn)智能體長周期視覺記憶提取

針對智能體難以無損存儲海量歷史文本的瓶頸，香港大學、北得克薩斯大學等機構的Jinze Li、Yang Zhang等人提出基于視覺模態(tài)的記憶框架。該系統(tǒng)將文本軌跡轉為圖像提取，大幅提升了任務成功率。

此項研究采用光學上下文檢索記憶（OCR-Memory，將文本歷史轉為視覺圖像以節(jié)省空間的高效存儲系統(tǒng)）架構。研究者運用定位并轉錄（locate-and-transcribe，掃描圖像預測錨點索引直接提取原文而非生成文本）范式，從渲染圖像中精確檢索信息。系統(tǒng)引入動態(tài)策略模擬人類記憶衰退，將舊記錄壓縮為低分辨率縮略圖，并在命中時觸發(fā)主動回憶升采樣（Active Recall Upscaling，命中檢索時自動恢復圖像高保真細節(jié)）機制。實驗顯示，在AppWorld智能體基準測試中，該方法取得58.1%的平均成功率。在極嚴格的1024詞元限制下性能依然穩(wěn)健，并徹底消除幻覺現(xiàn)象。在高達32000詞元的上下文大海撈針測試中，檢索準確率維持在94.1%，視覺詞元壓縮率超十倍。

#大模型技術 #意圖與決策 #長周期智能體 #多模態(tài)記憶

閱讀更多：

Li, Jinze, et al. “OCR-Memory: Optical Context Retrieval for Long-Horizon Agent Memory.” arXiv:2604.26622, arXiv, 29 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.26622

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(jīng)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(jīng)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(tǒng)，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。