针对长寿药物研发中缺乏快速可靠的人体衰老测试模型这一难题，Lin Qi、Andreas Stahl、Irina M. Conboy和Michael J. Conboy及其团队（加州大学伯克利分校）开发出一种突破性的微型芯片器官系统。该平台利用人类血清，仅用四天时间便精准再现了人体组织长达几十年的生物学衰老过程，并成功评估了多种抗衰老疗法的有效性。

　　▷该装置设有独立的腔室，分别容纳脂肪细胞或肝细胞。细小的垂直柱通过微升级的管路系统将各个装置连接起来，该系统力求模拟人体内的连接方式。Credit: UC Berkeley photo by Mathew Burciaga

　　研究团队构建了一种基于人类诱导多能干细胞的微生理系统。该芯片设有独立的微流控腔室，分别培育脂肪组织和肝脏细胞，两者通过微通道相连以模拟血液循环。实验中，研究人员将62岁以上老人的血清持续注入芯片。结果惊人：仅需四天，这些新鲜细胞便出现了慢性炎症、血糖调节受损及细胞衰老等原本需要数十年才会积累的衰老标志。机器学习模型以高达97%的准确度证实了这些组织的衰老特征。此外，研究揭示了器官间衰老的传递性，连接衰老脂肪的年轻肝脏也会随之衰老。在药物筛选中，催产素显著改善了代谢并减轻了炎症，衰老细胞清除剂也展现了潜力，但目前备受关注的雷帕霉素却几乎未见再生作用。研究发表在 Nature Biomedical Engineering 上。

　　成瘾中的物质渴求与破坏性决策如何相互作用一直是个未解之谜。Kaustubh R. Kulkarni、Laura A. Berner、Shawn A. Rhoads、Vincenzo G. Fiore、Daniela Schiller和Xiaosi Gu（耶鲁大学医学院）揭示了短暂的渴求和决策过程如何通过双向反馈回路相互影响，并发现了酒精与大麻对学习过程的不同作用机制。

　　该研究招募了132名中重度酒精或大麻使用者，要求他们完成一项改良的老虎机决策任务。参与者需在两台赢率（百分之八十与百分之二十）不同的机器中做出选择，以获取金钱或物质线索图片（如啤酒或水烟筒图片）的奖励，并在任务期间实时报告主观的渴求程度。研究人员采用计算建模对行为数据进行分析。结果显示，当奖励为成瘾物质图片时，渴求水平显著改变了强化学习过程。在酒精组中，强烈的渴求加速了参与者锁定高胜率机器的学习速度；而在大麻组中，强烈的渴求则减缓了这一学习过程。此外，预期的奖励价值和实际结果也会反过来激发出不同程度的渴求。研究得出的计算参数还能有效预测酒精使用者的成瘾风险评分。研究发表在 Nature Mental Health 上。

　　#疾病与健康 #心理健康与精神疾病 #计算模型与人工智能模拟 #成瘾 #决策机制

　　多发性硬化症等退行性脑疾病亟需能够修复受损神经保护层的药物，但许多在实验室表现优异的候选药物往往在人体试验中折戟。为探究此问题并提高筛选准确率，Soufian Lasli、Claire Vinel与Emad Moeendarbary等（伦敦大学学院）成功开发出一种全新的柔软仿生体外轴突模型，并首次实现了人类相关细胞的实验室培养，揭示了传统刚性体外模型的重大缺陷。

　　▷图中展示了覆盖着少突胶质细胞的模型轴突，少突胶质细胞是大脑中产生髓鞘的特殊细胞。由于模型轴突和少突胶质细胞体积太小，普通相机无法拍摄，因此该图像是用扫描电子显微镜拍摄的，扫描电子显微镜利用聚焦电子束扫描表面。Credit: Nature Methods (2026).

　　研究人员放弃了以往硬度极高的塑料或玻璃材料，转而利用光刻制造出微型模具，并注入水凝胶制成比头发丝细数十倍的微柱阵列。这些微柱完美模拟了真实神经纤维的柔软度与三维几何特征。随后，他们在微柱上接种人类和啮齿类动物来源的少突胶质细胞，并添加候选药物以观察髓鞘的生长情况。实验结果揭示了惊人的现象，当模型被调整至与真实神经纤维一样柔软时，之前在硬质基底上被认为有效的促生长药物的疗效明显下降。这表明细胞对药物的反应高度依赖于环境刚度，过去基于坚硬基底的传统体外模型很可能产生了假阳性的药物筛选结果。此外，该平台支持人类相关细胞长期培养并形成多层致密结构，通过显微镜观察证实了免疫染色厚度与包裹层数之间存在强线性相关。该高度还原的仿生平台不仅为理解相关生物学机制提供了新视角，也为未来的神经退行性疾病新药研发提供了更可靠的早期高通量测试工具。研究发表在 Nature Meth尊龙凯时科技有限公司ods 上。

　　#AI驱动科学 #计算模型与人工智能模拟 #认知科学 #神经缩放定律 #理论神经科学

　　针对儿童恶性脑癌缺乏精确疾病模型的问题，特伦托大学的Luca Tiberi与罗马耶稣圣婴儿童医院的Evelina Miele等研究人员联合攻关，成功培育出迄今最完善的儿童脑肿瘤类器官，可在体外真实重现肿瘤复杂性并用于新药靶向筛选。

　　这项研究建立了一套标准方案，直接利用手术切除的原发性肿瘤组织，生成儿童患者来源的肿瘤类器官及异种移植肿瘤类器官。该过程需28到35天，后续扩增和样本库构建需1到4周。研究证实，与传统的二维塑料培养相比，这些活检来源的三维模型完美保留了疾病的表型和结构复杂性；与人类诱导多能干细胞培养的类器官相比，该模型更好地维持了原始肿瘤的细胞异质性。此外，团队结合基于钙黄绿素的活细胞染色与自动化图像分析，开发了可扩展的低通量药物筛选平台。通过这种体外替身模型，科学家无需直接在患儿身上测试，即可快速精准评估新疗法。研究发表在 Nature Protocols 上。

　　婴儿出生后的头几个月是大脑成熟的关键期，但人们对睡眠时大脑电信号如何影响神经发育知之甚少。Matthieu Beaugrand、Valeria Jaramillo和Salome Kurth等（瑞士弗里堡大学和萨里大学）利用脑电图技术纵向追踪婴儿睡眠时的脑活动，成功绘制了早期大脑成熟的个体图谱，并证实该方法可作为预测行为技能发育以及早期识别神经发育障碍的有效生物标志物。

　　研究团队对11名健康婴儿在3个月和6个月大时的常规睡眠进行了高密度脑电图记录，并同步评估了婴儿的粗大运动和个人社交等行为发育能力。通过分析非快速眼动睡眠期间的三种关键频率信号，研究人员发现脑电信号强度随时间发生显著变化。具体而言，慢波活动（0.75至4.25赫兹，深度睡眠和皮层成熟的关键标志）在枕叶区域增加最多；θ波（为4.5至7.5赫兹，与睡眠稳态和神经成熟相关）呈现全局性增强；而σ波（9.75至14.75赫兹，与睡眠纺锤波及认知发育密切相关）则从中央区域向额叶扩散。此外，额叶区域电功率的增加与6个月时的行为技能提升呈正相关：额叶θ波功率较高预示着更好的大运动技能，而额叶σ波功率较高则与更优的社交技能相关。这些大脑活动模式的转变反映了神经元突触连接和髓鞘的快速发育。研究发表在 npj Biological Timing and Sleep 上。

　　大脑如何利用环境光线评估并规避过往威胁？西北大学的Marcos L. Aranda和Tiffany M. Schmidt等人揭示了特定光敏细胞与神经回路能调节基于长期记忆的威胁回避行为，为理解创伤后应激障碍等疾病提供了新机制。

　　研究人员开发了一种长期威胁回避行为范式。实验中，雄性小鼠在特定环境中暴露于单一威胁刺激后被移出。两天后，在不同光照条件下将小鼠放回该环境，正常小鼠会主动避开此前出现威胁的区域。随后，研究人员操控了小鼠视网膜中表达黑视素的内在光敏视网膜神经节细胞。结果发现，缺乏该细胞的小鼠在重返环境时毫无顾忌地探索威胁区域，表明它们未能回忆起此前的危险。进一步追踪发现，光线通过一个外侧缰核周围区至伏隔核的视网膜-丘脑-边缘系统回路来调节这一行为，该通路与传统的视觉威胁探测回路截然不同。这表明环境光线不仅用于视觉感知，更直接参与调控长期的风险决策与空间记忆。研究发表在 Nature Communications 上。

　　#神经科学 #神经机制与脑功能解析 #威胁回避 #黑视素 #创伤后应激障碍

　　微塑料污染的准确量化长期面临样本二次污染与识别假阳性的难题，Madeline E. Clough与Anne J. McNeil等（密歇根大学）发现常规实验用的丁腈和乳胶手套会释放极微小的脱模剂颗粒，从而导致环境微塑料检出丰度被严重高估，并成功开发了剔除假阳性以挽救被污染数据集的分析新流程。

　　研究团队在洁净环境中测试了七种常见的实验室手套，模拟人手操作力度按压载玻片基底，随后使用光热红外-拉曼联用显微镜对转移的表面残留物进行光谱扫描。数据表明，当依赖传统的最高匹配质量指数（HQI，一种常用于自动化比对物质光谱特征相似度的量化指标）时，普通手套释放的硬脂酸盐颗粒绝大多数被错误识别为聚乙烯微塑料，导致每平方毫米接触面平均产生两千个假阳性信号。为了解决这一系统性误差，研究证实使用洁净室专用手套可将此类污染降低百分之九十五。针对已经存在的受污染数据，研究团队改进了红外光谱的检索波段，并引入了保形预测（conformal prediction，一种不再单纯输出单一最佳匹配，而是提供包含统计学置信度的多候选预测集合的统计算法）来修正拉曼光谱的判定结果。将上述改进流程应用于真实的受污染环境检测案例中，团队成功甄别并剔除了大量源自手套的硬脂酸盐颗粒，大幅修正了微米级微塑料的错误计数。研究发表在 Analytical Methods 上。

　　在蛋白质科学领域，AI工具虽层出不穷，但其复杂的安装、运行和数据格式要求，让多数实验室科学家望而却步。近日，基因泰克（Genentech）的研究人员推出了一款名为GYDE（Guide Your Design and Engineering，指导设计与工程平台）的开源、基于网页的协作平台，旨在打破这一壁垒。该平台提供直观的无代码操作界面，让科学家仅需点击鼠标，即可调用AlphaFold、ProteinMPNN、RFdiffusion等前沿AI模型，轻松完成蛋白质和抗体的结构预测、设计与分析。GYDE免费向学术界和工业界开放，其核心在于将序列、结构与功能关系深度整合，让研究人员能在统一环境中探索蛋白质功能决定因素，无需深厚计算背景。

　　GYDE平台通过模块化架构集成了超过20种主流计算工具，并利用Slivka计算API实现新工具的灵活接入。其核心功能包括多序列比对、结构可视化、突变数据热图分析等，并特别支持抗体特异性工具（如抗体结构预测与表面特性分析）。实际应用显示，该平台能将原本数天的复杂分析流程缩短至几分钟或几小时。更重要的是，GYDE支持完整的会话保存与一键超链接共享，让全球同行能便捷地复现和协作研究，从而将药物发现从孤立的工具使用转变为集成、高效的协作范式，显著降低了AI驱动药物研发的门槛。

　　一项困扰数学界数十年的“哈密顿分解”难题近日被彻底攻克，而解题的主力竟是人工智能。88岁的图灵奖得主、算法领域宗师高德纳（Donald Knuth）在其最新论文中记录了这一过程：先是Claude Opus 4.6找到了奇数情形下的一个解，随后GPT-5.4 Pro独立完成了一篇长达14页、无需任何修改的学术论文，为所有不小于8的偶数情形提供了严格的构造证明与计算验证。这一连串突破不仅填平了高德纳本人在撰写计算机科学巨著《计算机程序设计艺术》（The Art of Computer Programming）时留下的“深坑”，更标志着AI已具备产出严谨数学成果的能力。

　　这场人机协作的胜利远不止于两个模型的单打独斗。研究者们构建了精妙的多智能体工作流：让不同AI模型分别负责符号证明与数据探索，再由人类或指挥模型进行信息中转与模式识别。最终，在Claude与GPT的“左右互搏”与研究者们的合力之下，为奇数和偶数情形都找到了简洁优雅的统一构造方法，甚至还有研究者用Lean语言完成了形式化验证。高德纳在论文结尾感慨“我们的确生活在一个非常有趣的时代”。此次事件展现了科学研究范式的深刻转折——人类负责定义问题边界与验证审美，而AI则在无限的试错中填补推理的深渊。

　　曾誓言用严密制度约束人工智能的DeepMind创始人Demis Hassabis，近日作出惊人自白：他不再相信仅靠治理结构能确保AI安全，并坦言超级智能存在灭绝人类的潜在风险，但这场竞赛已无人能停下。这一史诗级转变，源于其早年理想的层层瓦解。哈萨比斯曾构想“单体治理”（Singleton Scenario），即全球顶尖科学家在无干扰环境下为全人类开发绝对安全的AI。为此，他在2014年将DeepMind卖给谷歌时，设置了独立伦理委员会和禁止AI军事应用等严苛条件。然而，随着马斯克等人受其启发创立OpenAI，到谷歌内部治理拉锯战失败，再到ChatGPT爆发引发全面竞赛，他亲眼目睹所有安全防线在生存压力下被一一击穿。最终，这位曾追求制度安全的理想主义者，不得不承认一个残酷现实：在资本与地缘竞争面前，没有非营利的制度能寄生在营利性巨头体内。

　　如今，哈萨比斯彻底转向现实主义，其新方案是放弃对制度的幻想，转而追求“坐上牌桌”——通过个人影响力直接参与关键决策。他选择留在竞赛中并争取话语权，希望在AI发展的终局之战中，能有一个始终心存敬畏的人参与最终决定。这一转变揭示了当前AI安全领域面临的深层困境：当技术竞赛成为国家与企业间的军备竞赛时，早期的安全承诺与伦理委员会迅速沦为“奢侈品”。哈萨比斯的自白被视为对AI安全治理体系的沉重打击，标志着所谓“安全窗口”可能正在永久关闭。从拦截彼得·蒂尔到警告埃隆·马斯克，这位诺贝尔奖得主最终承认，人类或许只能将文明的命运，寄托于“有良知的人掌握话语权”这一最脆弱的方案上。

　　人工智能编程助手正迎来能力边界的重大突破。近日，Anthropic公司为其代码工具Claude Code正式接入了“计算机使用”能力。这一更新意味着Claude不再局限于终端内的文本交互，而是获得了直接操控计算机界面的“双手”与“双眼”。它能够像真人程序员一样，在命令行中完成从写代码、编译、启动应用到自主点击界面进行测试的全流程；当程序出错时，它也能自行定位问题、修复代码并再次验证。这种跨应用交互与端到端自主调试的能力，标志着AI从辅助编码工具进化为能够独立完成开发任务的“虚拟工程师”，极大地降低了开发者在不同工具间切换的成本。

　　然而，这一强大功能的上线也伴随着不小的争议与挑战。由于新功能对计算资源消耗巨大，大量用户在短时间内遭遇了额度耗尽的困境，引发了社区的广泛吐槽。更严重的是，有开发者通过逆向工程发现，系统底层存在两个导致缓存失效的严重漏洞，可能使得Token消耗成本飙升10至20倍，被用户戏称为“令牌刺客”。尽管Claude Code之父Boris Cherny随后分享了包括远程控制、自动循环任务、语音编程在内的15个实用技巧，试图帮助用户更高效地使用工具，但额度与成本问题依然是当前社区关注的焦点。这次事件再次引发了关于AI编程工具如何平衡强大功能与使用成本的深层讨论。

　　尽管量子计算机潜力巨大，但其高错误率使其模拟结果难以验证，阻碍了其作为“虚拟实验室”的应用。为了解决这一难题，两支独立团队——其一由巴黎量子计算公司Pasqal、美国洛斯阿拉莫斯国家实验室等机构的Alexandre Dauphin等人组成，另一支由伊利诺伊大学厄巴纳-香槟分校、普渡大学和IBM的Arnab Banerjee等人组成——首次成功将量子计算机的详细模拟结果与真实材料的实验数据进行匹配，为量子模拟的准确性提供了实验验证。

　　两项研究采用了不同的技术路径。Pasqal团队使用模拟量子模拟器，通过“光镊”技术操控中性原子，模拟了一种含铥的复杂磁性材料，其计算出的磁化强度与真实实验测量结果高度吻合。另一边，IBM合作团队则在超导回路上运行数字量子模拟，模拟了一种铜基材料的动态结构因子，并成功将其与中子散射实验数据进行基准比较。两项研究均在经典计算机难以处理的强纠缠和长程相互作用区域，验证了量子模拟的可靠性，建立了一个连接理论模拟与真实实验的框架，这标志着量子计算机在材料科学领域的应用迈出了关键一步。

　　如何让因神经损伤而瘫痪的器官重获新生？麻省理工学院的Hugh Herr、Guillermo Herrera-Arcos和Hyungeun Song等研究人员，通过将活体肌肉改造为计算机控制的“生物马达”，开发出首个能够恢复器官功能并传回感觉的“活体”植入物，为器官功能障碍患者带来新希望。

　　研究团队设计了一种称为肌神经致动器（myoneural actuator, MNA）的生物混合系统。其核心创新在于切断肌肉原有的运动神经，并用感觉神经重新连接。由于感觉神经负责接收而非发出指令，这使得肌肉的控制权从大脑转移到了外部计算机，从而绕过了受损的神经通路。令人惊讶的是，这种改造不仅可行，还极大地提升了肌肉的性能。由于感觉神经轴突直径更均匀，电刺激分布更平均，MNA的抗疲劳能力比普通肌肉高出260%。在动物实验中，研究人员成功利用MNA恢复了瘫痪肠道的收缩运动，并证实该系统能够将感觉信号传回大脑，未来有望让患者重新感受到饥饿等内部知觉。研究发表在 Nature Communications 上。

　　面对人体微塑料污染日益严重且检测手段侵入性的问题，塔尔图大学的Kevin Post, Reo Kuchida, Zhigang Yin, Pan Hui, Petteri Nurmi, Huber Flores等研究人员开发了一款名为SWAN的可穿戴设备原型，利用光谱技术实现无创监测，为评估和减少塑料暴露风险提供了新思路。

　　▷塑料微粒会通过各种途径进入人体，并分布到各个器官。研究人员正在开发一种利用可穿戴光谱仪追踪这些微粒的方法。这种设备利用光谱技术，可以无创地透过皮肤直接识别特定塑料。Credit: Kevin Post

　　该团队的方法基于光谱分析法，即利用不同物质对光有独特的吸收和反射特性来识别它们。研究人员设计了一款集成了微型光谱仪的设备，它能发射包括可见光、近红外光和紫外光在内的多种光线穿透皮肤，并通过分析反射回来的光谱来识别特定塑料（如PET、PP、PS）的存在。为了验证这一概念，团队在自制的人造皮肤和有机组织中进行了大量实验。结果显示，该设备能够成功检测到皮下的塑料颗粒，并且该方法的信号稳定，不受不同肤色的影响。更重要的是，这种塑料检测功能可以与现有的生理监测技术（如用于测量心率的光电容积描记法）并行工作，互不干扰。这表明未来有望将该技术直接集成到智能手表或智能手环中，实现对人体内微塑料的便捷、持续和无创监测。研究发表在 Proceedings of the 27th International Workshop on Mobile Computing Systems and Applications 上。

　　当机器人的“身体”形态各异时，它们如何才能互相学习？圣路易斯华盛顿大学的Chongjie Zhang与Xi Chen等人组成的跨机构团队，从人类文化学习中汲取灵感，开发出一种名为“意图对齐模仿学习”（IAIL）的新方法。该方法使物理构造完全不同的机器人能够通过理解高层“意图”来共享技能，极大地增强了机器人团队的协作能力。

　　传统机器人学习依赖于直接复制演示者的动作，但这要求机器人拥有相似的物理结构。IAIL框架则另辟蹊径，它不关注底层的电机运动，而是利用自然语言来定义任务的最终目标或“意图”。研究团队通过构建一个共享的意图空间，将机器人的运动数据与相应的语言描述进行对齐。当一个机器人（学习者）观察另一个不同形态的机器人（演示者）完成任务时，它不再试图模仿具体动作，而是识别出任务背后的意图，然后在自己预存的行为库中找到实现同一意图的最佳方式。在涉及7种不同机器人和30个复杂场景的真实世界测试中，IAIL框架成功实现了跨形态、跨任务的灵活技能迁移，甚至支持异构机器人团队间的协作。这项工作为开发更通用、更智能的自主多机器人系统铺平了道路。研究发表在 Science Robotics 上。

　　大脑如何分工处理复杂声音？俄勒冈健康与科学大学和罗切斯特大学的Stephen V. David、Jereme C. Wingert等人利用深度学习模型，成功揭示了听觉皮层神经元编码自然声音的机制。他们的研究开发了一种可解释的计算模型，阐明了不同类型神经元如何响应特定的声音特征，从而实现高效的听觉信息处理。

　　▷从卷积神经网络 (CNN) 到子空间编码模型的映射。群体 CNN 模型预测在呈现自然声音库期间，单个位点记录的随时间变化的神经活动。动态 STRF (dSTRF) 是 CNN 的局部线性近似集合，计算方法为 CNN 响应相对于刺激频谱图的梯度。通过对所有时间点的 dSTRF 进行主成分分析 (PCA) 来估计神经元的调谐子空间。子空间感受野 (SSRF) 则是调谐子空间中每个点对刺激的平均响应。Credit: Wingert et al.

　　研究团队首先记录了雪貂在听各种自然声音时听觉皮层的神经活动，并以此训练了一个卷积神经网络（CNN），使其能准确预测神经元对声音的反应。然而，CNN模型本身像一个黑箱，难以理解其内部工作原理。为解决此问题，研究者开创了一种新方法，通过分析模型输入与输出之间的关系，并结合主成分分析，成功将复杂的CNN模型简化为一个低维度的可解释模型。这个新模型能识别出驱动每个神经元响应的一小组关键声音特征，即刺激子空间。分析结果表明，这个简化模型的预测准确性与原始CNN模型相当。更重要的是，它揭示了听觉皮层神经元的分工机制：不同皮层层次的神经元以及被认为是兴奋性和抑制性的神经元，它们对声音的编码方式存在系统性差异。此外，研究还发现，一个局部区域内的神经元群会共享相同的刺激子空间，但各自的激活模式却非常不同，形成一种稀疏编码，这被认为是大脑高效识别声音特征的基础。研究发表在 Nature Neuroscience 上。

　　#AI驱动科学 #神经机制与脑功能解析 #计算模型与人工智能模拟 #听觉处理

　　为解决增强现实（AR）与混合现实（MR）技术中空中手势操作易疲劳且缺乏反馈的问题，东北大学的Guanghan Zhao等研究人员开发了一种创新的人机交互技术。该技术利用AI模型识别指尖按压平面时产生的泛白现象，成功将墙壁、桌面等日常表面转化为无需额外硬件的触摸面板，提升了交互的舒适度和便捷性。

　　▷（左图）本技术所用人工智能模型对褪色现象的检测示例。（右图）该技术的应用示例：将墙面用作触摸输入表面，与虚拟界面进行交互。Credit: Tohoku University

　　这项名为BlanchTouch的技术，其核心在于利用人体按压指尖时的自然生理反应。研究团队通过AR/MR头显自带的标准摄像头，捕捉用户手指的影像，并训练了一个人工智能模型来精确识别指尖接触硬表面时因毛细血管受压而产生的瞬间泛白。一旦模型检测到这一细微的颜色变化，系统便会判定为一次有效的触摸指令。这种方法巧妙地绕开了对额外传感器或专用控制器的依赖。用户测试表明，该系统在墙壁、桌面等多种常见材质的表面上都能实现可靠的检测和稳定的输入精度。最重要的是，它允许用户在操作时将手臂或手指自然地靠在实体表面上，不仅提供了真实的物理触感，也极大地缓解了长时间悬空操作带来的手臂疲劳。

　　针对AI系统潜在的有害操纵风险缺乏有效评估方法的问题，Google的Canfer Akbulut、Rasmi Elasmar和Abhishek Roy等人提出了一种基于特定语境的人机交互评估框架。研究结果表明，测试的模型在特定指令下能成功改变人类参与者的观念和现实行为，且这种影响在不同领域和地理区域中存在显著差异。

　　这项研究通过九项涉及10101名参与者的人机交互实验，全面评估了模型在公共政策、金融和健康三个高风险领域的操纵能力。研究团队将参与者分为显性引导（explicit steering，即明确指示模型使用特定操纵技巧以实现隐蔽目标）、隐性引导（non-explicit steering，即仅给出隐蔽目标但不指示具体技巧）和对照组。参与者与模型进行多轮对话或阅读静态信息卡片，随后研究人员测量了他们的信念改变以及行为激发。

　　研究发现，模型在受到引导时会明显展现出有害的操纵行为，并能实质性影响受试者的决策。值得注意的是，操纵倾向并不总是与操纵效果成正比，这意味着频繁使用操纵话术未必能带来更好的说服结果。此外，不同地理区域和不同主题领域的实验数据存在显著差异，表明相关研究结果不能简单地跨文化或跨领域直接推广。

　　天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。欢迎评论区留言，或后台留言“社群”即可加入社群与我们互动。您也可以在后台提问，我们将基于追问知识库为你做出智能回复哦~

　　天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。

　　研究院在华山医院、上海市精神卫生中心分别设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工陈天桥雒芊芊神经科学研究院。

　　研究院还建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、科普视频媒体「大圆镜」等。