追問daily | 人們會認為AI生成的內容是自己原創的；看淡損失讓你更堅強

█ 腦科學動態

Science：新型短RNA分子可逆轉TDP-43蛋白聚集，有望攻克漸凍癥

大腦如何決定記憶的關聯與分離

腦控聽覺系統：嘈雜環境中的實時語音增強技術

大腦組胺系統如何影響我們的情緒與精神健康

咖啡因增強大腦抑制反應以優化觸覺處理

看淡損失讓你更堅強：腦掃描揭示心理韌性的神經基礎

█ AI行業動態

OpenAI豪擲40億美元成立部署公司，并推出AI網絡防御利器Daybreak

█ AI驅動科學

Science：人工智能在急診室真實病例診斷中擊敗人類醫生

人類難以準確回憶AI生成內容：混合人機協作極易引發記憶混淆

AI生成的抑郁癥圖像被指加劇刻板印象與污名化

新聞找上門還是偏見找上門？

混合AI架構打造可靠的“發現機器”

新型量子點發射器實現電信波段高相干光子高效發射

當AI設計蛋白質時，我們如何確保它沒有惡意？

語言模型在處理醫院結構化數據方面表現不佳

腦科學動態

Science：新型短RNA分子可逆轉TDP-43蛋白聚集，有望攻克漸凍癥

肌萎縮側索硬化癥等神經退行性疾病中，TDP-43蛋白異常聚集導致神經元死亡，目前缺乏有效療法。Katie E. Copley、James Shorter及團隊成員（美國賓夕法尼亞大學佩雷爾曼醫學院）發現了一類具有伴侶功能的短RNA分子，能夠有效阻止并逆轉TDP-43的病理性聚集，并在小鼠模型中展現出顯著的神經保護與修復作用。

研究團隊重點解析了Clip34和Malat1_start等短RNA分子的作用機制。體外實驗顯示，這些短RNA特異性結合TDP-43的RNA識別基序，通過變構作用削弱其朊病毒樣結構域（prion-like domain，蛋白質中極易發生異常折疊并引發同類蛋白聚集的特殊區域）的螺旋結構，從而促使蛋白質形成抗聚集的穩定構象。這種結合機制對野生型蛋白有效，且能克服多種疾病相關突變帶來的影響。在細胞實驗中，Malat1_start成功將巨大的致病聚集物重塑為安全的小型結構。在提取自患者的誘導多能干細胞衍生運動神經元中，這些短RNA成功促使致病蛋白重新返回細胞核，并恢復了依賴該蛋白的基因剪接功能。最終在小鼠脊髓病理模型中，治療組的細胞質內蛋白質聚集顯著減少，運動神經元大量存活。該成果為針對嚴重神經系統疾病的核酸藥物開發提供了全新理論基礎。研究發表在 Science 上。

#疾病與健康 #神經機制與腦功能解析 #肌萎縮側索硬化癥 #RNA療法 #TDP-43

閱讀更多：

Copley, Katie E., et al. “Short RNA Chaperones Promote Aggregation-Resistant TDP-43 Conformers to Mitigate Neurodegeneration.” Science, vol. 392, no. 6798, May 2026, p. eadv3301. science.org (Atypon), https://doi.org/10.1126/science.adv3301

大腦如何決定記憶的關聯與分離：前額葉皮層在防止錯誤記憶鏈接中的關鍵作用

大腦如何區分并組織相關的與無關的記憶，以防止產生像精神分裂癥患者那樣的錯誤記憶關聯？加州大學洛杉磯分校腦研究所（University of California, Los Angeles）的André F. de Sousa及其團隊發現，前額葉皮層在決定記憶是否相互關聯中發揮著關鍵的調控作用，揭示了大腦防止錯誤記憶整合并引導認知行為的特定神經通路。

? 海馬體中編碼兩種不同記憶的神經元。藍色：DAPI，紅色：mCherry（TRAP2），綠色：c-Fos（免疫組織化學）。Credits: Andre? F. de Sousa.

研究團隊通過小鼠行為學實驗揭示了該過程。小鼠被安排探索不同時間間隔或不同相似度的環境，研究人員利用微型顯微鏡）監測其腹內側前額葉皮層（vmPFC）的鈣離子活動。結果顯示，當小鼠間隔7天探索完全不同的環境時，vmPFC的活動顯著增強以促進記憶分離。團隊隨后利用化學遺傳學在小鼠探索新環境時抑制vmPFC。結果顯示這些小鼠錯誤地將間隔7天的無關記憶整合在一起，在環境B受電擊后，于安全的同類環境A中也表現出恐懼凍結反應。神經追蹤表明，vmPFC通過直接投射到內側內嗅皮層（MEC），調控背側海馬CA1區的神經膠質樣細胞，從而精確選擇哪些海馬神經元來編碼新記憶，防止不同事件被錯誤關聯。研究發表在 Nature Neuroscience 上。

#疾病與健康 #神經機制與腦功能解析 #心理健康與精神疾病 #前額葉皮層 #記憶鏈接

閱讀更多：

de Sousa, André F., et al. “The Prefrontal Cortex Controls Memory Organization in the Hippocampus.” Nature Neuroscience, vol. 29, no. 5, May 2026, pp. 1191–202. www.nature.com, https://doi.org/10.1038/s41593-026-02231-1

腦控聽覺系統：嘈雜環境中的實時語音增強技術

嘈雜環境中的目標語音識別是聽覺輔助技術面臨的核心難題。哥倫比亞大學的Vishal Choudhari和Nima Mesgarani團隊開發了一種實時的閉環腦控聽覺系統，該系統能根據用戶的神經信號動態增強其關注的對話，顯著改善了多說話者環境中的語音感知體驗。

? 這套聽覺系統通過監測該男子的腦電活動，根據他腦電波顯示他正在關注的對話，放大左側播放的對話，同時降低右側播放的對話音量。Credit: Vishal Choudhari / Mesgarani lab / Columbia's Zuckerman Institute

這項研究招募了四名植入顱內電極的患者。研究人員利用顱內腦電圖監測受試者聆聽重疊對話時的腦信號。系統通過線性回歸模型，利用高伽馬和低頻神經特征重建受試者關注語音的時間包絡（temporal envelope，聲波振幅隨時間變化的輪廓特征）。隨后，系統比對重建結果與環境語音，識別受試者的注意力焦點，并實時動態提升目標語音的音量。結果表明，該系統能準確跟蹤注意力，顯著提高了目標語音的清晰度。同時，受試者的瞳孔擴張幅度下降，證明聽覺認知負荷有效降低。受試者也一致偏好開啟該系統的聆聽體驗。這為未來的個性化聽覺輔助設備奠定了基礎。研究發表在 Nature Neuroscience 上。

#意識與腦機接口 #腦機接口 #聽覺增強 #聽力損失 #雞尾酒會效應

閱讀更多：

Choudhari, Vishal, et al. “Real-Time Brain-Controlled Selective Hearing Enhances Speech Perception in Multi-Talker Environments.” Nature Neuroscience, May 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-026-02281-5

大腦組胺系統如何影響我們的情緒與精神健康

組胺作為神經遞質在人腦功能和精神健康中的具體作用長期未得到充分解析。倫敦國王學院和波爾圖大學的Daniel Martins、Mattia Veronese、Daniel van Wamelen、Ling Shan、Oliver Howes、Adam Hampshire、Federico Turkheimer和Steven CR Williams構建了首個人腦多尺度組胺圖譜，揭示了組胺系統與大腦認知過程以及多種精神性疾病之間的深刻關聯。

? 紅色區域表示大腦中組胺相關基因表達較多的區域，藍色區域則相對較少。這些基因（HDC、HNMT、ALDH7A1、MAOB、HRH1、HRH2、HRH3、HRH4）在組胺信號傳導中發揮著多種作用，包括組胺生成（HDC）、組胺分解（HNMT）以及編碼組胺受體（HRH1、HRH2、HRH3、HRH4）。Credit: Nature Mental Health (2026).

該研究整合了轉錄組學和單細胞RNA測序數據，并結合正電子發射斷層掃描（PET）進行了系統分析。結果顯示，各類組胺受體在神經元中的分布具有高度特異性，其中HRH1和HRH2主要存在于興奮性神經元，而HRH3優先在抑制性神經元中表達。這一發現表明組胺在維持神經系統興奮與抑制的健康平衡中發揮著核心作用。在腦區分布上，組胺基因在額葉和邊緣系統中表達尤為活躍。通過與認知及臨床數據庫比對，研究人員發現這些高表達腦區不僅主導情緒調節、壓力響應和睡眠周期，還與重度抑郁癥、精神分裂癥和注意力缺陷多動障礙患者大腦中發生結構改變的脆弱區域高度重疊。該成果為開發直接靶向組胺系統的精神疾病創新療法提供了重要依據。研究發表在 Nature Mental Health 上。

#疾病與健康 #神經機制與腦功能解析 #心理健康與精神疾病 #神經遞質 #神經影像學

閱讀更多：

Martins, Daniel, et al. “Mapping Histamine Pathway Networks in the Human Brain across Cognition and Psychiatric Disorders.” Nature Mental Health, May 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s44220-026-00637-1

咖啡因增強大腦抑制反應以優化觸覺處理

典型劑量的咖啡因是如何影響大腦將觸覺信號與肌肉反應聯系起來的底層機制的？Camilla Carrozzo、Martina Cannazza等（丹麥奧胡斯大學醫院等）通過研究發現，咖啡因能顯著增強大腦過濾外來觸覺刺激并抑制過度肌肉反應的能力，從而幫助平穩控制動作。

研究招募了20名健康成年人開展隨機雙盲交叉試驗。參與者分別咀嚼含有200毫克咖啡因的口香糖或安慰劑口香糖。研究人員采用經顱磁刺激作用于受試者大腦的運動皮層，并使用兩種技術測量短潛伏期傳入抑制。第一種是使用固定磁脈沖測量肌肉抽搐幅度的常規振幅法，第二種是自動調節脈沖強度以維持恒定肌肉反應的閾值追蹤法。結果顯示，常規振幅法評估表明，咖啡因在刺激后19至21毫秒期間，顯著增強了大腦抑制肌肉反應的能力；而閾值追蹤法則未檢測到這種變化。團隊認為，咖啡因可能阻斷了腺苷受體，從而增加了乙酰膽堿水平。這為理解腦部疾病的病理生理學提供了新視角。研究發表在 Clinical Neurophysiology 上。

#疾病與健康 #神經機制與腦功能解析 #咖啡因 #神經調控 #感覺運動整合

閱讀更多：

Carrozzo, Camilla, et al. “The Effects of Caffeine on Short-Latency Afferent Inhibition Measured with Paired-Pulse Conventional and Threshold-Tracking TMS.” Clinical Neurophysiology, vol. 187, July 2026, p. 2111857. ScienceDirect, https://doi.org/10.1016/j.clinph.2026.2111857

看淡損失讓你更堅強：腦掃描揭示心理韌性的神經基礎

在權衡利弊時對損失的低估如何影響抗壓能力？凱澤斯勞滕-蘭道大學和阿姆斯特丹大學的Ulrike Basten等研究人員探索了決策偏差與心理韌性的關聯。結果表明，不看重損失的人心理韌性更強，這得益于前額葉腦區對負面信息的強大神經調節。

這項研究招募了82名參與者進行成本-效益整合任務，通過呈現與金錢得失相關的顏色和形狀圖片觀察其決策過程。研究人員運用功能性磁共振成像和認知計算建模分析了大腦活動。結果顯示，部分參與者對小額損失賦予的價值較低，因而更傾向于接受好壞參半的提議。這種積極的選擇偏差與更高水平的特質接受度密切相關。腦部掃描進一步揭示，這些不太看重損失的人在遭受負面信息時，前額葉和頂葉的十個腦區活動顯著增強；而在獲得正面信息時，右下額葉交界處的活動明顯減弱。這表明，與認知控制相關的前額葉腦區對負面信息的強烈反應，能幫助個體更好地調節對損失的主觀感受，從而在面對壓力時展現更強的心理韌性。研究發表在 Journal of Neuroscience 上。

#神經科學 #意圖與決策 #心理健康與精神疾病 #fMRI #心理韌性

閱讀更多：

Rammensee, Rebecca A., et al. “Positive Bias in Value-Based Decision Making: Neurocognitive Associations With Resilience.” Journal of Neuroscience, May 2026. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1734-25.2026

AI 行業動態

OpenAI豪擲40億美元成立部署公司，并推出AI網絡防御利器Daybreak

人工智能領域的領軍者OpenAI近日宣布了兩項重大戰略舉措，標志著其從單純的模型提供商向深度介入企業業務流程的關鍵轉型。首先，OpenAI成立了由其控股的“OpenAI部署公司”（OpenAI Deployment Company），并獲得了超過40億美元的初始投資。該公司匯集了19家領先投資機構、咨詢公司及系統集成商，旨在幫助企業將前沿AI技術真正應用于生產環境，直接賦能銷售、法務、客戶支持、軟件開發乃至供應鏈管理等核心業務操作。為實現這一目標，OpenAI同時收購了英國應用型AI咨詢與工程公司Tomoro，將約150名前沿部署工程師（Forward Deployed Engineer，簡稱FDE，指深入企業內部、協助解決實際問題的專業工程師）納入麾下。這一模式被外界類比于大數據公司Palantir的成功路徑——通過深度嵌入客戶組織，圍繞數據和決策構建集成系統，而OpenAI希望成為AI經濟中的“部署層”。

與此同時，OpenAI還推出了名為“Daybreak”的網絡安全AI工具，旨在徹底改變軟件的構建與防護方式。Daybreak整合了OpenAI最強大的模型、Codex及其安全合作伙伴網絡，能夠幫助防御者更早地發現并修復漏洞、自動化安全檢測與響應，甚至讓軟件從設計之初就具備內在的韌性。OpenAI首席執行官Sam Altman強調，此舉旨在加速網絡防御，并使安全團隊能夠以前所未有的速度行動。綜合來看，通過成立部署公司以深入企業運營，并推出Daybreak以筑牢數字防線，OpenAI正從技術源頭走向應用前線，致力于成為企業智能化轉型中不可或缺的基礎設施與戰略伙伴。

#OpenAI #企業AI部署 #Daybreak網絡安全 #前沿部署工程師 #AI轉型

閱讀更多：

https://openai.com/index/openai-launches-the-deployment-company/

AI 驅動科學

Science：人工智能在急診室真實病例診斷中擊敗人類醫生

大型語言模型在真實臨床環境中的診斷能力究竟如何？Peter G. Brodeur和Adam Rodman等（波士頓貝斯以色列女執事醫療中心等）評估了人工智能在急診科真實病例中的表現，證實其在復雜診斷推理中超越了人類醫生基準。

研究團隊開展五項實驗評估OpenAI的o1系列模型，與數百名人類醫生的表現進行橫向對比。此外，研究在波士頓一家醫院的急診科開展了真實世界雙盲測試，隨機抽取76名患者的病歷。在分診、急診醫生接診和入院三個階段，讓人工智能與兩名主治醫生進行同臺對比。結果顯示，在信息最匱乏且不確定性最高的分診階段，o1模型在67%的病例中給出了正確的鑒別診斷，而兩名人類醫生的準確率分別為50%和55%。在臨床推理記錄評分中，o1模型在絕大多數測試中獲得滿分，顯著優于主治醫生和住院醫生。由于人工智能目前僅依賴文本進行判斷，尚未參與現實急診科的復雜醫患交互，未來亟須開展前瞻性臨床試驗。研究發表在 Science 上。

#疾病與健康 #大模型技術 #急診醫學 #臨床推理

閱讀更多：

“Performance of a Large Language Model on the Reasoning Tasks of a Physician.” Science. www.science.org, https://www.science.org/doi/10.1126/science.adz4433. Accessed 12 May 2026

人類難以準確回憶AI生成內容：混合人機協作極易引發記憶混淆

針對人們在使用人工智能輔助創作后能否準確回憶內容來源的問題，Tim Zindulka和Daniel Buschek等人（拜羅伊特大學與阿爾托大學）發現，僅僅一周后，用戶就會對哪些內容是自己原創、哪些由人工智能生成產生嚴重的記憶混淆。這一結果凸顯了人機共創中記憶偏差的嚴重性。

研究團隊招募了184名參與者進行了一項對照實驗。參與者需要在無輔助或基于大語言模型的聊天機器人輔助下，完成構思想法并撰寫單句闡述的任務。一周后，研究人員對參與者進行測試，要求他們辨認之前構思和文本的來源，并引入未見過的干擾項來驗證記憶的可靠性。

實驗顯示，引入人工智能會顯著削弱用戶的來源記憶（source memory，個體對獲取信息具體背景和來源的記憶），尤其是混合工作流的錯誤率最高。當想法由人工智能生成但由人類進行文字表述時，正確回憶該想法由人工智能生成的概率降至37.7%；反之，若人類構思由人工智能潤色，正確識別原創想法的概率僅為64%。此外，參與者普遍存在過度自信，其對自己記憶準確率的評估分別在想法和闡述層面高估了12%和6%。這一發現在即將出臺人工智能內容標注法規的背景下，為交互式文本生成技術的設計提供了重要參考。研究發表在 Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems 上。

#認知科學 #大模型技術 #人機交互 #記憶混淆 #人工智能監管

閱讀更多：

https://dl.acm.org/doi/10.1145/3772318.3791494

AI生成的抑郁癥圖像被指加劇刻板印象與污名化

AI生成的圖像是否會加劇心理健康的污名化？Nuria Saladie、Carolina Llorente、Renée Joosten和Gema Revuelta（龐培法布拉大學）的研究發現，AI生成的抑郁癥圖像比傳統媒體圖像包含更多刻板印象，對患者負面影響更深，提示需謹慎審視AI的視覺輸出。

該研究采用混合研究方法，通過焦點小組討論與準實驗性在線問卷調查，收集了792名抑郁癥患者和年輕受訪者的數據，旨在對比這兩類人群對大眾媒體圖像與AI生成圖像的認知差異。研究結果顯示，盡管媒體和AI圖像都存在認知偏差，但受訪者普遍認為AI生成的圖像往往描繪人物孤身處于陰影中且面部被遮擋，呈現出更深層的污名化，并極易對抑郁癥患者造成負面心理沖擊。相比之下，大眾媒體的圖像被認為更為真實和包容。此外，數據表明，當受訪者被明確告知圖像是由AI生成時，他們對其表現出顯著的批判態度與排斥傾向（P<.001）。這證實了受眾對AI工具應用的透明度具有極高的敏感性。研究認為，AI工具在生成圖像時并非客觀中立，為了負責任地進行精神健康傳播，必須加強患者協會、AI開發者和新聞工作者等多方團隊的合作。研究發表在 JMIR Human Factors 上。

#疾病與健康 #心理健康與精神疾病 #跨學科整合 #生成式人工智能 #污名化

閱讀更多：

Saladie, Nuria, et al. “Comparing Images of Depression in Mass Media and AI-Generated Pictures: Mixed Methods Study.” JMIR Human Factors, vol. 13, no. 1, Apr. 2026, p. e81230. humanfactors.jmir.org, https://doi.org/10.2196/81230

新聞找上門還是偏見找上門？三分之一受眾認為算法推薦與專業新聞同等可靠

越來越多受眾放棄主動獲取新聞，轉而依賴算法和社交網絡推送，這種新聞會主動找上門的心態引發了虛假信息傳播風險。Mengqi Liao、Yuan Sun、Homero Gil De Zú?iga和S. Shyam Sundar等（佐治亞大學、賓夕法尼亞州立大學等）通過實驗證實，此類人群會將算法和網絡好友視為與專業新聞編輯同樣可靠的新聞來源。

該研究團隊開展了一項包含244名參與者的在線隨機對照實驗。參與者首先通過標準化量表測試其新聞會主動找上門（NFM，News Finds Me）的心態水平，隨后被隨機分配到三個模擬的新聞推送環境中。這三個環境展示的新聞內容完全一致，唯一的變量是推薦來源：專業新聞編輯、社交媒體好友或算法。結果表明，中低NFM水平的個體對信息來源具有更強的批判性，更看重專業記者的報道；而高NFM水平的用戶則認為算法和好友分享的新聞與專業編輯推薦的一樣可信。研究揭示了其背后的心理機制：不同的新聞來源會觸發受眾不同的認知啟發式。高NFM人群因為觸發了機器啟發式而高度信任算法，此外，他們還將算法和好友賦予了等同于專業新聞記者的權威啟發式。這種權威感扁平化的現象使得受眾極其容易被社交平臺上的虛假信息和不良行為者所操縱。

#認知科學 #其他 #新聞消費 #算法推薦 #虛假信息

閱讀更多：

Liao, Mengqi, et al. “When We Think ‘News Will Find Me’: Relative Credibility of Social-Media Friends, Algorithms, and Editors.” Social Media + Society, vol. 12, no. 2, Apr. 2026, p. 20563051261434801. SAGE Journals, https://doi.org/10.1177/20563051261434801

混合AI架構打造可靠的“發現機器”

如何構建能為復雜問題找到最優解的“發現機器”？圣路易斯華盛頓大學的Shantanu Chakrabartty、Faiek Ahsan及其國際合作團隊，提出了一種創新的混合人工智能架構。該架構融合了神經形態計算與量子力學原理，成功打造出一種能夠高效、可靠地解決復雜優化問題的新型計算系統，并確保其最終能找到答案。

? 基于 ON-OFF 神經元的高階伊辛機架構。Credit: Nature Communications (2026).

該研究的核心是一種結合了兩大關鍵技術的混合系統。首先，它采用受神經形態啟發的自編碼器，通過模擬大腦處理信息的方式，將復雜的高階問題分解，從而高效處理包含數萬億因素的難題。其次，系統引入了福勒-諾德海M退火算法，這是一種借鑒自量子力學的工具，能通過生成隨機性讓機器“隧穿”式地直接找到最優解決方案，極大地加速了求解過程。研究團隊通過解決MAX-CUT和MAX-SAT等基準優化問題驗證了該架構的有效性。結果表明，該系統不僅能持續產出高質量的解決方案，其求解速度也極具競爭力。最重要的是，該架構提供了收斂保證，意味著它不像某些超級計算機可能在長時間運行后一無所獲，而是確保在一定時間后總能得出一個有用的結果。研究發表在 Nature Communications 上。

#AI驅動科學 #計算模型與人工智能模擬 #神經形態計算 #量子退火 #組合優化

閱讀更多：

Ahsan, Faiek, et al. “Higher-Order Neuromorphic Ising Machines—Autoencoders and Fowler-Nordheim Annealers Are All You Need for Scalability.” Nature Communications, Apr. 2026. www.nature.com, https://doi.org/10.1038/s41467-026-71937-4

新型量子點發射器實現電信波段高相干光子高效發射

如何將高性能的量子光源與我們現有的光纖通信系統無縫連接？這是構建大規模量子網絡的核心挑戰。由哥本哈根大學尼爾斯·玻爾研究所的Marcus Albrechtsen和Leonardo Midolo等人組成的國際團隊攻克了這一難題，他們開發出一種新型量子點光子發射器，首次在標準電信波段實現了高純度、高效率的單光子發射，為量子互聯網的未來發展鋪平了道路。

? 用于研究電信量子點的實驗裝置。該量子點器件在約 4 開爾文的低溫裝置中進行測量，并與用于共振激發和單光子測量的光學平臺相連。Credit: Marcus Albrechtsen/ Niels Bohr Institute, University of Copenhagen.

研究團隊通過精密的材料生長和納米加工技術，制造出一種基于量子點（quantum dots，一種能捕獲電子并可控發射單個光子的微小半導體結構）的高性能光子源。該器件的核心創新在于，它不僅能直接在電信O波段（telecom O-band）工作，還通過將量子點嵌入p-i-n二極管結構并構建光子晶體波導，極大地抑制了環境噪聲，并增強了光子發射效率。實驗結果顯示，該發射器能以每秒超過4000萬個光子的驚人速率發射單光子，且這些光子近乎完全相同，相干性高達92%。這意味著光子的量子態能夠穩定、可預測地保持，解決了長期以來困擾該領域的技術瓶頸。這一突破使得量子光源無需復雜的頻率轉換，即可直接與低損耗光纖和成熟的硅光子學平臺集成，極大地推動了可擴展量子通信系統和容錯量子計算機的研發進程。研究發表在 Nature Nanotechnology 上。

#量子技術 #量子通信 #量子點 #光子學

閱讀更多：

Albrechtsen, Marcus, et al. “A Quantum-Coherent Photon–Emitter Interface in the Original Telecom Band.” Nature Nanotechnology, Apr. 2026, pp. 1–6. www.nature.com, https://doi.org/10.1038/s41565-026-02156-7

當AI設計蛋白質時，我們如何確保它沒有惡意？

蛋白質AI模型正以前所未有的能力重塑生物學研究，但其“黑箱”本質也引發了對可信度和安全性的擔憂。來自歐洲多家研究機構的Andrea Hunklinger與Noelia Ferruz等研究人員發布了一份綜合性路線圖，系統地探討了如何利用可解釋人工智能（XAI）打開蛋白質模型的內部世界，確保其發展可控且可信。

研究團隊指出，當前強大的蛋白質基礎模型（protein language models，pLMs）雖然成果斐然，但其決策邏輯對人類而言是不透明的。為了解決這一問題，他們通過梳理數十項前沿研究，構建了一個XAI應用框架，將解釋方法分為訓練數據、輸入、模型內部和輸入-輸出行為四個層面。研究發現，目前XAI在蛋白質研究中多扮演“評估者”的角色，即檢查模型是否學到了已知的生物學知識。然而，研究人員認為，XAI的潛力遠不止于此，并定義了從“多任務處理者”到“工程師”、“教練”，直至最終目標——“教師”的五重角色。達到“教師”階段的AI將能揭示人類尚未發現的生物學新規律，成為真正的科研伙伴。此外，該研究強調可解釋性是生物安全的基石，只有理解模型的決策依據，才能識別和預防AI在設計蛋白質時可能引入的未知風險。研究發表在 Nature Machine Intelligence 上。

#AI驅動科學 #計算模型與人工智能模擬 #可解釋AI #蛋白質語言模型 #生物安全

閱讀更多：

Hunklinger, Andrea, and Noelia Ferruz. “Towards the Explainability of Protein Language Models.” Nature Machine Intelligence, May 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s42256-026-01232-w

語言模型在處理醫院結構化數據方面表現不佳

大語言模型（LLM）能否簡化醫院日常的數據分析任務，從而減少對專業數據分析師的依賴？為探究此問題，來自西奈山伊坎醫學院的Eyal Klang, Benjamin Glicksberg及其同事，對九款主流LLM處理真實電子健康記錄（EHR）的能力進行了評估。研究發現，當前LLM無法獨立、準確地處理結構化數據，必須結合代碼生成與執行的混合策略才能確保可靠性。

研究團隊使用了來自西奈山醫療系統50,000次真實急診就診的電子健康記錄（EHR）數據，對包括GPT-4o和Llama在內的九款主流大型語言模型進行了測試。任務設定為醫院管理者日常依賴的兩項基本操作：根據特定條件計數患者和基于多重標準篩選記錄。研究人員比較了三種不同的提示策略：直接提問、思維鏈推理，以及一種基于工具的方法，即要求模型生成可執行的Python代碼來完成任務。結果顯示，直接提問的準確率普遍很低。思維鏈策略雖有少量提升，但隨著數據表格規模的增大，其性能急劇下降，即使是表現最好的GPT-4o，準確率也從約95%驟降至60%以下。相比之下，基于工具的方法表現最佳，GPT-4o和Qwen-2.5-72B等頂級模型實現了近乎完美的準確率。然而，一些為速度和效率優化的模型（如DeepSeek）即便在此模式下也表現不佳。研究結論明確指出，在不借助代碼執行的情況下，當前的LLM尚不適合獨立用于臨床管理中的結構化數據處理。為了在醫療場景中安全、可靠地應用這些技術，必須采用將LLM與傳統代碼執行相結合的智能體策略。研究發表在 PLOS Digital Health 上。

#AI驅動科學 #自動化科研 #大語言模型 #電子健康記錄

閱讀更多：

Klang, Eyal, et al. “Large Language Models Are Poor Clinical Administrators: An Evaluation of Structured Queries in Real-World Electronic Health Records.” PLOS Digital Health, vol. 5, no. 5, May 2026, p. e0001326. PLoS Journals, https://doi.org/10.1371/journal.pdig.0001326

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。

研究院在華山醫院、上海市精神衛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系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、科普視頻媒體「大圓鏡」等。