人工智能预测果蝇行为已拥有惊人准确度

人工智能预测果蝇行为已拥有惊人准确度 考利的研究小组记录了果蝇在培养皿中一系列"约会"的求偶过程，跟踪雄蝇（蓝色）看到雌蝇（红色）时的行为反应。放置在"竞技场"下方的微型麦克风捕捉到了雄性果蝇拍打翅膀发出的歌声。图片来源：考利实验室/冷泉港实验室现在，冷泉港实验室（CSHL）的一位年轻科学家发现了一条重要线索，揭示了这一原理。他是通过建立一个普通果蝇大脑的特殊人工智能模型来做到这一点的。观看雄果蝇（蓝色）向雌果蝇（红色）求爱。相应的动画捕捉了雄果蝇的视角。资料来源：CSHL人工智能与果蝇行为CSHL助理教授本杰明-考利（Benjamin Cowley）和他的团队通过一种他们开发的名为"淘汰训练"的技术训练了他们的人工智能模型。首先，他们记录了雄果蝇的求偶行为追逐雌果蝇并向其唱歌。接下来，他们从基因上沉默了雄果蝇体内特定类型的视觉神经元，并训练人工智能检测行为的任何变化。通过用多种不同类型的视觉神经元重复这一过程，他们能够让人工智能准确预测真正的果蝇在看到雌果蝇时会做出怎样的反应。考利说："我们实际上可以通过计算预测神经活动，并询问特定神经元如何对行为做出影响，这是我们以前无法做到的。"解码神经通路通过新的人工智能，考利的团队发现果蝇大脑使用"群体代码"来处理视觉数据。果蝇的行为需要许多神经元的组合，而不是像以前假设的那样，一种神经元类型将每个视觉特征与一个动作联系起来。这些神经通路的图表看起来就像一张极其复杂的地铁图，需要数年时间才能破解。尽管如此，它还是让我们找到了我们需要去的地方。它让考利的人工智能能够预测现实生活中的果蝇在受到视觉刺激时的行为。有了这个示意图，考利的团队现在就可以把注意力转移到研究他们的人工智能模型上，而不用在真正的果蝇身上进行昂贵的实验了。图片来源：考利实验室/冷泉港实验室对人类大脑研究的影响这是否意味着人工智能有一天可以预测人类行为？没那么快。果蝇的大脑包含大约 10 万个神经元。而人脑有近 1000 亿个神经元。考利在提到地铁图时说："小小的果蝇就已经是这样，你可以想象我们人类的视觉系统是什么样的。"尽管如此，考利仍希望他的人工智能模型有朝一日能帮助我们解码人类视觉系统的基础计算。他说："这将是持续几十年的工作。但如果我们能搞清楚这个问题，通过学习[苍蝇]的计算，我们可以建立一个更好的人工视觉系统。更重要的是，我们将更详细地了解视觉系统的紊乱"。至于好了多少，我们必须亲眼目睹才能相信。编译来源：ScitechDaily ... PC版： 手机版：

AI读取人脑信息准确率高达82%

AI读取人脑信息准确率高达82% 德克萨斯大学奥斯汀分校的神经伦理学家基于 GPT-1 开发了一种语言解码器，可通过人脑的磁共振成像将人类听到的语音、想象的语言与看到的无声电影转化成文字。 研究人员让志愿者们躺在磁共振成像仪中记录大脑活动，同时让他们每人收听16小时的博客，这些博客主要是一些 TED 演讲和脱口秀。再将脑成像信息与故事细节以及AI理解语义关系的能力相结合，研究人员开发了一张大脑应对不同内容做出反应短语的编码图。 结果当志愿者想象「我还没有驾照」这句话时，AI会将之解码为「她甚至还没有开始学开车」；当志愿者观看动画电影《新特尔》中女孩照顾小龙的片段时，AI也会根据大脑信息将之转换成文字。 研究人员还发现，这项技术很容易被欺骗，当参与者听着故事录音却想着其它故事时，解码器无法确定他们听到的是什么词，比如内心数数字和罗列动物。并且编码图也因人而异，这意味着研究人员无法创建一种适用于所有人的解码器。

解码小鼠的思维：索尔克研究所具有里程碑意义的表观基因组大脑图谱

解码小鼠的思维：索尔克研究所具有里程碑意义的表观基因组大脑图谱 这些工作由美国国立卫生研究院的"通过推进创新神经技术进行大脑研究计划"（BRAINInitiative）负责协调，该计划的最终目标是为哺乳动物的大脑绘制一幅全新的动态图像。索尔克教授、遗传学国际理事会主席、霍华德-休斯医学研究所研究员约瑟夫-埃克（Joseph Ecker）说："通过这项工作，我们不仅获得了关于哪些细胞构成了小鼠大脑的大量信息，还了解了这些细胞内的基因是如何被调控的，以及这些基因是如何驱动细胞功能的。当利用这个基于表观基因组的细胞图谱，开始研究已知会导致人类疾病的基因变异时，就会对哪些细胞类型在疾病中可能最脆弱有了新的认识"。美国国立卫生研究院大脑计划于 2014 年启动，已为研究人员提供了 30 多亿美元的资金，用于开发变革性技术并将其应用于脑科学。2021年，得到"脑神经启示录计划"（BRAIN Initiative）支持的研究人员包括索尔克（Salk）的团队公布了小鼠大脑图谱的初稿，该图谱开创了描述神经元特征的新工具，并将这些工具应用于小鼠大脑的小切片。今年早些时候，许多相同的技术被用于绘制最初的人脑图谱。在最新的工作中，研究人员扩大了研究细胞的数量和小鼠大脑的区域，并使用了过去几年才出现的新的单细胞技术。左上图：解剖小鼠大脑的三维效果图，根据解剖的脑区划分为不同的部分；左下图：小鼠大脑的三维效果图，根据解剖的脑区划分为不同颜色的部分（黄色、蓝色、水蓝色、绿色、粉色、橙色、棕色、红色）。右上角：小鼠大脑的垂直切片，不同颜色（橙色、绿色、蓝色、水蓝色、红色、紫色）代表不同细胞类型，代表特定细胞类型在该切片中的空间位置；右下角：小鼠大脑的垂直切片，不同颜色（橙色、绿色、蓝色、水蓝色、红色、紫色）代表不同细胞类型，代表特定细胞类型在该切片中的空间位置：多色圆圈（黄色、蓝色、水蓝色、绿色、粉红色、橙色、棕色、红色）代表根据表观基因组剖析在小鼠整个大脑中发现的细胞类型的数量和多样性。资料来源：索尔克研究所全脑分析和公众可及性两篇新论文的资深作者爱德华-卡拉韦教授说："这是整个大脑的研究，以前从未有过。观察整个大脑会产生一些想法和原理，而这些想法和原理是你每次观察一个部分所无法了解的"。为了帮助其他研究小鼠大脑的研究人员，新数据通过一个在线平台公开发布，不仅可以通过数据库进行搜索，还可以使用人工智能工具 ChatGPT 进行查询。索尔克研究教授玛格丽塔-贝伦斯（Margarita Behrens）补充说："将小鼠作为模式生物的人非常多，这为他们在涉及小鼠大脑的研究中提供了一个非常强大的新工具。"这期《自然》特刊共刊登了 10 篇美国国立卫生研究院大脑计划（NIH BRAIN Initiative）的文章，其中 4 篇由索尔克研究人员合著，描述了小鼠大脑的细胞及其连接。这四篇论文中的亮点包括单细胞 DNA 甲基化图谱为了确定小鼠大脑中的所有细胞类型，索尔克研究人员采用了一次分析一个脑细胞的尖端技术。这些单细胞方法既研究细胞内DNA的三维结构，也研究DNA上附着的甲基化学基团的模式这是基因受细胞控制的两种不同方式。2019年，埃克的实验室小组开创了同时进行这两项测量的方法，这让研究人员不仅能研究出不同细胞类型中哪些基因程序被激活，还能研究出这些程序是如何开启和关闭的。研究小组发现了基因在不同细胞类型中通过不同方式被激活的例子，就像用两个不同的开关打开或关闭电灯一样。了解了这些重叠的分子回路，研究人员就能更容易地开发出干预脑部疾病的新方法。埃克实验室的博士后研究员、本文第一作者刘汉清说："如果你能了解这些细胞类型中所有重要的调控元素，你也就能开始了解细胞的发育轨迹，这对了解自闭症和精神分裂症等神经发育疾病至关重要。"研究人员还对大脑的哪些区域含有哪些细胞类型有了新的发现。在对这些细胞类型进行编目时，他们还发现脑干和中脑的细胞类型远远多于大得多的大脑皮层这表明大脑的这些较小部分可能进化出了更多的功能。单细胞染色质图另一种间接确定DNA结构以及细胞正在积极利用哪段遗传物质的方法是测试哪些DNA可以被其他分子结合。加州大学圣地亚哥分校的任兵（Bing Ren）领导的研究人员（包括索尔克的埃克和贝伦斯）利用这种称为染色质可及性的方法，绘制了来自117只小鼠的230万个脑细胞的DNA结构图。然后，研究小组利用人工智能，根据这些染色质可及性模式，预测DNA的哪些部分是细胞状态的总体调控因子。他们发现的许多调控元件都位于DNA片段中，而这些DNA片段已经与人类脑部疾病有牵连；关于哪些细胞类型使用哪些调控元件的新知识有助于确定哪些细胞与哪些疾病有牵连。神经元投射和连接在贝伦斯、卡拉韦和埃克共同撰写的另一篇论文中，研究人员绘制了整个小鼠大脑神经元之间的连接图。然后，他们分析了这些图谱与细胞内甲基化模式的对比。这让他们发现了哪些基因负责引导神经元到达大脑的哪些区域。埃克实验室的博士后研究员、该论文的共同第一作者周景天（音译）说："我们发现了某些规则，这些规则根据细胞的DNA甲基化模式决定细胞投射到哪里。"神经元之间的连接对其功能至关重要，而这套新规则可能有助于研究人员研究疾病中出现问题的原因。比较小鼠、猴子和人类的运动皮层运动皮层是哺乳动物大脑中参与计划和执行自主肢体运动的部分。贝伦斯、埃克和任领导的研究人员研究了来自人类、小鼠和非人灵长类运动皮层的 20 多万个细胞的甲基化模式和 DNA 结构，以更好地了解运动皮层细胞在人类进化过程中的变化。他们能够确定特定调控蛋白的进化与基因表达模式进化之间的相关性。他们还发现，近 80% 的人类特有的调控元件是可转座元件DNA 的移动小段，可以很容易地改变在基因组中的位置。"我认为，总的来说，这一整套研究为其他人未来的研究提供了蓝图，"索尔克分子神经生物学文森特-科茨讲座教授卡拉韦说。"研究特定细胞类型的人现在可以查看我们的数据，了解这些细胞的所有连接方式以及它们的所有调控方式。这是一种资源，可以让人们提出自己的问题"。编译自:ScitechDaily ... PC版： 手机版：

科学家发现婴儿大脑与人工智能模型惊人相似

科学家发现婴儿大脑与人工智能模型惊人相似 与许多动物相比，人类在出生后很长一段时间内都是无助的。许多动物，如马和鸡，出生当天就能行走。这种漫长的无助期使人类婴儿处于危险之中，也给父母带来了巨大的负担，但令人惊讶的是，这种无助期却经受住了进化的压力。跨物种研究的启示"自 20 世纪 60 年代起，科学家们就认为人类婴儿表现出的无助感是由于出生时的限制造成的。他们认为，人类婴儿头大，必须早产，导致大脑发育不成熟，无助期长达一岁。"认知神经科学教授、论文第一作者罗德里-库萨克（Rhodri Cusack）教授解释说。研究团队由库萨克教授、美国奥本大学克里斯蒂娜-查韦特教授和 DeepMind 高级人工智能研究员 Marc'Aurelio Ranzato 博士组成，库萨克教授利用神经成像技术测量婴儿大脑和心智的发育情况；克里斯蒂娜-查韦特教授负责比较不同物种的大脑发育情况；DeepMind 高级人工智能研究员 Marc'Aurelio Ranzato 博士负责比较不同物种的大脑发育情况。"我们的研究比较了不同动物物种的大脑发育情况。它借鉴了一个长期项目时间转换"（Translating Time），该项目将不同物种的相应年龄等同起来，从而确定人类大脑在出生时比许多其他物种更加成熟。"研究人员利用脑成像技术发现，人类婴儿大脑中的许多系统已经开始运作，并能处理来自感官的丰富信息流。这与人们长期以来认为婴儿大脑的许多系统尚未发育成熟，无法发挥作用的观点相矛盾。研究小组随后将人类的学习与最新的机器学习模型进行了比较，在后者中，深度神经网络受益于"无助"的预训练期。在过去，人工智能模型是直接根据所需的任务进行训练的，例如训练自动驾驶汽车识别它们在道路上看到的东西。但现在，模型最初都是经过预先训练，以便在海量数据中发现模式，而不执行任何重要任务。由此产生的基础模型随后用于学习特定任务。研究发现，这种方法最终会加快新任务的学习速度，并提高性能。对未来人工智能发展的影响"我们提出，人类婴儿也同样利用婴儿期的'无助'期进行预训练，学习强大的基础模型，并在以后的生活中以高性能和快速泛化来支撑认知。这与近年来在生成式人工智能领域取得重大突破的强大机器学习模型非常相似，例如OpenAI的ChatGPT或Google的Gemini，"库萨克教授解释道。研究人员表示，未来对婴儿学习方式的研究很可能会启发下一代人工智能模型。"虽然人工智能取得了重大突破，但基础模型比婴儿消耗大量能源，需要的数据也多得多。了解婴儿是如何学习的，可能会对下一代人工智能模型有所启发。"他最后说："下一步的研究将是直接比较大脑和人工智能的学习情况。"编译自/scitechdailyDOI: 10.1016/j.tics.2024.05.001 ... PC版： 手机版：

微软发布改进后的人工智能天气模型 可预测全球云雨情况

微软发布改进后的人工智能天气模型 可预测全球云雨情况 在必应博客的一篇文章中，微软称，"Start"团队已于 2021 年底在全球范围内推出了所谓"降水预报"的改进措施。该模型不仅从本地雷达装置中获取数据，还将其与卫星数据相结合。由于世界上许多地方都没有安装天气雷达硬件，因此需要这种数据结合来提升准确性。不过，微软 Start 认为降水预测模型仍存在一些缺陷。这是由于卫星天气数据在 85% 至 95% 的时间内都可以获得，这取决于数据的来源和可接受的延迟时间。博文称：有证据表明，每项任务需要一个单独的解码器，每个预测频道需要一个单独的判别器，因此，Weather from Microsoft Start 建立了一个模型，比之前只预测模拟雷达反射率的模型大 4 倍。最后，新模型联合预测卫星和模拟雷达反射率，使其预测能够填补数据可用性缺口。据微软称，在人工智能训练中，雷达信道模型的权重是卫星模型的六倍，因为雷达提供的降水信息被认为比卫星任务更重要。最终结果是，与仅使用雷达预测的基础模型相比，新的降水和云层模型"在 F1 分数上有明显改善"。博客补充道：此外，还观察到预测的卫星图像在 15 分钟后的得分高于持续性预测，这意味着当卫星数据中断时间超过 15 分钟时，可以使用这些预测。微软的卫星和雷达预报模型现已完全集成到该公司的 Weather from Microsoft Start 气象模型中。了解更多： ... PC版： 手机版：

UCLA最新研究：反复练习能显著增强大脑记忆通路

UCLA最新研究：反复练习能显著增强大脑记忆通路 访问：NordVPN 立减 75% + 外加 3 个月时长 另有NordPass密码管理器 为了验证这一点，研究人员让小鼠在两周时间内辨别并回忆一连串气味。然后，研究人员使用一种新颖的定制显微镜跟踪动物在练习任务时的神经活动，这种显微镜可以同时对整个大脑皮层多达73000个神经元的细胞活动进行成像。研究显示，随着小鼠不断重复执行任务，位于次级运动皮层的工作记忆回路发生了转变。小鼠刚开始学习任务时，记忆表征并不稳定。然而，在反复练习任务后，记忆模式开始固化或"水晶化"，该研究的通讯作者、加州大学洛杉矶分校医疗中心神经学家佩曼-戈尔沙尼博士介绍说。戈尔沙尼说："如果想象大脑中的每个神经元都在发出不同的音符，那么大脑在执行任务时产生的旋律每天都在变化，但随着动物不断练习这项任务，旋律会变得越来越精炼和相似。"这些变化让我们了解到，为什么在反复练习之后，表现会变得更加准确和自动。这一见解不仅促进了我们对学习和记忆的理解，而且对解决记忆相关疾病也有意义。编译来源：ScitechDaily参考文献：《挥发性工作记忆表征随着练习而结晶》DOI: 10.1038/s41586-024-07425-w ... PC版： 手机版：