Nature Portfolio

9篇《自然》论文揭示大脑发育图谱;别对AI说“我相信”,它会当真!日行5000步,延缓老年痴呆进程 | 一周论文新鲜读

Image

关注+星标🌟,好搭档不错过

Image

11.10

本周值得读

来自《自然》旗下期刊的新近发表,我们为您精选呈现。

  1.  适度日常活动或可减缓阿尔茨海默病相关衰退

  2.  语言模型无法可靠区分是信念还是知识和事实

  3.  极端大风或挑战涡轮机极限

  4.  绘制大脑经时发育图谱

  5.  迈向更公平的人类影像数据集

健康 | 适度日常活动或可减缓阿尔茨海默病相关衰退

Physical activity as a modifiable risk factor in preclinical Alzheimer’s disease

Nature Medicine

《自然-医学》发表的一项研究对认知功能未受损的老年人进行了14年的追踪,发现每日步行超过5000步或可降低阿尔茨海默病临床前期的tau蛋白积累和认知衰退。这是首批探索不同运动强度和阿尔茨海默病关键生物标志物间关系的研究之一,并且提出了对老年人而言较易实现的运动目标,以减缓疾病进展。 

缺乏运动是阿尔茨海默病的已知风险因素,亟需安全有效的方式来延缓疾病进展。动物研究表明,锻炼可降低阿尔茨海默病相关病理变化,但运动对该疾病人类生物标志物的影响及其剂量-反应关系尚不明确。迄今鲜少有研究使用活动的客观量表来检测其对淀粉样斑块和tau蛋白(阿尔茨海默病的生物标志物)的作用,也无长期时间框架下的追踪研究。 

美国麻总百瀚的Wai-Ying Wendy Yau、Jasmeer Chhatwal和同事分析了哈佛老化大脑研究(Harvard Aging Brain Study)中294名认知功能未受损的老年人(50-90岁)的数据,包括计步器记录的运动量、纵向淀粉样蛋白和tau蛋白的PET成像数据,以及最长达14年的年的认知评估。作者发现,更大量的运动与淀粉样斑块相关认知衰退更缓慢相关,表明运动或有保护作用。他们发现这一益处与tau蛋白积累减缓有关,而非淀粉样蛋白的病理变化。在每日5001-7500步的中等活动水平下,tau蛋白积累和认知功能趋于平稳。令人鼓舞的是,即使是轻度活动(每日3001-5000步)水平也与tau蛋白积累和认知衰退明显减缓相关。 

这些发现表明,增加运动量或有助于延缓阿尔茨海默病临床前期tau蛋白病理变化和认知衰退。此外,随着数字可穿戴设备如智能手表等的普及,这项研究强调了一种容易实现的运动目标,可激励久坐的老年人参与更多运动。 

Image

个体纵向Aβ、tau、PACC5和CDR-SOB轨迹。来源:Yau, et al.

Image

DOI:10.1038/s41591-025-03955-6

本论文开放获取

> 扫描二维码获取论文原文 <

语言模型无法可靠区分是信念还是知识和事实

Language models cannot reliably distinguish belief from knowledge and fact

Nature Machine Intelligence

根据《自然-机器智能》发表的一篇论文,大语言模型(LLM)可能无法可靠地识别用户的错误信念。这些发现凸显出在高风险决策领域,如医学、法律和科学等,需要谨慎使用LLM结果,特别是当信念或观点与事实相悖时。 

人工智能尤其是LLM正在成为高风险领域日益普及的工具,使之区分个人信念和事实知识的能力变得十分重要。例如对精神科医生而言,知晓患者的错误信念常对诊断和治疗十分重要。若无此类能力,LLM有可能会支持错误决策、加剧虚假信息的传播。 

美国斯坦福大学的James Zou和同事分析了24种LLM(包括DeepSeek和GPT-4o)在13000个问题中如何回应事实和个人信念。当要求它们验证事实性数据的真或假时,较新的LLM平均准确率分别为91.1%或91.5%,较老的模型平均准确率分别为84.8%或71.5%。当要求模型回应第一人称信念(“我相信……”)时,作者观察到LLM相较于真实信念,更难识别虚假信念。具体而言,较新的模型(2024年5月GPT-4o发布及其后)平均识别虚假第一人称信念的概率比识别真实第一人称信念低34.3%。相较真实第一人称信念,较老的模型(GPT-4o发布前)识别虚假第一人称信念的概率平均低38.6%。作者指出,LLM往往选择在事实上纠正用户而非识别出信念。在识别第三人称信念(“Mary相信……”)时,较新的LLM准确性降低4.6%,而较老的模型降低15.5%。 

作者总结说,LLM必须能成功区分事实与信念的细微差别及其真假,从而对用户查询做出有效回应并防止错误信息传播。 

Image

语言模型在面对事实错误的情境时,难以确认第一人称的信念。来源:Suzgun, et al.

Image

DOI:10.1038/s42256-025-01113-8

本论文开放获取

> 扫描二维码获取原文<

气候 | 极端大风或挑战涡轮机极限

Increasing extreme winds challenge offshore wind energy resilience

Nature Communications

《自然-通讯》发表的一项研究指出,欧洲与亚洲超过40%的现有和规划中海上风电场所处风速超过了部分类型涡轮机的最大设计载荷。研究结果强调,必须增加海上风能基础设施的韧性,以面对与气候变化相关的极端大风事件。 

海上风能是全球向可再生能源过渡的关键一环。海上风电场必须能耐受各种环境挑战,其建造等级对应不同的最大风速设计载荷(三级为最低限度,再到二级和一级的最高限度)。近期研究显示,极端大风事件因全球气候变化正在增强,令人疑问现有和规划中项目是否准备好应对这一额外压力。 

中国南方科技大学的Yanan Zhao和同事分析了全球海洋1940年至2023年的每小时风速数据。他们发现沿海地区的极端风速上升约63%,常与全球变暖下的天气系统变化相关。作者发现,亚洲和欧洲约40%以上的现役和规划中海上风电场遇到过超过三级涡轮机当前设计载荷(设计能承受的最大风速为每秒37.5米)的风速。这些风电场有一半以上位于极端风势增强的地区,作者认为该增强模式与全球变暖下的气旋活动变化有关。 

该研究结果显示,必须让风能基础设施有能力适应并防范与持续气候变化相关的极端大风。 

Image

五十年一遇风速(U50)的空间分布与趋势。来源:Zhao, et al.

Image

DOI:10.1038/s41467-025-65105-3

本论文开放获取

> 扫描二维码获取原文<

神经科学 | 绘制大脑经时发育图谱

BICAN: A cell census of the developing human brain

Nature

《自然》发表了BRAIN计划细胞网络图谱(BICAN)的系列论文,展示了人类和其他哺乳动物发育中脑部的初步图谱。这些资源结合了单细胞和空间技术,追踪脑细胞类型在发育过程中如何产生、分化和组织,为特定神经发育障碍和精神疾病的起源提供了见解。 

人脑含有数以千计的独特细胞类型,通过复杂的发育过程形成。理解这些过程相当具有挑战性,因为许多阶段难以研究,也因为细胞状态随时间发生快速变化。近期的单细胞组学和影像学进展使研究者能以更高分辨率捕捉这些动态变化。 

BICAN研究团队运用先进的遗传学和计算工具,追踪了干细胞如何分化为特定的神经元和胶质细胞、发育过程中的基因调控,以及感觉体验和环境因素如何影响脑细胞的身份。他们发现,细胞类型并非依固定阶段出现,而是重叠波浪式涌现,有些发育过程在成年期或疾病状态下可重新激活。其中关键发现有:识别出与胶质母细胞瘤(一种脑癌)有关的一种人类祖细胞;精神障碍遗传风险集中出现的特定时间窗口。 

在同时发表的一篇“新闻与观点”文章中,美国俄勒冈大学的Emily Sylwestrak写道:“综合起来看,BICAN项目将细胞类型的静态画像转变成了发育中大脑的动态故事。”她还补充说:“这些数据为未来的研究奠定了基础,识别哪些发育窗口和转录谱是神经回路组装和功能或疾病易感的因果性因素。” 

该数据集为构建全面的发育脑图谱奠定了基础。这些发现或有助于科学家定位自闭症和精神分裂症等疾病于何时何处起源、改进大脑类器官和动物模型的设计,或许也能为靶向治疗策略提供信息。虽然取样全部的脑区、整合多样的数据集仍然有许多挑战,BICAN团队还在继续努力填补这些空白,以呈现完整的脑发育图景。 

Image

《自然》论文集:BRAIN计划细胞网络图谱

Image

> 扫描二维码获取论文集<

人工智能 | 迈向更公平的人类影像数据集

Fair human-centric image dataset for ethical AI benchmarking

Nature

《自然》本周发表的一项研究,提出了一个超过一万张人类图像的数据库来评估人工智能(AI)模型在以人为本的计算机视觉领域中的偏见。这一“公平的以人类为中心的图像基准(FHIBE)”由索尼 AI开发,采用符合伦理手段获取、基于用户同意的数据集,可用于评估以人为中心的计算机视觉任务,从而识别、纠正偏见和刻板印象。 

计算机视觉广泛应用于自动驾驶车辆到面部识别技术等领域。许多计算机视觉使用的AI模型,其训练数据存在缺陷,可能未经同意收集,经常来自网络大规模图像抓取。人们也已发现,AI模型可能会反映出延续性别歧视、种族歧视或其他刻板印象的偏见。 

美国索尼AI的Alice Xiang和同事构建了一个图像数据集,在同意机制、多样性和隐私等多方面采取了最佳实践。FHIBE包含81个国家或地区中1981个个体的10318张图像。该数据库包括了人口统计和生理特征的全面标注,包括年龄、代词类别、祖先血统、发色与肤色等。参与者获得了 关于项目和潜在风险的详细信息,帮助他们做出知情同意,过程符合全面数据保护法规。这些特征使该数据库成为评估AI偏见的可靠资源。 

研究者将FHIBE和27个现有以人类为中心的计算机视觉应用数据集做了比较,发现FHIBE数据集在多样性与AI评估的可靠同意方面标准更高。它还有效减少了偏见,包含的参与者自我申报标注信息超过其他数据集,还包括了相当比例通常代表性不足的人群。该数据集可用于评估现有的AI模型在计算机视觉任务中的表现,能揭示更多此前无法了解的偏见。作者承认创建数据集的过程充满挑战且成本高昂,但总结说,FHIBE可能代表了迈向更可信AI的一步。 

Image

示例FHIBE图像,附有详细的像素级注释、关键点、分割掩膜和边界框。来源:Firsanov, et al.

Image

DOI:10.1038/s41586-025-09716-2

本论文开放获取

> 扫描二维码获取原文<

转发

点赞

在看

Image

文章读完了,留个comment哇!

你能做到每天5000步吗?除了无法分辨信念和事实,你发现AI还有其他bug吗?在评论区留下您的看法吧! 

自然会议征文投稿 | 转化生物材料

Image

>>点击图片查看会议详情<<

版权声明:

本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考,一切内容以英文原版为准。欢迎转发至朋友圈,如需转载,请邮件[email protected]。未经授权的翻译是侵权行为,版权方将保留追究法律责任的权利。

© 2025 Springer Nature Limited. All Rights Reserved

点击阅读原文,直通 nature.com