最近一项由麻省理工学院皮考尔学院的Earl K. Miller教授领导的跨国合作研究，通过实验观察、数学模型和理论分析相结合的方法，深入研究了β节律（beta rhythms）的短暂爆发如何在时间和空间上调控大脑中的高频γ波（gamma waves），进而协调神经元对感官信息的处理和动作规划。这些爆发不仅强有力，而且具有高度的选择性和时效性，使得它们在实现功能性抑制时发挥关键作用。

　　此外，这种爆发的间歇性和非线性特点为理解大脑区域间如何通过这种独特的电路活动模式互动提供了新的视角。研究还表明，β节律的多样化可能与它们在电路层面的起源有关，这为揭示其功能和潜在活动模式提供了重要的线索。研究成果发表在Trends in Cognitive Sciences上。

　　英国安格利亚鲁斯金大学的研究团队发现，参与低到中等强度的体育活动可以显著降低抑郁和焦虑的风险。研究团队通过伞形框架对文献进行了系统回顾，分析了全球范围内的研究数据，发现体育活动的增加与抑郁风险的显著降低相关。其中，低强度和中等强度的体育活动具有最大的保护效果。此外，体育活动同样有效地降低了焦虑症的风险。研究发表在Neuroscience and Biobehavioural Reviews。

　　英国安格利亚鲁斯金大学的研究团队发现，参与低到中等强度的体育活动可以显著降低抑郁和焦虑的风险。研究团队通过伞形框架对文献进行了系统回顾，分析了全球范围内的研究数据，发现体育活动的增加与抑郁风险的显著降低相关。其中，低强度和中等强度的体育活动具有最大的保护效果。此外，体育活动同样有效地降低了焦虑症的风险。研究发表在Neuroscience and Biobehavioural Reviews。

　　来自伦敦大学学院和帝国理工学院的研究团队，通过对神经网络模型的研究，发现工作记忆中的新近度偏差自然会导致集中趋势偏差，即人和动物的判断偏向于先前观察的平均值，这一发现为理解这两种常见的认知偏差提供了新的视角。其中，新近度偏差指的是人们倾向于更加重视最近发生或最后接收到的信息。集中趋势偏差，又称为收缩偏差，是人们在评估或回忆一系列数据（如长度、大小、时间等）时，倾向于将其朝向这些数据的平均值调整的现象。

　　研究者开发了一个网络模型，该模型整合了工作记忆模块和感官历史账户，模仿大鼠和人类工作记忆实验中的先前结果。模型显示，由于后顶叶皮质的输入具有较慢的整合时间尺度和发射率适应，因此新近度偏差自然发生，从而导致集中趋势偏差。进一步的心理物理实验验证了模型的预测，显示感官统计如何影响性能。研究还计划通过重新分析现有数据集和收集新的神经数据来测试模型关于神经动力学的预测。研究发表在eLife上。

　　社会孤立已被证实会加速认知衰退并增加患痴呆的风险。马萨诸塞州综合医院的研究团队针对这一公共卫生危机开展了名为I-CONECT的临床试验，探索通过互联网进行的对话互动是否能对认知功能的影响。

　　这项随机对照试验包括186名年龄75岁以上的社会孤立老年人。实验组通过互联网和摄像头与训练有素的访谈者进行半结构化的认知刺激对话，初期为每周四次，持续六个月，后期每周两次，再持续六个月。结果显示，在诱导期后，实验组的全球认知测试得分比对照组高1.75分，语言基础执行功能和记忆编码功能也有显著提高。此外，脑功能成像显示，实验组在背侧注意网络的连通性增强，这对于视空间注意非常重要。研究发表在The Gerontologist上。

　　麻省理工学院计算机科学与人工智能实验室的研究团队，利用脑磁图和功能性磁共振成像的结合技术，通过对比高低记忆度的图像，探索了大脑对图像记忆的处理机制。

　　研究者采用表征相似性分析结合功能性磁共振成像（fMRI）和脑磁图源估计，观察大脑在何时何地对图像记忆度的差异敏感。结果显示，在看到图像大约300毫秒后，高记忆度图像相比低记忆度图像，在早期视觉皮层、颞下皮层、颞侧皮层、颞叶皮层和颞上沟等区域，激活了一系列感兴趣区域。这些区域的激活表明，高记忆度图像在大脑的高级视觉处理后，在内侧颞叶的经典记忆区域中反映出更强的记忆力。研究发表在 PLOS Biology 上。

　　Snowflake AI研究团队最新推出了企业级智能语言模型平台“Arctic”。Arctic在SQL生成、编程及指令跟随等企业任务中表现出色，即使与计算预算大大超过其的开源模型比较，也能展现卓越性能。此外，Arctic在训练效率上设立了新的基准，使得Snowflake的客户能以低成本创建高质量的定制模型以满足企业需求。

　　“Arctic”通过采用密集型和MoE混合变换器架构，实现了高效的训练和推理性能。该架构将10B密集型变换器模型与128×3.66B MoE MLP相结合，有效地选择17B活跃参数进行训练。这种独特的设计，使得Arctic在使用低于2百万美元的计算预算时，依旧能与使用数倍计算预算的其他开源模型相匹敌，甚至在某些企业智能指标上有更优表现。

　　在开放性方面，Arctic在Apache 2.0许可下提供对权重和代码的无门槛访问。Snowflake团队还开源了所有数据配方和研究洞见，进一步支持社区的创新和发展。目前，Arctic已可通过Hugging Face、亚马逊AWS、微软Azure等多个平台获取。

　　纽约朗格尼医院的医生为一位临近死亡的新泽西女子Lisa Pisano成功移植了一颗来自基因改造猪的肾脏。此前，她因心脏和肾脏同时衰竭，无法进行传统的器官移植。医生们采用了双管齐下策略，首先植入一台机械泵以维持心脏功能，随后进行了猪肾移植手术。

　　此次手术标志着Lisa Pisano成为第二位接受猪肾移植的患者，并且是连续尝试将动物器官移植到的一系列实验中的最新一例。皮萨诺的康复情况良好，她表示，即使这次手术对她没有帮助，也可能为未来的患者带来希望。

　　此次使用的猪肾来自于经过基因编辑，其细胞不产生引起立即排斥反应的特定糖类的猪。手术中还特别携带了供体猪的胸腺，以期帮助皮萨诺的身体适应新器官。

　　普林斯顿大学的 Felix Heide领导的研究团队，与Meta的研究科学家合作，开发了一种可以在普通眼镜上使用的全息显示技术，该技术可以无缝地将虚拟图像与现实世界融合。

　　通过开发一种名为神经视域扩展器（neural étendue expanders）的新型光学元件，研究团队成功地提高了衍射角，大幅扩展了显示设备的视域。这种元件能够动态调节相干光束的波前，从而生成高质量的光场。实验结果显示，使用神经视域扩展器的全息显示设备在保持紧凑型设计的同时，实现了64倍视域扩展，水平和垂直方向的视场扩大了一个数量级，且在视网膜分辨率图像上的高保线分贝（PSNR）。这一成果标志着全息显示技术在视场和图像质量上的双重突破，有望极大地推动虚拟现实和增强现实技术的应用。研究发表在Nature Communications上。

　　慕尼黑大学马医院的研究团队在安娜·梅教授的领导下，成功开发了一款基于深度学习的工具，用于辅助诊断马匹的眼部疾病，尤其是复发性葡萄膜炎（Equine Recurrent Uveitis, ERU）。这种疾病是导致马匹失明最常见的原因之一，及时准确的诊断对防止病情恶化至关重要。

　　研究团队采用了深度学习技术，特别是卷积神经网络对2346张马眼照片进行训练，通过增强技术扩展到9384张图像，以此训练深度学习工具。研究使用了261张未修改的图像来评估训练后网络的表现，并对40张涉及不同眼病的照片进行了诊断测试。通过对148名兽医进行的意见调查，与软件工具的诊断结果进行了比较。AI程序的诊断正确率高达93%，相比之下，专业的马科兽医的正确率为76%，其他兽医的正确率为67%。研究显示，该工具至少与兽医在评估眼科疾病方面表现相当，对于不太有经验的兽医或处于医疗资源匮乏地区的马匹主人尤其有用。研究发表在Equine Veterinary Journal 上。

　　德雷克塞尔大学创意研究实验室开发了一种新的人工智能方法，利用脑电图估计个体的大脑年龄。研究团队采用了静息状态脑电图记录健康个体的大脑活动，并利用EMOTIV EPOC X头戴设备收集数据。通过机器学习算法训练，建立了一个模型来估计个体的大脑年龄。测试结果表明，模型与实际年龄之间的相关系数达到0.582（校正后为0.963），而一周内重复测试的相关性为0.750（校正后为0.939）。这表明该技术在评估大脑健康和功能方面具有可靠性，可广泛应用于诊所、工作场所和家庭，检测干预措施的效果。研究发表在Frontiers in Neuroergonomics上。

　　最新研究由一支专注于AI技术应用的团队进行，探索GPT等LLM模型在预测未来事件方面的潜力。研究使用两种提示策略：直接预测和未来叙述。研究团队在不包含2022年事件的数据训练后的ChatGPT模型上测试其预测能力。通过模拟未来的虚构叙述，如让模型扮演美联储主席等角色，分析模型预测2022年奥斯卡奖和经济趋势的准确性。结果显示，相比直接预测，叙述性提示让ChatGPT-4在预测奥斯卡奖获奖者和经济数据时的准确性显著提高。例如，模拟杰罗姆·鲍威尔讲述过去一年的经济数据时，预测的通货膨胀率与密西根大学的消费者期望调查较为接近。

　　随着人工智能技术的飞速发展，特别是在脑机接口（BCI）领域，对于更精确的脑活动解码需求不断增加。最近，一项创新的研究提出了一个新的稀疏贝叶斯学习框架，该框架集成了最大相关性准则（MCC），旨在提高在噪声环境下对肌肉活动的重建准确性。

　　研究团队利用自动相关性决定（ARD）技术和变分推理方法，开发了一种新的稳健回归模型，专门针对脑电图（EEG）和肌电图（EMG）数据的处理。通过引入一个新的偏差误差假设，该方法能够有效应对在实际测量中常见的大噪声干扰，提供了比传统稀疏贝叶斯学习方法更为稳健的性能。在实验部分，研究者不仅使用合成数据集对模型进行了验证，还在真实的肌肉活动重建任务中测试了其效果。结果显示，新方法在各种指标上均优于传统方法，特别是在相关系数和均方根误差方面表现出显著的改进。