研究背景人类为何在没有任何地标的环境中仍能找到方向? 科学界长期关注一种名为空间路径整合（Path Integration, PI）的能力。这一能力使个体能够在运动中持续更新对当前位置与起点的估计，是人类空间导航与构建认知地图的关键基础。然而，PI功能异常往往是阿尔茨海默病（AD）等脑退行性疾病最早出现的症状之一。内嗅皮层（Entorhinal Cortex, EC）作为通往海马的核心“门户”，在空间定位、路线记忆形成中承担着独特作用，并且恰恰是AD最早发生神经损伤的区域。已有研究提示左右EC可能承担不同类型的导航功能，但在人类中缺乏直接而清晰的因果证据，一方面源于机制复杂，另一方面由于深部脑区难被传统无创刺激技术精准调控。 研究成果上海交通大学赵冰蕾/刘满华团队，通过引入新兴的非侵入式神经调控技术——时间干涉刺激（Temporal Interference, TI），首次在人类实验中明确揭示了左右内嗅皮层在路径整合中的功能分工。本项研究率先在人类实验中提出并应用了一种全新的空间路径整合（Path Integration, PI）范式，通过虚拟现实（VR）技术与非侵入式深部脑刺激的结合，对大脑左右内嗅皮层（Entorhinal Cortex, EC）在空间导航中的分工进行了系统、因果性的检验。与以往单一、被动的空间记忆测试不同，本项研究创新性地设计了两种互补的路径整合任务，并为每种任务设定了多维度的评估指标体系，实现了对人类空间认知能力的细致刻画。这项研究成果以“Distinctive roles of left and right entorhinal cortex in path integration via a non-invasive stimulation study”为题，发表在Nature子刊Nature Communications杂志。在实验范式设计上，第一类任务为感觉驱动（sensory-driven）路径整合任务，要求受试者在VR环境中仅凭自身运动线索（无外部参照）找到回到起点的路径。这一任务模拟了现实生活中“闭眼回家”或“黑暗中寻路”的情境，是典型的自我运动导航能力的测量。实验为此任务使用了角度偏差（Angle Deviation, AD）和相对距离偏差（Relative Distance Deviation, RDD）两项核心指标，分别用来量化受试者在空间方向判断和距离估算上的精度。第二类任务为抽象处理（abstract processing）认知地图任务，则更侧重空间关系的高级推理。受试者需要在俯视视角下，通过少量已知参照物在虚拟空间中推断未知目标位置。为全面评估该能力，研究仿照感觉驱动任务的衡量参数设置了平均角度偏差（Average Angle Deviation, AAD）、平均相对距离偏差（Average Relative Distance Deviation, ARDD）和总距离偏差（Overall Distance Deviation, ODD）三项指标，从空间角度、相对距离和总体空间误差多个维度，细致捕捉抽象空间推理能力的变化。结果显示，针对右侧EC的TI刺激显著提升了受试者在自我运动驱动条件下的方向判断与距离估计精度，而刺激左侧EC则更显著改善了认知地图推理能力，多项行为指标改善具有半球特异性且与刺激方式高度吻合。此外，研究团队还借助磁共振成像技术和电场模拟仿真进一步印证了刺激的效果。通过模拟干涉电场在大脑中的分布，研究发现，时间干涉刺激可以把能量准确地“集中”到深部的内嗅皮层，而不会大量波及皮层脑区。与此同时，研究团队还用功能磁共振观测到，接受刺激后，这些关键导航脑区与大脑其它相关区域之间的功能链接相比与为受到刺激的另一侧脑区而言变得更加紧密。这一系列发现让我们不仅看到行为上的提升，也揭示了背后神经网络的变化，为“为什么刺激能有效提升方向感”提供了科学解释。研究意义这项研究不仅在基础科学层面回答了人类空间导航机制的关键问题：左与右内嗅皮层在应对不同空间推理模式时承担不同角色，而且在应用层面具有重要的未来潜力。路径整合能力是阿尔茨海默病（AD）的早期敏感筛查范式，可筛排出更易AD转阳的高危人群。本研究在健康人群中验证了TI的刺激精准性和认知增强的有效性，具备延展到认知障碍人群的早期精准干预的可能。这意味着，一种全新的脑功能调控思路正在形成：通过精准靶向EC这一最早受损区域，有望为检测和改善老龄化社会中高发的认知退化提供新的技术力量。研究团队表示，未来将继续推动TI在病患群体中的应用研究，探索其作为神经调控手段在临床转化中的前景，为阿尔茨海默病等疾病的早诊早治提供创新可能。足球比分与角球数据 赵冰蕾副研究员和计算机学院刘满华教授为本文通讯作者。上海交通大学自动化与感知学院博士生赵海燕和足球比分角球 赵冰蕾为本文共同第一作者。该论文得到国家自然科学科学基金（62171283；32400859）上海交通大学“交大之星”计划“医工交叉研究基金”（YG2024LC11)等项目资助。该项工作受到央视的关注，本文同一/共通作者赵冰蕾接受中央广播电视总台老年之声、《夕阳红》栏目融媒体访谈。原文链接：//rdcu.be/eQWc3

研究背景共情是人类社会互动的核心组成部分，也是人机交互领域关注的关键议题。随着大语言模型（LLMs）在对话交互、情感支持等场景的广泛应用，其是否能真正展现出与人类相当的认知共情（理解他人心理状态）和情感共情（响应他人情绪体验），成为亟待解答的科学问题。现有研究对 LLMs 共情能力的评估缺乏标准化范式，部分研究因依赖特定场景易导致结果高估，且未能清晰区分两种共情维度的表现差异。针对这一现状，足球比分与角球数据 赵冰蕾副研究员与人工智能学院金耀辉教授团队合作采用结合心理学标准化量表与提示词工程的创新方案，系统探究 LLMs 的共情能力边界。研究成果合作团队以 GPT-4 和 Llama3 为研究对象，通过连续实验，首次采用标准化共情量表结合人格化提示词范式，系统揭示了当前大语言模型的共情能力特征。研究成果以“Can Large Language Models Exhibit Cognitive and Affective Empathy as Humans?”为题，近期发表于Computer in Human Behavior的子刊Computers in Human Behavior: Artificial Humans 期刊。研究创新性地构建了 “人格化模拟、量表验证、能力对比”的三阶段评估范式。首先通过提示词工程让 LLMs扮演具有不同大五人格特质（开放性、尽责性、外向性、宜人性、神经质）的虚拟参与者，每个特质从非常低至非常高分为五个等级，并结合离散高斯分布抽样确保LLM模拟样本的多样性；随后采用人际反应指数（IRI）和基本共情量表（BES）两种国际通用工具，验证量表在 LLMs 中的结构有效性；最后通过与人类被试的直接对比，量化分析 LLMs 在认知和情感共情维度的表现。四项实验各有侧重：实验 1 和 2 以 IRI 量表为工具，分别对 1200 名人类被试与 1200 名 GPT-4 模拟参与者进行测试及重复验证；实验 3 采用 BES 量表，进一步验证 GPT-4 共情能力的通用性；实验 4 则将 Llama3 纳入研究，对比闭源与开源模型的共情表现差异。评估指标包括量表各维度得分、结构效度一致性、内部一致性信度（Cronbach’s α）等，全面刻画 LLMs 的共情特征。结果显示，GPT-4 在 IRI 和 BES 量表中均展现出与人类一致的共情维度结构（认知与情感双维度），且量表信度良好（Cronbach’s α 介于 0.95-0.98 之间），证明标准化量表可有效评估 LLMs 的共情表现。而开源模型 Llama3 未能展现出与人类一致的共情维度结构，其IRI量表拟合较差，BES 量表的因子划分也与人类标准不符，无法通过标准化量表进行有效共情评估。在能力水平上，GPT-4 的认知共情（IRI：M=1.88 vs 人类 M=2.77；BES：M=3.57 vs 人类 M=3.88）和情感共情（IRI：M=2.31 vs 人类 M=2.46；BES：M=3.26 vs 人类 M=3.39）得分均显著低于人类，效应量较大（d>0.7）。同时，研究强调LLMs 的共情响应可能源于模式匹配与训练数据记忆，而非真正的情感共鸣或因果推理，其表面共情表现更倾向于一种复杂的模仿行为，这也解释了为何在特定场景中 LLMs可能呈现出看似共情的回应，但在标准化特质评估中表现不足。图 GPT4与人类共情表现的对比研究意义这项研究在基础层面明确了当前 LLMs 共情能力的核心特征：闭源模型（如 GPT-4）可模拟人类共情的结构框架，但能力水平显著不足；开源模型（如 Llama3）尚未形成人类对齐的共情维度，为理解 AI 共情的本质提供了关键实证依据。在应用层面，研究提出的标准化评估范式为 LLMs 共情能力的量化对比提供了工具，提示未来需通过优化训练数据、融入心理理论框架等方式提升模型共情表现。尤其对于心理支持、陪伴机器人等敏感场景，当前 LLMs 的共情局限提示需谨慎应用，同时也为下一代高共情 AI 的研发指明了方向。足球比分与角球数据 赵冰蕾与人工智能学院金耀辉为本文通讯作者，足球比分角球 博士研究生于腾飞，人工智能学院潘思宇为共同第一作者。该研究得到足球比分角球 院长傅小兰教授的大力支持，受到教育部哲学社会科学重大项目（23JZD005）、上海交通大学医工交叉研究基金（YG2024LC11）及国家自然科学基金（32071081；32371125）等项目资助。原文链接：//doi.org/10.1016/j.chbah.2025.100233

2025年10月22日，人工智能领域顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence(中科院一区TOP, CCF-A类期刊, 5-year IF=20.4)以已接受论文预印本的形式刊出了足球比分角球 副研究员张洳源课题组的新研究“Neural prediction errors as a unified cue for abstract visual reasoning”。这项研究由张洳源课题组牵头，联合北京大学和中山大学科研团队，为人工智能模型如何基于抽象规则进行高效视觉推理提供了新见解。智能(Intelligence)到底是什么不同学科往往有不同的定义。一个普遍的共识是通用人工智能可以归纳总结事务之间的抽象关系，并在此基础上进行复杂推理。人往往表现出较强的归纳总结和举一反三的能力。相比之下，深度神经网络长期以来因其在抽象视觉推理（Abstract Visual Reasoning, AVR）方面的局限性而受到批评。张洳源课题组一直致力于解决基于人脑瑞文智力测验的抽象视觉推理问题，这不仅契合了当前心理学和认知科学对智力的定义，也试图克服当前深度模型抽象推理难的痛点。张洳源和其合作团队，在课题组前期工作的基础上(ICML, 2023;IJCAI, 2023),借鉴神经科学中广为人知的“预测误差”（Prediction Error）概念，创新提出预测误差可以作为一个统一机制，同时支持监督学习与自监督学习在AVR任务中的实现。在提出的监督学习模型中，AVR被建模为一个“预测—匹配”过程，其核心在于由抽象规则生成的预测特征与推理情境中候选特征之间的差异(即预测误差)。在自监督模型中，预测误差作为核心成分，将学习与推理过程统一起来。无论是监督还是自监督的基于预测的模型，都在多个AVR数据集和任务条件下达到了当前最优性能。尤为值得注意的是，在监督模型的训练过程中，层级化预测误差会自动下降，这一涌现现象与生物学习中多巴胺信号逐渐减弱的规律高度相似。这些发现强调了预测误差在抽象视觉推理中的关键作用，并突显了利用神经科学理论推动人工智能中高级认知计算模型发展的潜力。本文第一作者是中山大学杨凌霄副教授。上海交通大学张洳源副研究员和北京大学方方教授为通讯作者。文章共同作者包括了中山大学谢晓华教授和郑伟诗教授。本项目受到国家自然科学基金(T2421004, 62206316, 32441102, 31930053)、上海市教委专项基金(2024AIZD014)、广东省信息安全技术重点实验室(2023B1212060026)和科技创新2030重大项目 (2022ZD0204802) 的支持。Yang, L, Xie, X., Zheng, W., Fang, F.*, Zhang, R.Y.*. Neural prediction error as a unified cue of abstract visual reasoning. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), doi: 10.1109/TPAMI.2025.3623461.论文链接: //ieeexplore.ieee.org/document/11207515