今日刊

冥想就像調整收音機頻道。這篇論文用電腦模擬大腦如何在四種「吸引子」狀態間切換——也就是專注或分心的頻道。關鍵發現：後設覺察（你意識到自己分心的那個瞬間）就像點亮大腦全局工作空間的訊號，類似在暗房裡開燈。模型透過選擇「政策」（比如決定拉回注意力）來最小化心理能量消耗。這有什麼重要？它為你的主觀冥想體驗提供了客觀的大腦網路連結，未來可能幫助設計更有效的注意力訓練工具。

就像手機待機時仍保留應用程式狀態，一個最小神經網路模型發現：當所有神經元完全沉默後，突觸的殘留配置竟能決定活動是否會自動重啟。研究定義了「潛在興奮性招募容量」（LER）——即新鮮興奮神經元的累積數量——作為近乎完美的預測指標，無需模擬後續動態即可得知結果。這暗示短期記憶可能不只在持續的神經放電中，也儲存在潛伏的突觸組態裡，為神經網路再生與編碼訊息提供了新視角。

你覺得 AI 學會語言就接近人類智慧了嗎？這篇論文卻指出，生物智慧的核心其實是先透過與環境互動，建立起「接地」的世界模型——就像小孩先玩、再學說話。相對地，當前 AI 只是被動吸收資料，缺乏真實體驗。研究者主張，未來人工智慧應從互動與內在動力出發，並透過社會學習共享世界模型，才能發展出更穩健、與人類價值對齊的智慧。

論文發現，辨識日常活動（如走路、坐下）時，只要看身體的「平均靜態姿勢」就夠了——他們從 MoVi 資料集的 16 種活動中找出 9 個關鍵關節，就能達到高準確率。但若要逼真地重現動作，就需要時間動態訊息。這表示視覺系統可能先靠靜態姿勢快速辨識，而臨床篩檢或動作生成則得依賴動態資訊。

就像走鋼索的人需要不斷調整重心，人類行走本來就是一連串微妙的平衡遊戲。這套 AI 框架把『跌倒』重新定義為『穩定度流失事件』，並用物理資訊神經網路（LTC）即時建模身體重心與支撐底的動態變化。模型參數不到 5 萬，能在省電晶片上即時運算，同時維持高準確度——不是靠黑箱猜，而是真正『懂』物理。為什麼重要？對獨居長者或智慧監控來說，這代表不用依賴雲端，一隻隨身裝置就能在跌倒前發出預警。