最新研究表明，视觉模型与人脑的相似性受模型大小、训练数据量和图像类型的影响。DINOv3模型在训练中逐步与人脑表征一致，尤其在使用人类相关图像时效果最佳。研究发现，模型学习的表征层级与大脑结构高度一致，不同特征的出现速度也存在差异。

机器之心数据服务正式上线，提供高效稳定的数据获取，简化数据爬取流程。

研究表明，大脑衰老呈非线性过程，胰岛素抵抗是关键因素。酮体干预在40至59岁时效果最佳，能有效稳定大脑网络，提示中年是抗衰老的关键期。

本研究解决了传统人工神经网络在与人脑区域对齐方面的困难，提出了一种名为脑样听觉网络（BAN）的新模型，该模型结合了四个神经解剖映射区域及递归连接，并引入了一种新的评估标准——脑样听觉分数（BAS）。研究结果表明，BAN在音乐流派分类任务上表现出色，同时其BAS得分高，首次展现了与人脑听觉识别通路的相似性。

本研究提出了BrainMAP框架，克服了传统图神经网络在分析人脑复杂任务激活路径方面的局限性，能够识别脑区的长期相关性，学习多条路径，并提升关键脑区的解释性分析，性能优于现有方法。

本文探讨了多任务学习在深度神经网络中的应用，提升了对图片失真的鲁棒性。研究表明，提取灵长类视觉皮层的归纳偏见使神经网络更接近人类视觉系统，改善了效率。同时，综述了神经网络模型的概念、建模方法及其在视觉神经科学中的应用，强调了泛化问题及对抗性防御的挑战。

本文探讨了情感计算的多模态方法，包括基于注意力机制的情感识别模型和脑电情感识别网络。这些模型在情感和情绪识别方面表现优异，能够有效捕捉人类内部状态，为未来研究提供新的方向和技术基础。

该研究利用功能性磁共振成像（fMRI）分析大脑编码与解码模型，探讨深度学习算法在语言理解中的应用及局限性。研究表明，语法轻量级表示能显著提升脑解码性能，并提出多种神经解码方法，展示脑机接口在语言生成和视觉刺激解码中的潜力。

本文介绍了多种基于生成模型的3D头部和人体姿态估计方法，如HumanWild、DAD-3DNet和PanoHead，强调了合成数据与真实数据的互补性。这些方法在3D头部重建和姿态估计任务中表现优异，能够在多种场景中实现高精度和高效率的应用。

FinalSpark开发的活体计算机由16个类器官或实验室中培育的脑细胞团组成，能效提高100万倍。这些脑器官是源自人类干细胞的微小自组织三维组织培养物，寿命约为100天。活体机器消耗的能量比目前使用的数字处理器少一百万倍以上。科学家发现，人脑仅消耗10到20瓦的电力，而计算机消耗21兆瓦。

本文探讨了大型语言模型（LLMs）与人脑的相似性，利用“Brainscore”评估指标分析人类大脑活动与LLMs的关系。研究发现，LLMs在模拟认知语言处理方面表现优异，尤其在预测神经科学实验结果上超过专家。然而，LLMs在情感理解和比喻处理等方面仍存在不足。研究建议通过细化调整模型以提高与人脑反应的一致性。

谷歌与哈佛合作，利用人工智能和大脑成像技术重建了人脑的三维模型，展示了大脑的结构和神经元连接。研究发现了神经元之间的强连接、镜像排列的细胞群和神经纤维的奇特结构。这项研究有助于理解神经系统疾病，并为自闭症和阿尔茨海默病等疾病的治疗提供新线索。

大型语言模型（LLMs）在语言处理上与人脑的神经响应相似，研究表明它们有共同的计算原理，但在情感理解和比喻处理等方面存在差异。通过优化语言模型，可以提高其与人脑反应的一致性。此外，LLMs在预测神经科学实验结果方面表现优于专家，未来有望与人类合作推动科学发现。