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。

文章探讨了知识驱动和启发式认知系统在对抗性防御、可解释人工智能和零样本学习中的应用。深度学习模型尽管表现出色，但因无法利用领域知识而在实际应用中受限，易受攻击且缺乏可解释性。结合领域知识和启发式神经网络可以缓解这些问题，提升智能行为的可解释性和对抗稳健性，并促进对人脑工作原理的理解。

人脑的复杂结构对了解功能和诊断疾病很重要。最近，研究人员使用图神经网络（GNNs）来研究人脑模型和脑部疾病分析。本文回顾了使用GNNs进行脑图学习的研究工作，并提供了代表性方法和数据集。未来的研究方向也被讨论。

本文介绍了一种新方法，从大规模地理参考照片中提取人类情感。通过空间聚类构建地点，并利用计算机视觉技术从面部表情中提取情感。研究结果可用于丰富地理和基于地理信息系统的场所感的理解。

该研究使用深度学习方法探索了解码听到的言语的神经表达，揭示了解码言语知觉期间神经活动的潜力。研究对于发展脑-机接口技术和理解言语知觉过程具有重要意义。

本文介绍了一种通过大规模合成数据学习一次性4D头部合成的方法。首先通过对抗学习从单眼图像中学习部件级4D生成模型，然后利用基于Transformer的可动三面板重建器使用合成数据学习4D头部重建。实验证明了该方法的优越性。

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。

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。

本文介绍了如何利用非结构化知识表示，将其转化为有意义的结构化表示，帮助机器人理解人脑如何创造奇迹。