学习是一个复杂的过程，涉及先天与后天的结合。大脑通过神经元和突触的连接实现学习，突触的强化和修剪至关重要。注意力、主动参与和错误反馈等因素影响学习效果。有效的学习方法包括深度加工、主动提取和间隔复习，良好的睡眠有助于记忆巩固。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

浙江大学推出全球最大类脑计算机“悟空”，采用达尔文3代芯片，具备20亿脉冲神经元和1000亿突触，模拟动物大脑，支持多种智能应用，为人工智能和神经科学研究奠定新基础。

研究表明，大模型在隐私安全与公平性之间存在“跷跷板”效应。中国人民大学与上海AI Lab提出的SPIN方案，通过抑制0.00005%的关键神经元，能够同时提升模型的公平性和隐私保护，解决二者矛盾。该方法无需训练，具备高可解释性和零成本部署的优势。

研究表明，大模型在隐私保护与公平性之间存在“跷跷板”效应，强化隐私可能导致公平性下降。为此，提出SPIN方案，通过精准抑制关键神经元，提升模型的公平性与隐私意识，且无需训练，效果显著。

机器之心数据服务现已上线，提供高效、稳定的数据获取，简化数据爬取流程。

本研究解决了现代神经网络中重复激活所有神经元所导致的计算冗余和低效问题。论文提出了一种新颖的矩阵插值丢弃层（MID-L），通过学习的输入依赖门控向量，在两个变换路径之间动态选择和激活最有信息的神经元，从而实现每个输入的自适应计算。研究结果显示，MID-L在六个基准测试中实现了平均55%的活跃神经元减少和1.7倍的计算量节省，并保持或超越了基线准确性，展现了其在研究和有限计算资源系统上的广泛应用潜力。

本研究提出了一种新颖的生物储Reservoir计算（BRC）范式，利用培养的生物神经元池进行模式识别。通过多电极阵列实时记录神经活动，生成非线性映射，提升了模式识别的效率和简便性。实验结果表明，生物神经网络在执行传统人工神经网络任务方面具有可行性。

本研究提出了一种新方法，通过识别和修改负责安全约束的神经元，诱发大型语言模型的失调，揭示现有对齐技术的脆弱性，并强调需要加强对抗性微调攻击的防御。

本研究提出了一种新框架，结合神经元反弹兴奋性与胜者通吃计算，解决了中心模式生成器设计的不足，实现了决策与节律模式生成的统一，适用于类脑系统和机器人。

本研究提出了ValueExploration框架，探讨大型语言模型中的社会价值机制。通过去活化相关神经元，发现模型行为显著变化，揭示了价值对决策的影响。

本研究针对多模态大语言模型（MLLMs）在信息生成和内部处理方面的透明度不足的问题，提出了一种新方法，通过MiniGPT-4识别与特定知识相关的神经元。实验结果表明，我们的方法在知识定位的准确性上优于现有技术，为未来的知识编辑和控制提供了新的可能。

本研究针对视觉转换器模型的不透明性和理解困难，提出了一种联合影响度量方法，以评估神经元对模型结果的贡献。通过逐层定位神经元，我们有效识别出输入到输出的关键神经元路径，实验结果表明该方法在找出信息流动的最具影响力神经元路径方面优于现有方法，并揭示了视觉转换器在处理同一图像类别时的内在工作机制。