微精选

诺贝尔奖得主David Baker及华盛顿大学蛋白质设计研究所的Nathaniel R. Bennett、Joseph L. Watson等人，利用名为RFdiffusion2的人工智能工具，成功实现了完全从头设计能够精准结合特定靶点的抗体，其精度达到了前所未有的原子级别。

研究团队利用为抗体设计专门优化的AI模型RFdiffusion2，直接生成能够靶向特定疾病表位的抗体序列。该方法的核心在于，AI能够精准设计抗体的互补决定区（complementarity-determining regions, CDRs），即决定其特异性结合能力的关键部分。团队将计算设计与酵母展示筛选实验相结合，成功生成了多种形式的抗体。他们针对四种疾病靶点（包括流感病毒和艰难梭菌毒素）设计的抗体，不仅表现出纳摩尔级的强结合亲和力，更重要的是，通过冷冻电镜技术验证，这些抗体的实际三维结构与AI预测的模型高度吻合，主干结构偏差低至1.45埃，关键功能区的偏差甚至仅有0.8埃，证实了原子级的准确性。此外，团队还将初始亲和力较低的设计通过定向进化技术提升了百倍，且不改变其原有的精准结合模式。这项工作建立了一个从计算设计、筛选到验证的完整框架，为精准药物开发开辟了新途径。研究发表在 Nature 上。

Nature：腺苷信号是氯胺酮和电休克疗法抗抑郁作用的关键机制

氯胺酮（Ketamine）和电休克疗法（ECT）虽能快速缓解抑郁症，但其作用机制一直不明。为开发更安全的疗法，北京脑科学与类脑研究所的罗敏敏、中国科学院长春应用化学研究所的王晓辉，以及乐晨雨、王娜等研究人员，通过小鼠模型研究，揭示了腺苷信号是驱动这两种疗法抗抑郁效果的核心通路，为开发新型非侵入式抗抑郁疗法提供了新靶点。

研究团队利用小鼠模型，结合基因编码的腺苷传感器和实时光学记录技术，发现氯胺酮和电休克疗法都能在调节情绪的关键脑区，如内侧前额叶皮质和海马体，引发强烈的腺苷激增。为了证实腺苷信号的关键作用，研究人员通过遗传或药理学手段破坏A1和A2A腺苷受体，发现这两种疗法的抗抑郁效果随之消失。研究进一步揭示，氯胺酮并非通过导致神经元过度活跃，而是通过调节细胞代谢来提高细胞内腺苷水平。基于这一新机制，团队成功开发出新型氯胺酮衍生物，这些衍生物能更有效地增强腺苷信号，在展现出更优抗抑郁效果的同时，副作用显著减少。此外，研究还发现一种非药物干预手段——急性间歇性低氧（acute intermittent hypoxia），它通过可控地降低氧气水平，同样能提升大脑腺苷水平并产生抗抑郁效果。这些发现统一了氯胺酮和电休克疗法的作用机制，证实腺苷是治疗重度抑郁症的关键靶点。研究发表在 Nature 上。

融合解剖与成像：BraDiPho工具构建高精度三维人脑白质图谱

为解决脑白质研究中离体解剖与活体成像技术难以整合的挑战，由特伦托大学的Silvio Sarubbo、布鲁诺·凯斯勒基金会的Paolo Avesani及波尔多大学的Laurent Petit等研究人员组成的国际团队，开发了一种名为BraDiPho的创新工具。该工具通过融合人工智能与摄影测量技术，成功创建了首个可精确对齐解剖标本与神经影像数据的高分辨率三维脑图谱。

人脑白质连接的研究长期依赖两种互补但割裂的技术：扩散磁共振成像纤维束追踪（diffusion MRI tractography，一种无创观察活体大脑纤维束的技术）和离体显微解剖。前者虽能三维成像，但常产生假阳性；后者虽是金标准，却局限于二维静态图像。为弥合这一鸿沟，研究团队开发了BraDiPho（脑解剖摄影测量法）。该方法对解剖后的人脑标本，从360度不同角度拍摄数千张超高分辨率照片，再利用人工智能算法将这些二维图像重建为一个精细的、带有真实纹理的三维数字模型。该模型被配准到放射学空间，首次实现了离体解剖结构与活体磁共振成像数据的精确融合与量化比较。这一突破性成果不仅为验证纤维束追踪的准确性提供了可靠依据，也为神经外科手术规划、神经退行性疾病研究及神经解剖学教学提供了前所未有的“导航地图”。研究发表在 Nature Communications 上。

运动能否提升脑力？为探究不同运动强度对认知功能的影响及其神经机制，考文垂大学的Ricardo Martins及其团队进行了一项研究。他们发现，高强度的阻力运动比中等强度运动更能有效提升工作记忆和注意力，其原因在于高强度运动能显著增加大脑关键区域的氧气供应，从而激活大脑。

该研究招募了42名健康的年轻人，将其随机分为高强度、中等强度阻力运动组和无运动对照组。参与者在运动前、后即刻及45分钟后，执行了评估抑制控制（inhibitory control，即抑制干扰信息的能力）的Stroop任务和评估工作记忆的N-back任务。同时，研究人员使用功能性近红外光谱（fNIRS，一种测量大脑皮层氧合水平的光学成像技术）监测其前额叶皮层的血流动力学变化。结果显示，高强度运动组在两项认知任务中的表现提升最为显著，且这种效果在运动后45分钟依然存在。脑成像数据揭示了其背后的机制：高强度运动显著增加了前额叶皮层的氧合血红蛋白水平，尤其是在右半球，表明大脑神经活动增强，为认知任务提供了更多能量支持。研究发表在 Behavioural Brain Research 上。

基因改造揭示内毛细胞主导听觉器官结构形成

内耳听觉器官的精密细胞结构是如何形成的？美国西北大学医学院的Jaime García-Añoveros、Ignacio García-Gómez及其团队通过小鼠实验，揭示了一种关键的感觉细胞——内毛细胞，在发育过程中扮演着“建筑师”的角色，主动指挥周围支持细胞的排列和分化，从而主导了整个听觉器官的组装。

为了探明内耳中不同细胞类型的发育指令，研究人员利用基因工程技术，在小鼠的不同发育阶段实现了内毛细胞（inner hair cells, IHCs）与外毛细胞（outer hair cells, OHCs）之间的身份互换，并构建了完全缺失内毛细胞的模型。这一方法类似于精准的“细胞移植”，使团队能直接观察特定细胞类型对周围组织的影响。

研究结果清晰地表明，内毛细胞并非被动的感觉接收器，而是听觉器官科尔蒂氏器（organ of Corti，将声音振动转换为神经信号的精密结构）发育的积极组织者。实验观察到，内毛细胞发出的信号能够促进外柱细胞（outer pillar cells）的分化，同时抑制迪特斯细胞（Deiters’ cells）的发育，从而确保这两种支持细胞精确地排列在各自的专属行中。此外，内毛细胞对于包裹自身的内指骨细胞（inner phalangeal cells）的早期形成和迁移也至关重要，它会主动吸引这些细胞靠近并环绕自己。这些发现证实，内毛细胞通过复杂的细胞间通讯，主导了多种支持细胞的命运和空间布局，是构建听觉器官精密结构的关键。这一成果不仅加深了对器官发育的理解，也为未来开发听力再生疗法提供了新思路，因为重建功能性听觉不仅需要毛细胞，更需要它们与支持细胞的精确协作。研究发表在 Science Advances 上。

7T MRI揭示大脑如何预测和调节身体需求的全脑网络

大脑如何预测并调节身体的能量需求，同时感知内部状态？麻省总医院布里格姆医院的Jiahe Zhang、Lisa Feldman Barrett和Marta Bianciardi等人利用尖端成像技术，首次以超高精度绘制了支持这一核心功能的全脑网络图谱，揭示了身心健康的神经基础。

研究团队采用超高场7特斯拉功能磁共振成像（7 Tesla functional MRI）技术，对90名处于静息状态的健康受试者进行脑部扫描，以捕捉自发的身体调节活动。该技术相较于传统的3特斯拉MRI，具有更高的空间分辨率和信噪比，能够以前所未有的精度解析脑干等微小深部脑区。研究人员将成像数据与一个名为脑干导航器（Brainstem Navigator）的最新活体脑干图谱相结合，精确分析了支持异质稳态（allostasis，指大脑预测并准备满足身体能量需求的过程）与内感受（interoception，指监测身体内部感觉状态的过程）的神经网络。结果不仅重复并扩展了先前的研究，还证实了超过96%在非人哺乳动物示踪研究中发现的解剖连接。研究发现，负责管理身体需求的脑区（如前扣带回皮层）与负责感知的脑区（如后岛叶）之间存在密切的双向通讯。这一发现将身体需求的监测与调节置于人脑功能的核心，为理解精神疾病与躯体疾病背后的大脑-身体通讯障碍提供了关键证据。研究发表在 Nature Neuroscience 上。

首次全面量化强化冥想对人体的系统性影响

身心干预如何从生物学层面影响健康？加州大学圣地亚哥分校的 Alex Jinich-Diamant 和 Hemal H. Patel 等研究人员，通过一项综合性研究，首次全面量化了一种结合冥想、概念重塑和疗愈仪式的强化静修活动对人体的短期影响，结果揭示了其能够迅速且广泛地改变大脑功能和血液生物学特征。

研究团队对20名健康成年人进行了为期七天的住宿式静修干预，并在前后采集了大脑影像和血液数据。研究方法结合了功能性磁共振成像、高通量血浆分析（包括蛋白质组学和代谢组学）以及体外细胞实验。研究结果显示，静修带来了深刻的身心变化。大脑层面，fMRI数据显示，与内心独白和自我反思相关的默认模式网络活动减弱，而大脑不同区域间的协同活动增强，表明大脑功能变得更高效、更整合。分子层面，参与者静修后的血浆在体外实验中能显著促进神经元生长，增强神经可塑性。此外，血液分析还发现，身体的天然止痛系统被激活（内源性阿片类物质水平升高），细胞代谢转向更灵活的糖酵解模式，并呈现出一种同时激活炎症与抗炎通路的复杂免疫调节反应。有趣的是，参与者报告的“神秘体验”程度越高，其大脑整合度的变化也越大，这种神经活动模式与使用裸盖菇素等迷幻药物后观察到的现象惊人地相似。研究发表在 Communications Biology 上。

想赢石头剪刀布？新研究发现：忘掉上一局是关键

在竞争博弈中，大脑如何决策？为何人们难以做到真正的随机？Denise Moerel, Tijl Grootswagers, Jessica L L Chin及同事利用脑电超扫描技术（hyperscanning），研究了人们在玩“石头剪刀布”游戏时的决策过程。研究发现，大脑在竞争中会不自觉地依赖过往经验，且这种倾向在输家中尤为明显，从而影响了最佳策略的执行，揭示了人类决策中固有的认知偏见。

研究团队通过超扫描（hyperscanning，一种同步记录多个互动个体大脑活动的技术）方法，同步记录了31对参与者在进行总计15,000轮电脑版“石头剪刀布”游戏时的脑电图（EEG）数据。分析发现，尽管最佳策略是完全随机，但玩家普遍存在行为偏见，如更偏爱出“石头”，并倾向于避免重复上一轮的选择。利用多元解码技术，研究人员甚至能在玩家做出选择前，就从其大脑活动中预测出他们的决定。更重要的是，大脑在决策时会调用上一轮自己和对手的出招信息。一个决定性的发现是，只有输家的脑中才存在关于上一轮比赛的独特信息表征，而赢家的大脑则没有。这有力地证明，在需要不可预测性的竞争中，过度依赖和“复盘”过往结果是一种有害策略，它会妨碍最佳表现，使人更容易输掉比赛。研究发表在 Social Cognitive and Affective Neuroscience 上。

如何利用人工智能系统性地探索数学未知领域并自主发现新构造？来自Google DeepMind的BOGDAN GEORGIEV、JAVIER GÓMEZ-SERRANO、ADAM ZSOLT WAGNER与著名数学家TERENCE TAO合作，开发了一款名为AlphaEvolve的AI工具。该工具通过进化算法与大型语言模型的结合，成功在多个数学难题中发现超越现有水平的新构造，并启发了新的数学研究。

AlphaEvolve的核心思想是进化生成数学构造的计算机程序，而非直接操纵数学对象本身。它从一个基础程序入手，利用大型语言模型生成大量略有差异的程序“变体”，并通过一个评分函数评估每个程序所产生构造的优劣，不断迭代优化。研究团队设计了两种关键模式：一种是“搜索模式”，让AlphaEvolve进化出高效的搜索启发式算法，在限定时间内寻找特定问题的最佳构造；另一种是“泛化器模式”，旨在通过分析小规模问题的解，发现并归纳出适用于任意参数的通用公式。

为验证其能力，研究团队在涵盖分析、组合数学、几何学与数论的67个问题上部署了AlphaEvolve。结果显示，该系统在大部分问题中复现了当前最佳解，并在部分问题上取得了突破，其发现的新构造甚至启发了合作者TERENCE TAO撰写两篇新的数学论文。更引人注目的是，研究团队成功将AlphaEvolve与用于符号推理的Deep Think和用于形式化验证的AlphaProof工具链结合，展示了从AI发现经验模式到生成严格数学证明的自动化工作流。

《中国神经系统疾病报告2024》发布：脑机接口为百万患者带来新希望

根据最新发布的《中国神经系统疾病报告2024》，神经系统疾病已成为中国重要的公共卫生挑战，尤其随着人口老龄化加剧，脑血管病和神经退行性疾病等负担日益沉重。报告显示，脑血管病位居中国居民死因顺位的第三位，仅次于恶性肿瘤和心脏病，其中脑卒中（Stroke，俗称中风）更是我国成人致死、致残的首位病因，我国因脑卒中死亡人数约占全球总数的三分之一。近年来，我国在神经系统疾病的预防管理、诊疗技术和科研创新方面取得了显著进展。《中国神经系统疾病报告2024》基于最新的流行病学调查和临床研究成果，系统梳理了我国神经系统疾病的流行趋势、防治策略及规范化管理现状，为相关政策制定、临床实践及科研发展提供了科学且重要的依据。 

在科研领域，脑机接口技术取得了重大突破，为庞大的神经系统疾病患者群体带来了新的治疗希望。例如，由国家神经疾病医学中心、首都医科大学宣武医院与清华大学合作，开展了全球首例硬膜外脑机接口（Epidural BCI，一种将电极植入硬脑膜上方的侵入性脑机接口技术）临床试验。国家神经疾病医学中心主任、首都医科大学宣武医院院长赵国光研究员介绍，目前已完成32例四肢瘫痪患者的脑机接口植入，通过采集患者的大脑运动意念信号并结合外骨骼支架的实时反馈，模拟正常的生理传导以修复损伤，研究人员已经“初步看到了一些曙光”。此外，该技术在肢体运动障碍、意识与认知障碍、癫痫和精神性疾病等的治疗和康复方面展现出巨大潜力。中国工程院院士、北京协和医学院院校长吉训明研究员指出，通过脑神经网络的深入研究结合脑机接口技术，有望攻克以往难以解决的重要问题，特别是无创脑机接口（Non-invasive BCI）的应用，对于了解人类衰老机制和增强老年人功能将发挥关键作用。

Kimi K2 Thinking推理能力超越GPT-5

月之暗面（Moonshot AI）近日发布并开源了其最新且功能最强大的思考模型——Kimi K2 Thinking，迅速在业界引发热议。这款模型主打“模型即智能体”（Model as Agent），通过掌握边思考边使用工具的能力，标志着开源模型在逼近甚至超越顶尖闭源模型方面迈出了重要一步。Kimi K2 Thinking的核心能力在于其卓越的自主推理与工具调用能力，无需人工干预即可连续执行多达 200-300 次工具调用。在架构细节上，该模型拥有 1TB 参数量和 32B 的激活参数（Active Parameters，指模型在特定计算过程中实际参与运算的参数数量），并采用了 256K 的长上下文窗口。值得注意的是，Kimi K2 Thinking原生支持 INT4 量化（INT4 Quantization，一种将模型参数压缩至 4 比特整数的技术），而非传统的 FP8（Floating Point 8-bit，8比特浮点数），这不仅大幅提升了推理速度约两倍，还增强了对包括国产加速计算芯片在内的硬件兼容性。 

Kimi K2 Thinking 的性能在多项关键基准测试中刷新了 SOTA纪录。在允许使用工具的人类最后的考试（HLE）和测试自主网络浏览能力的 BrowseComp 等评测中，Kimi K2 Thinking 的成绩超越了包括 GPT-5 和 Claude Sonnet 4.5 (Thinking) 在内的闭源竞争者，特别是在 BrowseComp 中以 60.2% 的成绩证明了其强大的自主搜索与长程规划能力。研究人员指出，这种提升得益于其在测试时扩展（Test-Time Scaling）领域的最新进展，通过同时扩展思考 Token（Thinking Tokens，用于模型内部推理和规划步骤的计算资源）和工具调用轮次来实现更强的智能体和推理性能。在专业的 tau^2-Bench Telecom 智能体工具使用基准测试中，Kimi K2 Thinking 达到了 93% 的高分，大幅提升了其在复杂 Agent 场景下的处理能力。此外，新模型在 Agentic 编程、创意写作和学术分析等通用基础能力方面也全面升级，巩固了其作为新一代开源智能体模型的地位。

AI科学家Kosmos开启科研全自动化新时代，12小时完成人类六个月工作量

由爱迪生科学（Edison Scientific）开发的全自动“AI科学家”Kosmos，在科研领域展现出惊人的效率和跨学科能力。该系统无需人类干预，即可自主执行从文献检索、数据分析、编写代码到撰写报告和论文的完整研究流程。研究人员发现，Kosmos 最长能连续工作12小时，平均单次研究可阅读1500篇论文，并生成多达4.2万行分析代码，其20轮的研究成果约相当于人类团队6个月的工作量。Kosmos 的科研质量极高，79%的研究结果可被人类科学家复现。系统已在代谢组学、神经科学、材料科学等多个领域取得了7项真实发现，甚至成功复现了人类未公开的成果。例如，在神经保护代谢组学领域，Kosmos 通过通路富集分析（Pathway Enrichment Analysis, 一种分析实验中观察到的基因或蛋白质变化是否集中在特定的生物学通路上的方法），准确识别出低温通过激活核苷酸补救途径（一种节省能量的代谢方式）来保护大脑，其具体代谢物变化趋势与人类研究结果的匹配度高达R²=0.998。 

Kosmos 之所以能突破现有 AI 系统的限制（如前身 Robin 仅能生成约4000行代码且上下文衔接存在问题），核心在于其“循环迭代+信息共享”的全自动流程，并依赖于一个结构化世界模型（Structured World Model, 共享的中央知识库）。研究人员只需提供一个开放的研究目标和对应的数据集，Kosmos 便会启动数据分析和文献搜索的双轨模式，通过共享大脑实时整合信息，确保每一步方向正确。这一流程最多可运行200多轮，直至目标完成，最终报告中每句话都标有对应的代码或文献来源，显著提高了研究结果的可追溯性和可信度。该项目主要由爱迪生科学的技术人员 Ludovico Mitchener 和 Michaela Hinks 主导。尽管功能强大，Kosmos 仍存在局限性，例如它可能将统计学显著但科学意义不大的结果作为重点，且在处理超过5GB的大型数据集时效率会下降。此外，系统在解读数据时也常使用绝对化表述。

如何实时解码普通话这一声调语言是脑机接口领域的一大挑战。天桥脑科学研究院、上海脑虎科技有限公司陶虎、复旦大学附属华山医院吴劲松、中国科学院大学周志涛团队成功开发并验证了一个能实时解码普通话的BCI框架，首次实现了对声调语言的高效解码，为因神经系统疾病失语的患者带来了新的沟通希望。

研究团队招募了一名43岁的女性癫痫患者，在其大脑语言相关区域植入了256通道的高密度皮层脑电图（ECoG，一种直接放置在大脑皮层表面的电极阵列），在11天内记录了其在朗读单字和句子时的神经信号。该研究创新地采用了以音节为中心的解码框架，将包含声调信息的完整普通话单音节作为解码单元，有效克服了普通话同音词多、语音冗余度低的挑战。分析显示，系统仅凭神经信号就能以71.2%的中位准确率识别音节。在整合了3元汉语语言模型的实时句子解码任务中，字符准确率达到73.1%，通信速率高达每分钟49.7个字符。研究还发现大脑中存在处理音节和声调的不同神经关联，该系统成功解码了包含394个不同声调音节的集合，并能让参与者用意念控制机械臂和虚拟形象。这一突破性成果为声调语言的语音神经假体开发铺平了道路。研究发表在 Science Advances 上。

如何为失明者恢复有意义的视觉？针对当前视觉假体无法与大脑“交流”的局限，西班牙埃尔切米格尔·埃尔南德斯大学（UMH）的Fabrizio Grani、Cristina Soto Sánchez、Alfonso Rodil Doblado、Rocío López Peco、Eduardo Fernández Jover及Dr. Balmis综合大学医院的Pablo González López等人，开发出一款新一代视觉神经假体。该设备首次实现了与大脑的双向实时通信，成功帮助盲人志愿者感知形状和字母，向恢复功能性视觉迈出关键一步。

该研究为两名盲人志愿者的大脑视觉皮层植入了一个包含100个微电极的阵列。与以往只能单向发送指令的“开环”系统不同，这项新技术的突破在于其“闭环”（closed-loop）设计，它不仅能通过电刺激向大脑“写入”信息以诱导产生光点感知（phosphenes，一种没有光线进入眼睛却能看到光的感觉），还能同时“读取”附近神经元的活动。这种双向通信机制将技术与大脑的单向独白变成了动态对话。

研究结果表明，系统可以根据记录到的神经活动，准确预测特定电刺激是否会引发视觉感知，甚至能估计其感知亮度。基于这种反馈，系统能够实时自动微调刺激参数，适应大脑的变化，从而克服了神经元可能因疲劳或学习而改变反应的难题。得益于这种智能化的双向互动，志愿者不仅能够感知光点，还能识别复杂的图案、运动、形状乃至部分字母。这项技术展示了通过模拟自然视觉的反馈回路来提升人工视觉效果的巨大潜力，为开发更稳定、更高效的视觉假体铺平了道路。研究发表在 Science Advances 上。

AI新突破：滑铁卢大学利用上下文线索精准追踪冰球，提升体育分析可及性

如何在普通体育转播视频中低成本地精准追踪冰球和球员是体育分析领域的一大挑战。滑铁卢大学的Liam Salass、Jerrin Bright、Amir Nazemi、Yuhao Chen、John Zelek、David Clausi等研究人员开发了两套创新的人工智能系统（PLUCC和SportMamba），它们利用上下文线索和动态预测，显著提高了追踪精度和效率，为低成本体育分析提供了可能。

研究团队开发了两套人工智能系统。其中，名为PLUCC（Puck Localization Using Contextual Cues）的模型创新地利用球员身体姿态和视线方向作为上下文线索来推断冰球位置。这种单帧处理方法避免了传统追踪技术中常见的误差累积。实验结果显示，PLUCC将冰球定位的平均精度提升了12%，并将一种名为冰场空间定位误差（Rink Space Localization Error, RSLE）的新评估指标下的误差降低了超过25%。另一套系统SportMamba则用于追踪多名球员，其准确性比现有方法高出18%。这些工具为小型组织提供了低成本的高级体育分析方案，无需昂贵的专用设备。研究论文发表在 arXiv 预印本服务器上，并在2025年IEEE/CVF计算机视觉与模式识别研讨会上进行了展示。

AI生成的人脸图像与真实照片真假难辨，挑战视觉媒体信任度

人工智能能否生成令人信以为真的名人照片？来自斯旺西大学、林肯大学和以色列阿里尔大学的Robin S. S. Kramer, Alex L. Jones, Daniel Fitousi 和 Jeremy J. Tree等研究人员进行了一项研究。他们发现，利用现成的AI工具生成的名人图像已达到与真实照片几乎无法区分的水平，这对视觉媒体的信任度构成了严峻挑战。

研究团队利用OpenAI的ChatGPT和DALL·E模型，生成了一系列虚构人物及好莱坞明星（如Paul Rudd和Olivia Wilde）的高仿真度面部图像。在四项独立的实验中，他们向来自多个国家的参与者展示这些AI图像与真实照片，并要求他们进行辨别。结果显示，参与者普遍无法准确区分真实照片与AI生成的图像。

更重要的是，研究发现，即便参与者对照片中的名人非常熟悉，或者在任务中提供真实的对比照片，也只能带来微乎其微的帮助。这表明人类对面孔的识别专长在对抗先进的AI生成技术时已不足够。这一发现揭示了“深度伪造”（deepfake）技术已达到一个新的现实主义水平，AI能够轻易制造出足以以假乱真的真实人物图像。这不仅可能被用于传播虚假信息、操纵名人代言等，也严重侵蚀了公众对视觉信息的信任基础。研究人员强调，由于人类已难以通过肉眼辨别真伪，因此迫切需要开发出可靠的自动化检测工具。研究发表在 Cognitive Research: Principles and Implications 上。