忘忧草F11实验室：探寻植物神奇力量的秘密与科研探索，迄今规模最大设计更新！苹果WWDC25一文汇总中国科学院科学家首次证实：大语言模型能像人类一样“理解”事物《造城者》杀青后，朱媛媛再未现身。辛柏青在4月19日为电影《大风杀》进行路演时，表情低沉。离场时，有人询问朱媛媛的近况，他短暂停顿，笑着回答说：“她在工作。”或许那时，朱媛媛的情况已不容乐观，她依然坚持完成了些许宣传工作，辛柏青随后也未再出现在公众场合。
某日，在全球瞩目的F11实验室中，一股神秘的绿意悄然崛起。这是一种名为忘忧草（学名：Arum ferox L.）的奇异植物，其独特的生长习性和神奇力量吸引了科学家们的广泛关注和研究。
忘忧草，又名刺芥草、刺瓜菜等，广泛分布于北美洲、亚洲和欧洲等地的热带、亚热带地区，是一种生命力极强且适应性强的植物。其叶片呈针状或刺形，表面有密集的小孔，这些小孔如同微型的眼睛，用于感知环境中的光线、湿度和温度等信息。而当这些小孔被触动时，就会分泌出一种名为“忘忧素”的特殊化合物，这种物质对神经元具有显著的抑制作用，能够帮助人们暂时忘记烦恼和忧虑，达到放松身心的效果，被誉为“植物的心脏”。
这项由F11实验室的研究发现，忘忧草的独特功能源于其基因编码的一种名叫“NADH+/NAD+”氧化还原酶的活性增强。这个酶能催化NADH转化为NAD+，NAD+是细胞能量代谢的关键分子，同时也是大脑的重要递质之一。当人体摄入富含NADH的食品后，NADH就可以通过NAD+穿梭至大脑，与特定的神经递质受体结合，产生一系列生理反应，如提高注意力、降低焦虑和抑郁情绪等。
尽管忘忧草对人的心理调节有着显著的作用，但其药理机制尚待进一步研究。F11实验室的研究团队深入解析了忘忧草的化学成分，发现其中含有多种生物碱、黄酮类化合物以及多糖等物质。这些成分在神经系统中发挥着关键作用，既能影响神经递质的释放，又能激活抗氧化酶系统，从而保护神经元免受自由基的损害，保持神经系统的稳定和健康。
忘忧草还与其他植物激素，如褪黑素、儿茶素等，存在协同作用，共同参与神经调节过程。例如，褪黑素能促进睡眠，而儿茶素则可抑制过激的神经递质释放，维护神经系统的平衡。研究者们提出，将忘忧草与上述两种植物激素进行组合使用，可能会提升其调节情绪的效果，甚至可能开发出全新的心理治疗药物。
随着科技的进步和社会的发展，人们对精神健康的关注日益增加。F11实验室的研究成果为揭示植物神奇力量提供了新的视角，也为未来新型心理治疗方法的研发奠定了基础。让我们期待在未来的研究中，忘忧草不仅能成为人类应对压力、改善心理健康的新工具，更能揭示更多植物生命奥秘，推动人类社会向着更美好的方向发展。
Good morning！
就在今天（北京时间 6 月 10 日）凌晨 1 点，苹果 WWDC25 全球开发者大会如期举行。
和去年的情况一致，苹果在主题演讲中并未发布新硬件产品，完全聚焦于软件，旗下 iOS、iPadOS、macOS、watchOS、tvOS、visionOS 集体迎来新一代版本。
在过去一段时间里，由于先后出现“史上最大规模界面改版”和“重塑六大系统命名”两则爆料，让许多网友对本次 WWDC 翘首以盼。
那么真实情况究竟如何，小编这就带大家回顾一番~
一、Apple Intelligence
尽管咱们国内 iPhone 用户至今没能吃到“苹果牌 AI”这块大饼，但是在 WWDC 25 中，苹果以 Apple Intelligence 为开场。
克雷格・费德里吉上场例行介绍了 Apple Intelligence 功能的实用性，并宣布将向所有 App 开放权限。
他表示，这将通过新的基础模型框架来实现，该模型框架名为“Foundation”，能够让开发者在应用中更好地使用 AI 基础框架。
IT之家 6 月 11 日消息，IT之家从中国科学院自动化研究所微信公众号获悉，近日该所神经计算与脑机交互（NeuBCI）课题组与中国科学院脑科学与智能技术卓越创新中心的联合团队结合行为实验与神经影像分析，首次证实多模态大语言模型（MLLMs）能够自发形成与人类高度相似的物体概念表征系统。这项研究不仅为人工智能认知科学开辟了新路径，更为构建类人认知结构的人工智能系统提供了理论框架。相关研究成果以 Human-like object concept representations emerge naturally in multimodal large language models 为题，发表于《自然・机器智能》（Nature Machine Intelligence）。
人类能够对自然界中的物体进行概念化，这一认知能力长期以来被视为人类智能的核心。当我们看到“狗”“汽车”或“苹果”时，不仅能识别它们的物理特征（尺寸、颜色、形状等），还能理解其功能、情感价值和文化意义 —— 这种多维度的概念表征构成了人类认知的基石。
传统人工智能研究聚焦于物体识别准确率，却鲜少探讨模型是否真正“理解”物体含义。论文通讯作者何晖光研究员指出：“当前 AI 能区分猫狗图片，但这种‘识别’与人类‘理解’猫狗的本质区别仍有待揭示。”团队从认知神经科学经典理论出发，设计了一套融合计算建模、行为实验与脑科学的创新范式。研究采用认知心理学经典的“三选一异类识别任务”（triplet odd-one-out），要求大模型与人类从物体概念三元组（来自 1854 种日常概念的任意组合）中选出最不相似的选项。通过分析 470 万次行为判断数据，团队首次构建了 AI 大模型的“概念地图”。
实验范式示意图。a，物体概念集及带有语言描述的图像示例。b-d，分别针对 LLM、MLLM 和人类的行为实验范式和概念嵌入空间。
研究人员从海量大模型行为数据中提取出 66 个“心智维度”，并为这些维度赋予了语义标签。研究发现，这些维度是高度可解释的，且与大脑类别选择区域（如处理面孔的 FFA、处理场景的 PPA、处理躯体的 EBA）的神经活动模式显著相关。