附录：详细课题列表如下

（1）长期记忆体系构建与个性化交互研究

为使AI助理能够准确理解和运用不同类型的知识，提供个性化且连贯的用户交互体验，本研究致力于构建全面的长期记忆体系。通过整合语义记忆、情景记忆和程序性记忆等多种记忆机制，提升AI助理对用户历史交互和知识背景的理解能力。

研究内容包括：

1. 多类型数据和知识的统一表示与存储方法；

2. 基于记忆体系的上下文理解、复杂任务理解与规划和个性化连贯对话等技术；

3. 个性化用户模型的构建与动态更新机制；

4. 文件深度解析技术；

5. 用户属性、行为、情感状态、偏好与需求的感知技术；

6. 用户思维习惯与推理能力感知；

7. 用户画像的精细化与持续更新；

8. 岗位职责与能力感知。通过本研究，期望显著提升AI助理的智能水平，为用户带来更加自然、高效的交互体验。

（2）基于大语言模型的知识挖掘与符号化表达研究

针对用户数据中蕴含的丰富知识，利用大语言模型的强大理解和生成能力，深入挖掘数据中的有价值信息。研究如何构建高效的知识挖掘方法，提取隐含在用户数据中的深层次知识。同时，探索统一的符号化表达方式，将多源、多样化的用户信息转化为一致的符号表示，以便于进一步的分析和应用。

研究内容包括：

1. 基于大语言模型的用户数据知识表示与提取；

2. 用户数据中深层次知识的挖掘方法；

3. 统一符号化表达的构建与优化；

4. 语义感知与内容理解；

5. 知识的识别与抽取；

6. 基于嵌入表达、知识图谱、符号逻辑的知识表示；

7. 基于语义网络、概念层次结构等新型知识表示方法的探索；

8. 基于多方法融合的知识表示；

9. 兼容多种知识表达方法的记忆元构造；

10. 记忆元的大规模高性能存储与管理。

（3）基于生成式人工智能的意图识别、思维习惯与决策逻辑深度挖掘研究

生成式人工智能具备强大的自然语言理解与生成能力，能够深入挖掘用户的意图、思维习惯和决策逻辑等深层次信息。通过分析用户数据与记忆，利用大语言模型捕捉用户的认知模式、行为特征和意图表达，为个性化推荐、人机交互优化、用户行为预测以及多代理任务指派等领域提供支持。

研究内容包括：

1. 基于生成式人工智能的用户意图识别方法；

2. 多代理任务指派与协作机制；

3. 用户思维习惯和决策逻辑建模方法；

4. 大语言模型在深层信息提取中的应用；

5. 用户思维、意图与决策过程的符号化表达与理解；

6. 个体意图识别；

7. 群体意图识别；

8. 任务复杂度评估；

9. 复杂任务分解。

（4）生成式人工智能的长期记忆更新与遗忘机制研究

针对生成式人工智能模型在长期记忆管理中的挑战，研究如何实现模型对知识的动态更新与适当遗忘。通过探索模型的记忆更新策略和遗忘机制，解决模型在持续学习过程中面临的旧知识干扰、新知识整合困难等问题。旨在构建具备高效长期记忆能力的生成式模型，提升其在复杂环境中的适应性和稳定性。

研究内容包括：

1. 生成式模型的长期记忆表示与存储方法；

2. 模型知识的增量更新策略；

3. 适应性遗忘机制的设计与实现；

4. 长期记忆管理对模型性能的影响分析；

5. 基于个体记忆元整合的记忆体构建；

6. 基于群体记忆元整合的记忆体构建；

7. 基于世界记忆元整合的记忆体构建；

8. 新知识的发现与衍生；

9. 高阶知识的凝练升华。

（5）长期记忆机制对生成式模型的能力提升研究

长期记忆机制对生成式人工智能的发展具有重要意义。通过构建有效的长期记忆模型，生成式人工智能可以更好地保留和利用历史信息，增强对复杂上下文和任务的理解，从而提升生成内容的质量和一致性。本研究旨在探索生成式模型中的长期记忆机制，研究长期记忆对模型性能的帮助与提升。

研究内容包括：

1. 生成式模型长期记忆的表示、存储和查找方法；

2. 基于长期记忆的上下文理解与生成优化；

3. 长期记忆机制在多轮对话和长文本生成中的应用；

4. 融合长期记忆的模型训练和更新策略；

5. 长期记忆对生成式人工智能性能提升的评估与分析；

6. 面向特定任务求解的记忆体调用。

（6）大语言模型在长期记忆识别与抽取中的应用研究

利用大语言模型对个人和组织数据进行加工处理，识别和抽取独特的长期记忆，有助于实现知识的有效管理和传承，提升组织学习能力和个人智能助理的效率。研究将聚焦于信息的真实性与可靠性评估、记忆片段的连贯性构建以及如何有效存储这些长期记忆等方面。

研究内容包括：

1. 基于大语言模型的个人和组织数据预处理方法；

2. 个人和组织长期记忆的识别机制研究；

3. 大语言模型在长期记忆抽取中的算法设计与优化；

4. 认知图谱构建与动态更新。

（7）长期记忆的符号表示与重构研究

针对当前人工智能系统缺乏人类般长期记忆能力的问题，研究如何在人工智能语境下实现长期记忆的符号化或知识化表示，并有效地还原和重构这些记忆。本研究旨在探索长期记忆的符号表示方法，设计兼具高效性和可靠性的存储与检索机制，促进人工智能系统在认知深度和学习能力上的提升。

研究内容包括：

1. 长期记忆的符号化表示模型构建；

2. 人工智能系统中长期记忆的存储策略；

3. 基于知识表示的长期记忆还原与重构技术；

4. 提升人工智能系统长期记忆能力的评估方法与优化策略。

（8）长期记忆在推理和规划中的作用机制研究

探讨长期记忆对于增强人工智能系统在逻辑推理、情境理解和复杂任务规划方面的能力的影响。通过积累和利用历史信息，模型能够更深刻地理解复杂任务的上下文，进行多步推理，制定更有效的规划策略。研究将涵盖长期记忆的整合方式、对即时决策的影响，以及如何通过优化记忆架构来促进AI系统的持续学习和适应能力。

研究内容包括：

1. 长期记忆在推理过程中的建模与实现方法；

2. 融合长期记忆的复杂规划算法设计；

3. 长期记忆对多步推理与策略优化的影响分析；

4. 动态环境下长期记忆的更新与管理机制；

5. 长期记忆增强的推理与规划方法在实际应用中的验证与优化；

6. 基于交互学习的系统进化，包括个体和群体用户行为反馈；

7. 基于持续学习的系统进化；

8. 基于演化计算的系统进化；

9. 基于强化学习的系统进化；

10. 面向特定任务求解的能力边界感知与理性决策。

（9）生成式人工智能的长期记忆应用探索

探讨生成式人工智能的长期记忆机制及其在各行业和场景中的实际应用。通过构建和优化具备长期记忆能力的生成模型，使其能够更有效地存储和检索信息，从而提升在复杂任务中的应用表现。

研究内容包括：

1. 实现高效的垂直行业或场景的长期记忆结构，支持大规模信息的持久存储和动态更新；

2. 探索长期记忆在个性化服务中的应用，如智能客服、个性化推荐等，提高用户交互体验；

3. 研究长期记忆在专业领域的应用，如医疗诊断、金融分析等，增强模型的决策支持能力；

4. 评估长期记忆机制对生成内容质量和一致性的影响，优化生成效果，推动生成式人工智能在实际应用中的广泛落地与创新；

5. 检索问答、Smart Reply和内容生成的基础能力研究；

6. 推荐系统的研究；

7. 纯粹理性自动商业决策的探索。

（10）生成式模型的领域知识工程研究

近年来，生成式人工智能模型在诸多领域展现出强大的能力。然而，通用模型在特定领域或任务上的表现仍有提升空间。本研究方向聚焦于领域知识工程与生成式模型的深度融合，探索如何将领域知识有效融入模型的建模、学习、进化和人机协同过程中，提升模型在特定领域任务上的表现。

研究内容包括：

1. 面向领域和任务的知识表示和获取方法；

2. 基于领域知识的生成式模型优化建模方法；

3. 领域知识引导的生成式模型学习和进化方法；

4. 基于领域知识的人机协同生成式模型构建与应用。

（11）面向决策支持的长期记忆管理和调用

在人工智能决策辅助系统中，引入长期记忆机制有助于模型积累和利用历史信息，提升决策的准确性和可靠性。通过融合长期记忆，人工智能系统能够更深入地理解上下文、识别潜在模式、预测未来趋势，从而提供更智能的决策支持。

研究内容包括：

1. 决策辅助系统中长期记忆的建模与实现方法；

2. 长期记忆对复杂决策过程的影响分析；

3. 基于长期记忆的决策算法优化与提升；

4. 长期记忆在动态环境下的决策支持应用；

5. 不同领域中长期记忆机制的适用性与优化策略研究；

6. 面向特定任务求解的记忆体调用；

7. 求解方案的动态评估与优选；

8. 求解方案的持续反馈优化。

（12）认知数字孪生的构建与应用研究

为了提升 AI 助理对用户和环境的深度认知能力，本研究将致力于构建认知的数字孪生模型。通过对个体、群体和世界的认知感知，构建多层次的认知图谱，提升 AI 助理的推理能力和对复杂情境的理解。

研究内容包括：

1. 个体认知感知与认知图谱构建；

2. 群体认知感知与认知图谱构建；

3. 世界认知感知与认知图谱构建；

4. 认知孪生在 AI 系统中的应用。

（13）长期记忆的内生安全与隐私保护

在模型训练、微调、预测和决策过程中，需要大量的数据存储和交互（例如，可能包含公司财务投资决策等机密信息、体检报告等敏感的个人信息、CT影像等多模态医疗信息）。保护数据在存储时、使用中和传输过程的安全和隐私保护，不能仅从割裂的各个维度制定缓解措施（如：训练集的数据脱敏），可能要从大模型和长期记忆的总体框架，以数据的生命周期视角，识别关键风险，探索系统性的安全和保护机制。

研究内容包括：

1. 以长期记忆的模型、算法、存储为研究对象，系统化的定性（定量）描述安全风险，研究安全机制；

2. 在多模态数据前提下，研究不同数据安全和隐私保护机制对于长期记忆准确性和召回成功率的影响与提升方案；

3.  对于潜在高风险应用场景（例如基于财务报表制定投资策略，基于体检报告提供健康建议），研究长期记忆内容的防篡改、模型的透明性和可解释性。

▷Lin, Ze-Jie et al. “Stimulation of an entorhinal-hippocampal extinction circuit facilitates fear extinction in a post-traumatic stress disorder model.” The Journal of clinical investigation, e181095. 24 Sep. 2024, doi:10.1172/JCI181095

9月27~29日，中国神经科学学会第十七届全国学术会议（CNS2024）在苏州隆重举办。作为中国神经科学领域规模最大、学术水平最高的会议之一，这次会议吸引了大约4000人参加，包括来自全球的神经科学领域专家、临床医生和研究人员。

天桥脑科学研究院（Chen Tianqiao & Chrissy Institute, TCCI）作为中国神经科学学会的长期支持者，连续六年冠名支持CNS大会主题发言，此次再度携手复旦大学附属华山医院院长、天桥脑科学研究院转化中心主任的毛颖教授，共同探索神经科学领域的无限可能。

9月27日，“2023年度中国神经科学重大进展（Breakthrough in Neuroscience）”颁奖典礼在天桥脑科学研究院的支持下顺利举办。天桥脑科学研究院已连续两年资助中国神经科学学会年度“中国神经科学重大进展”项目评选。

▷2023年度中国神经科学重大进展获奖名单

9月28日天桥脑科学研究院冠名支持的全体主题发言环节，复旦大学附属华山医院院长毛颖教授带来了题为《脑胶质瘤分子分型和可视化的现况与未来》的主题讲座。

此次CNS2024大会上，天脑科学研究院学术会议总监耿海洋博士，向全场4000多位科学家介绍了天桥脑科学研究院的价值观以及目前开展的重要项目，特别是目前正在招募进行中的“AI驱动科学大奖”，欢迎在座各位有识之士报名加入。

2024年9月27日，中国神经科学学会第十七届全国学术会议（CNS2024）上，举行了“中国神经科学重大进展（Breakthrough in Neuroscience）”颁奖典礼。自2023年起，天桥脑科学研究院（Chen Tianqiao & Chrissy Institute, TCCI）持续支持“中国神经科学重大进展”的组织评选工作，助力中国神经科学取得更大的进展。

为推动神经科学研究与技术创新的持续繁荣，深入挖掘并广泛传播我国神经科学领域取得的杰出科学成就与技术突破，天桥脑科学研究院（中国）连续2年资助中国神经科学学会年度“中国神经科学重大进展”项目评选活动。2023年度，中国神经科学学会评选出6项成果入选“中国神经科学重大进展”，分别是：

（1）北京大学李毓龙教授团队的“通用型嫁接策略开发神经肽荧光探针工具包”研究

（2）北京大学罗冬根教授团队的“递质共传递分离视觉信号的神经机制”研究

（3）浙江大学胡海岚团队的“揭示氯胺酮长效抗抑郁的神经机制”研究

（4）中国科学院脑科学与智能技术卓越创新中心现临港实验室李澄宇研究员团队“非人灵长类大脑全脑尺度细胞空间分布图谱”研究

（5）中国科学院汉圳先进技术研究院路中国科学院中华研究员团队“干预帕金森病的新型靶向神经调控技术”研究

（6）国家生物医学分析中心南湖实验室李慧艳教授团队的“有形生物钟的发现，助力人类节律紊乱性疾病治疗”研究

颁奖典礼在CNS2024大会开幕首日上午举行，特别邀请了获奖项目的第一完成人作为特邀嘉宾进行学术报告。在此次年会主会场展开的此次讨论现场气氛热烈，激发了许多创新思维和合作机遇，本文就各位主讲人的研究方向都展开了深入的讨论。

临港实验室的李澄宇研究员分享了关于猕猴单细胞空间分布图谱的研究成果。他首先介绍了图谱的构建过程：研究团队利用我国自主研发的超高精度大视野空间转录组测序技术Stereo-seq和snRNA-seq技术，成功绘制出猕猴大脑皮层的细胞类型分类树，揭示了细胞类型组成与灵长类大脑区域结构分布之间的关联，为深入探索神经元之间的连接提供了分子和细胞层面的基础。研究过程中，团队开发了一种新型大视野空间转录组测序方法Stereo-seq，并创新性地设计了适用于猕猴大脑厘米级切片的制备技术。结合大规模单细胞转录组分析，科研团队成功绘制了食蟹猴全脑皮层的三维单细胞图谱，为系统性分析皮层内细胞类型的区域特异性和分子特征提供了重要导航。

中国科学院深圳先进技术研究院路中华研究员介绍了其团队在神经环路靶向调控技术干预帕金森氏病运动表型领域取得的重要进展。几乎所有神经系统疾病都涉及特定神经环路的功能异常，但此前的技术还无法在灵长类大脑中精准矫正这些受疾病影响的神经环路，以实现对疾病表型的干预。路中华团队的研究，构建一套基于逆向腺相关病毒（retrograde AAV）的靶向治疗策略，成功实现了对帕金森氏病累积的基底节神经环路的精准干预。这一研究成果，2023年发表在《Cell》期刊上。该成果不仅是神经科学领域的一项突破，还入选了2023年中国生命科学十大进展。

军事科学院军事医学研究院的李慧艳研究员介绍了她的团队在揭示“有形”生物钟的存在及其节律调控机制方面取得的研究进展。李慧艳研究员团队发现，大脑视交叉上核（SCN）的神经元初级纤毛是调控体内节律的重要细胞器。此次发现纤毛在节律调控中的重要作用，为开发节律调控新药开辟了全新的方向，使机体能够更迅速地适应复杂环境和做出快速反应成为可能。这一研究不仅揭示了“有形”生物钟的存在及其节律调控机制，还显著加深了对生物钟本质的理解，为治疗节律紊乱相关疾病提供了新的治疗途径。

浙江大学胡海岚教授教授团队发现外侧缰核作为“反奖赏中心”，其簇状放电模式在抑郁状态下显著增强，从而抑制“奖赏中心”，导致抑郁情绪，而氯胺酮可以通过阻止外侧缰核的簇状放电，解除对“奖赏中心”的抑制，迅速改善抑郁症状。胡海岚教授团队长达十年的研究揭示了氯胺酮独特的药物动力学特征，为临床低剂量用药和持久疗效提供理论指导，并为新型抗抑郁药物的开发奠定基础。未来可能通过调控氯胺酮在受体中的滞留时间，延长其药效，从而减少重复给药的需要。

会议期间，天桥脑科学研究院研究员耿海洋博士也代表天桥脑科学研究院，对获奖者表示了祝贺，并提到：

天桥脑科学研究院，现已构建起一套支持脑科学和人工智能领域研究的生态系统，围绕全球化、跨学科和青年科学家三大重点，长期支持脑科学研究以此造福人类。截止2024年，天桥脑科学研究院已与中国神经科学学会深度合作满六年，并连续两年资助年度“中国神经科学重大进展”项目评选。不仅如此，天桥脑科学研究院2022年至今共举办了350余场全球学术会议、线上线下观众超1000万人次，并启动了AI驱动科学大奖等重要项目，以持续资助AI与神经领域青年学者科研。2024年11月7~8日、12月6~7日，还将举办“人工智能与精神健康”论坛、国际会议“BCI Society & Chen Institute Joint BCI Meeting”，届时将邀请数十位海内外相关领域专家出席，期待各位的参与~

当人工智能（AI）与脑机接口（BCI）两大前沿技术相遇，会碰撞出什么火花——AI能否实现对BCI采集的大脑信息的直接理解？如何构建大脑的通用模型（foundation model）？

为了深入探讨AI如何赋能BCI以实现“理解与交互”（Interface）层面突破，推动通用大脑模型构建与研究发展，天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCI）于2024年中国神经科学学会全国学术会议期间，成功举办了“BCI+AI”主题论坛。

复旦大学附属华山医院院长、中国神经科学学会神经外科基础与临床分会主任、天桥脑科学研究院转化中心主任毛颖教授带来了精彩开场。“目前，华山医院在神经科学、计算数学及工程学等领域展开了多项跨学科深度合作。”他强调，“BCI技术未来将不局限于运动控制，还会在语言解码、意识解码及康复治疗等领域有所突破。作为未来发展的核心方向，BCI必将深刻影响医疗与科技的融合创新。”

本次论坛汇聚了多位顶尖研究员，他们的发言亮点纷呈。

中科院上海微系统与信息技术研究所李孟研究员认为，“脑电大模型”作为一种超大型深度学习模型，通过预训练学习大脑神经信号的本能表达和动态特征，具有解析生物大脑各种复杂功能的泛化能力。作为底层的算法模型，“脑电大模型”能够赋能脑科学、脑健康、脑机接口、人机交互。

电子科技大学郭大庆教授聚焦脑神经研究的介观层级，致力于构建一个基于多模态和多时空尺度数据建立的全参数动态的全脑模型，以便进行虚拟实验和理论验证，推动科学研究和临床应用。他认为，数字孪生脑领域的终极挑战是从微界观水平构建全脑系统，但这需要大量的理论技术突破以及深度的应用融合。

清华大学眭亚楠副教授认为，人的感知、意识，最初均来自于外部传入的信息，在人机交互中，最重要的交互元素就是人自身。他希望通过提供一个动力学可控的神经肌肉骨骼的模型，借此从模型层面上逐步探索信息传入方式以及认知构建逻辑。

中科院自动化所余山研究员认为，BCI技术的发展侧重于实现接口与神经组织的一体化及高效信息互通，其核心在于深入理解大脑功能以实现人机融合。因此，他特别强调神经科学理论帮助优化BCI工程技术的重要性。

此次论坛不仅展示了各位研究员在各自领域的最新成果，还设置了圆桌讨论环节深度探讨了AI与BCI技术发展的方向与挑战。大家在AI与BCI发展方向上达成一致：

“目前国内外各大实验室间的研究内容分散，如何整合资源、形成合力成为挑战。借鉴OpenAI的成功经验，‘集中力量进行长期研究’或许是诞生出具有跨时代意义的突破的做法。未来的脑启发智能研究，需要探索一种合作模式和科研模式，使得资源能够汇聚起来，在开放平台上共享数据和算法，聚集特定人才，不断迭代、解决问题，共同致力于这一方向的研究工作。”

会上，耿海洋博士代表天桥脑科学研究院发言表示：

“今年是天桥脑科学研究院与中国神经科学学会（CNS）深度合作的第6年。未来，天桥脑科学研究院还将继续汇聚各方力量，积极推动AI大模型与脑科学的融合发展，全力支持、搭建一个开放的数据、技术交流共享平台。”

▷国家精神疾病医学中心脑健康研究院院长徐一峰教授（左）、上海市精神卫生中心院长赵敏教授（中）、中国信通院科技伦理中心主任李文宇博士（右）

▷首都医科大学医学人文学院卫生法学主任李筱永教授

▷上海市精神卫生中心医务部陈剑华主任

01聚焦对话数据合成难点，

分享AI模型研究进展

▷TCCI人工智能与精神健康前沿实验室耿海洋博士（左）、上海交通大学计算机科学与工程系吴梦玥副教授（右）

02跨学科合作潜力，

畅谈心理健康AI模型应用前景

▷上海市精神卫生中心门诊部王勇主任

▷上海交通大学医学院临床研究中心张维拓研究员

▷国家精神疾病医学中心脑健康研究院办公室张青主任（左）、上海市精神卫生中心机构办沈一峰主任（右）

▷上海市精神卫生中心机构办沈一峰主任

▷“心理健康领域的数据合成与新一代AI模型”专题研讨会与会人员合影留念

▷Gao, Xiaoyue, et al. “Single‐Cell Chromatin Accessibility Analysis Reveals Subgroup‐Specific TF‐NTR Regulatory Circuits in Medulloblastoma.” Advanced Science (2024): 2309554.

▷图1.转录因子-神经递质受体调控网络具有髓母细胞瘤分子亚型特异性

▷图2. 髓母细胞瘤中的亚型特异性神经递质受体基因影响肿瘤细胞生长

▷扫描上方二维码，查看论坛完整回放视频。

▷复旦大学附属华山医院院长毛颖教授

▷临港实验室徐华泰研究员

▷中国科学院心理研究所周雯研究员

▷希尔顿大中华区及蒙古餐饮运营总监邱琼女士

▷浙江大学脑科学与脑医学学院副院长周煜东教授

▷言盐西餐厅创始人林震谷