塞维利亚大学研究人员倡导可持续烹饪理念，致力于研究如何在食物烹饪过程中获取更多有益健康的营养，并在准备过程中减少浪费能源。

近期，南方医科大学第十附属医院刘志刚、徐晓团队及北京大学王春洪副研究员对硼中子俘获治疗（BNCT）在全球多个临床试验中心的研究进展进行了系统综述，重点梳理该疗法在临床试验中的研究进展。该综述聚焦硼中子俘获治疗在脑胶质瘤、复发性头颈部肿瘤、脑膜瘤、恶性黑色素瘤、肝癌等多种肿瘤中的临床应用展开深入探讨，同时深入剖析了当前该疗法面临的核心挑战，并对其未来研究方向和发展路径进行了系统展望。相关成果以“Advances in Clinical Trials of Boron Neutron Capture Therapy”为题发表在Research上。该综述以全球BNCT临床试验为主线，系统整合并分析了全球 BNCT 临床试验的关键数据，为从事BNCT相关基础研究（加速器型BNCT设备优化迭代和新型高CBE（硼-10药物生物学效应因子）的硼-10药物设计合成）的研究人员提供了具有高度参考价值的临床证据与实践反馈。

在一项前所未有的观察中，研究人员捕捉到了一头抹香鲸幼崽的诞生过程，并记录了来自两个通常相互独立家族群体的 11 头抹香鲸如何密切协作，旨在幼崽出生后为其提供数小时的支持。这些发现为鲸目动物的直接群体照料行为提供了量化证据；它们同时也表明，在分娩等关键时刻展现的短期、高度协调性合作行为可能对维系抹香鲸群体中复杂的社会结构起着根本性的作用。合作行为的演化机制始终是生物学领域的一个根本性难题，尤其是在齿鲸等高度社会化且长寿的哺乳动物群体中。抹香鲸这样的物种展现了极其错综复杂的社会体系；在该系统中，稳定的母系家族单元会在觅食和群体抚育等活动中进行合作。分娩对抹香鲸而言是一个关键且高风险的时刻，因为鲸鱼幼崽出生后需要立即获得支持才能存活；这使其成为理解合作行为的一个极具启示意义的场景。然而，在广袤的海洋中研究这些深潜动物是一项艰巨的挑战，而直接观察抹香鲸分娩的案例更是极其罕见。因此，长期以来，抹香鲸分娩过程中是否涉及合作行为一直是个未解之谜。 通过整合无人机拍摄的视频片段、机器学习以及关于社会关系与亲缘关系的长期观测数据，Alaa Maalouf 和同事在这项研究中对一次抹香鲸的分娩过程进行了详尽且高分辨率的分析。2023 年 7 月，在多米尼克（Dominica）海岸附近，Maalouf 等人观测到了一个已知的抹香鲸社会单元中的 11 名成员在距离海面极近的位置聚集；该社会单元由两个通常相互独立且无亲缘关系的家族群体组成。尽管这两个亚群体在觅食行为和社会交往上通常彼此相异，但在分娩过程中，它们却形成了一个高度凝聚的集群。通过无人机拍摄的影像，作者记录了长达 34 分钟的幼崽分娩过程；分娩之后是一段紧张但协调的活动，期间多头成年雌性抹香鲸环绕在分娩母鲸的周围。据作者披露，在幼崽出生后的一小时内，该群体展现了惊人的协作行为；来自两个家族的成员会轮流用身体托举推升新生幼崽至水面，此举很可能是为了协助幼崽呼吸。在这一关键时期，整个群体单元始终保持着紧密的组织性。此外，弗氏海豚（Fraser’s dolphins）曾数次近距离掠过该鲸群，并与领航鲸有短暂的互动。在幼崽出生数小时后，这群抹香鲸逐渐分散成规模较小、更为典型的觅食群体。

据一项新的研究报告，为人际关系问题提供建议和支持的人工智能（AI）聊天机器人可能会通过明显谄媚的回答而悄然强化有害的信念。研究发现，在各种语境下，这些聊天机器人肯定人类用户的频率远超真人之间相互肯定的频率；由此产生的有害后果包括：用户更坚信自己正确且更不愿去修复人际关系。据作者称，这些发现表明，人工智能的迎合倾向不仅在各种 AI 模型中广泛存在，而且会产生社会影响——即使是短暂的互动也会扭曲个人的判断，并“侵蚀原本可以介导问责、换位思考和道德成长的社交摩擦。”作者表示，这些研究结果“凸显了建立问责框架的必要性；该框架应将谄媚行为归类为一种独特的、目前尚未得到监管的有害行为。” 关于 AI 社会影响的研究正日益关注 AI 大型语言模型（LLMs）中的迎合现象——即过度肯定、奉承或赞同用户的倾向。虽然这种行为表面上看似无害，但越来越多的证据表明，它可能带来严重的风险，特别是对于那些易受伤害的弱势个体；在这些人中，过度的认可与包括自毁行为在内的有害后果相关。与此同时，AI 系统正日益深度地融入社会和情感之中，它们通常会被作为建议和个人支持的来源。例如，如今已有相当数量的人向 AI 寻求有意义的对话，其中包括寻求有关人际关系的指导。在这些情境下，迎合式的回复可能会引发尤为严重的问题，因为不恰当的肯定可能会令人大胆地作出值得商榷的决策，强化不健康的信念，并使对现实的扭曲解读变得合理化。然而，尽管存在这些担忧，人们对 AI 模型中的社会性谄媚行为仍然知之甚少。 为填补这一空白，Myra Cheng 和同事开发了一个系统性框架来评估社交谄媚现象，旨在考察其在主流 AI 模型中的普遍程度以及对模型使用者产生的现实影响。Cheng 等人利用 Reddit 社区“AITA”中的帖子评估了来自领先公司（如 OpenAI、Anthropic、谷歌）的 11 种先进且广泛使用的 AI 大语言模型；结果发现，这些系统对用户行为的肯定频率比真人高出 49%，即使是在涉及欺骗、伤害或违法的场景中也是如此。接着，在两项后续的实验中，作者探讨了这类结果所导致的行为后果。研究结果显示，在涉及人际交往情境（尤其是冲突）时，与谄媚式 AI 互动的参与者会更坚信自己是正确的，并且即使仅经过一次互动，他们和解或承担责任的意愿也会降低。此外，同一批参与者会认为，谄媚式回复更有帮助、更值得信赖，并表示更愿意再次依赖此类系统，表明该造成危害的特性恰恰也是驱动用户参与的原因。Anat Perry 在一篇相关的《视角》中写道：“解决这些挑战并非易事，而且目前的市场激励机制不太可能自发产生解决方案。虽然 AI 系统原则上可以被优化以促进实现更广泛的社会目标或更长远的个人发展，但这些优先事项与以用户参与度为为导向的指标之间并不会自然契合。”

研究人员发现，AI神经网络中存在某些因素，在导致数据隐私漏洞的同时也是这些模型性能的关键所在。通过利用这一新发现，研究人员开发出一种能够更好地平衡这些模型的性能与隐私保护的新技术。