GPT-6.1 Sol参与活体大脑手术！三轮定位，一次比一次准

在小鼠脑部手术中，考验操作者的往往是进针之前的一个细节：找到头骨上几个极其关键的解剖标志。这些点看起来不起眼，却决定了后续手术坐标如何计算。位置稍有偏差，针头就可能无法准确抵达预定的脑区。

现在，AI 也开始学习这项操作了。

近日，生物科技初创公司 Exin Therapeutics 联合创始人兼 CEO Gabriel Ocana-Santero 分享了一组实验结果：团队让 GPT-6.1 Sol 连续参与三轮小鼠脑部手术定位。

每次操作结束后，专业外科医生都会纠正模型的定位结果，模型则保存自己的图像、测量数据和专家修正记录，供下一轮操作参考。

结果相当有意思。

到了第三次操作， GPT-6.1 Sol 寻找解剖标志的时间从 169 秒缩短到 86 秒，所需的纠正动作从 4 次减少到 2 次，定位误差也从 0.6 毫米降至 0.3 毫米 。

Ocana-Santero 将这一过程称为基于真实世界经验的上下文学习（In-context Learning）。

需要注意的是，这组数据只有 3 次操作，距离证明 AI 已经掌握稳定的手术能力还有很长距离。但它展示了一种值得关注的变化：AI 开始把真实操作中的观察结果和专家反馈带入下一轮任务，逐步积累经验。

这项实验还引出了一个值得关注的问题：这究竟是真实手术，还是模拟环境中的演示？

X 用户 Stephane 在评论中直接向 Ocana-Santero 求证，后者明确回应是真实手术。Stephane 随后表示，这种结合上下文、在执行过程中即时积累经验的方式很有意思。他还透露，自己正在另一个领域探索类似机制：让模型保存每次任务中获得的经验，等再次遇到相关问题时，就能直接调用。

先找到头骨上的两个点

才能准确定位大脑

要理解这次实验，得先认识两个神经科学实验中经常出现的名字：Bregma（前囟点）和 Lambda（人字缝点）。

它们并不是大脑内部的神经核团，而是小鼠头骨表面的两个解剖标志点。

Bregma 位于矢状缝与冠状缝的交汇处，Lambda 则位于矢状缝与人字缝的交汇处。研究人员通常以 Bregma 作为立体定位坐标的参考原点，再结合 Lambda 等标志校准头骨的位置和倾斜程度。

图源：https://www.jove.com/t/67381/an-immunocompetent-murine-model-for-laser-interstitial-thermal

为什么要如此在意这两个点？这是因为小鼠脑部的很多实验，都需要通过立体定位设备，将注射针、电极或其他实验器械准确送到指定脑区。

研究人员首先要找到头骨上的参考点，再结合脑图谱，将目标脑区转换成前后、左右和深度三个方向的坐标，最终交给设备执行。整个过程看似只是寻找几个交点，实际上需要同时处理视觉识别、空间定位和坐标校准。

头骨上的缝合线并不总是清晰可辨。小鼠个体之间也存在解剖差异，头部固定角度和水平校准都会影响最终的坐标。相关研究甚至专门讨论过不同测量方法带来的 Bregma 定位误差。

对于刚开始接触这类实验的研究人员来说，准确找到标志点并完成头部校准，本身就是需要反复练习的基本功。

这次实验，GPT-6.1 Sol 要完成的就是其中一个关键环节。它需要根据实验图像判断 Bregma 和 Lambda 的位置，给出自己的定位结果。专家外科医生随后检查这些位置，并对不准确的判断进行修正。

每次操作结束，模型都会保存自己的估计图像和测量结果，以及专家纠正后的数据。这些信息成为下一轮操作可以利用的经验。

从 169 秒到 86 秒

AI 开始积累操作经验

这次实验最有意思的地方，在于 GPT-6.1 Sol 并没有在每次任务结束后简单清空之前的操作记录。模型会保留此前操作中的图像和测量数据，同时记录专家给出的修正结果。这样一来，模型能够在后续操作中参考之前的判断与纠正，逐渐改善定位表现。

三项指标都出现了改善：搜索时间缩短了近一半，纠正动作减少了一半，定位误差也直接减半。

主题：解剖标志|GPT-6.1Sol