AI 正在给神经科学 “提速”从 86 亿神经元到可预测的数字大脑

2026 年 11 月 14 日，美国神经科学学会（SfN）在华盛顿发布的年会新闻稿，标题就叫 “用人工智能加速神经科学研究”。这句话不是展望，是当下正在发生的事。人类大脑约有 860 亿个神经细胞、数以万亿计的连接，这个系统的复杂度早就超过了手工分析的上限；而 AI 恰好擅长两件事：在海量数据里找模式，以及模拟系统行为。今年的 Neuroscience 2026 年会上，三组新成果同时指向这个方向 —— 清华团队用人工神经网络和果蝇找到了记忆灵活性与稳健性的共同学习原理，加州大学欧文分校做出一个免费开源工具，让不会编程的神经科学家用大白话就能分析复杂基因组数据，劳伦斯伯克利国家实验室则在推动数据标准，拆掉实验室之间的数据孤岛。同一周，斯坦福宣布启动 “数字大脑计划”，北京脑科学与类脑研究所把 AI 行为分析平台送上了《细胞》，韩国团队把脑电基础模型刷到了全球第一。把这些拼起来看，AI 在神经科学里已经不只是工具，它在重写这门学科的工作方式。

一、这一周到底发生了什么：五组硬数据

二、路径一：让 AI 当 “观察员”，把看不懂的行为变成可分析的数据

神经科学最古老的门槛是 “看不见”。幼年发育期多巴胺如何影响社交意识形成，过去几乎无法研究 —— 因为小鼠的社交玩耍动作切换太快，人手记录跟不上。

北京脑科学与类脑研究所的解法是让 AI 看：用算法结合多视角三维姿态追踪，把自然社交过程自动拆成可识别的动作单元。这套平台能区分 36 种社交动作，于是研究者第一次拿到了 “行为 — 脑活动” 的精细对应关系：伏隔核中的多巴胺能以亚秒级时间精度对应不同类型的社交行为。

更关键的是闭环验证。团队用多智能体强化学习做虚拟仿真，模拟孤独症的智能体更容易出现社交回避；再用精准配对的闭环光遗传学技术，按自然玩耍的节奏做亚秒级多巴胺刺激，孤独症模型小鼠的社交能力被改善了。这条链路是完整的：AI 观察→发现规律→虚拟仿真→生物实验验证→干预。

三、路径二：让 AI 当 “基础设施”，从单实验室模型升级成基础模型

过去神经科学的 AI 模型有个通病：一个实验室、一次实验、一个模型，换个受试者就失灵。基础模型的路子不一样 —— 先在海量、多来源数据上预训练，学到跨个体、跨设备的共性，再用少量数据适配具体任务。

汉阳大学的 SPERA 是个典型样本：用 29,048 人的脑电数据预训练，来自 106 个数据集，总时长约 8 万小时，相当于九年多的连续记录。结果是在 9 项公开基准中 8 项超过此前最好的 REVE，平均平衡准确率从 71.50% 提到 75.02%。更有说服力的是数据效率：在睡眠分期任务上，SPERA 只用 5% 的训练数据，就超过了用全量数据训练的 REVE。

同样的逻辑在神经元层面也在发生。KAIST 团队把神经元的 “生物身份”—— 基因表达、解剖位置、电生理特性 —— 编码进 AI 框架，用斑马鱼和小鼠的大规模记录训练，模型在未见过的新动物上无需额外训练就能泛化。斯坦福的 “数字大脑计划” 则把这个思路推到人脑尺度，要建的是所谓 “大大脑模型”（large brain models）。

四、路径三：让 AI 当 “修补匠”，把扫描仪丢掉的信号补回来

扩散 MRI 能追踪神经纤维走向，但脑干和眶额区这类位置，磁场畸变会直接抹掉信号，标准校正工具补不回来 —— 就像照片缺了一角。

南加州大学 Stevens INI 的 FOD-Diffusion 借了生成式 AI 的扩散模型思路：从随机噪声出发逐步去噪，一次补一张方向分布图，同时保证 45 张相互关联的三维图彼此一致。测试中，模型重建的主纤维方向与原始数据平均相差约 1.4 度，而六种对比方法里最好的也差了约 4.5 度。在 1,172 名 UK Biobank 参与者中，经 AI 修复后，脑干纤维信息与 “信号完整” 组的差距不再显著。

这项工作的实际价值在于 “救活存量数据”：很多大型影像研究只采集单方向扫描，AI 补全后，单方向数据的关键运动通路图，甚至优于双方向合并的结果。

五、路径四：让 AI 当 “实验员”，在数字大脑上先做一千次实验

斯坦福数字大脑计划的野心写在负责人 Kang Shen 的设想里：在给病人试之前，先在数字脑模型上模拟一种新的抑郁环路干预；或者一夜之间跑完几千次虚拟实验，去检验一个关于孤独症、阿尔茨海默病脑网络的新理论。

这不是空想，它需要三样东西同时到位：7T MRI 这类高精度测量手段、能整合多模态数据的建模方法（Yamins 团队的前沿计算方法和 Marlowe GPU 集群）、以及愿意开放共享的数据机制。同一周，斯坦福 Wu Tsai 神经所与 HAI 还公布了第二轮 AI 与神经科学联合资助的五个项目，每个项目一年 12.5 万美元，覆盖抑郁亚型识别、婴儿视觉学习建模、神经元细胞类型基础模型、心理治疗对话与脑动力学映射、嗅觉与主观体验对齐。

六、路径五：让 AI 当 “助手”，把门槛降到 “会提问就行”

这可能是对大多数实验室影响最直接的一条。加州大学欧文分校的 Swarup 团队做出了一个免费开源工具，神经科学家不需要写代码，用日常英语提问就能分析复杂的基因组数据。伯克利实验室则在牵头做数据标准，让不同来源的脑数据能互相说话。

清华团队的工作属于另一类 “助手”：把人工神经网络和果蝇放在一起研究，发现两者共享同一套形成灵活、稳健记忆的学习原理。这既是神经科学发现，也反过来给 AI 的训练方法提供了生物模板 ——SfN 的新闻稿把这种关系称为 “双向连接”。

七、AI 在神经科学里的五种角色

八、为什么这一轮和以往不一样

1. 从 “一个实验一个模型” 到 “一个领域一个基础模型”。SPERA、神经元身份框架、数字大脑，都在做同一件事：把分散的数据汇成公共底座。
2. 从描述走向预测。过去 AI 多做分类和标注，现在要预测 “没做过的刺激会引发什么反应”“干预某个环路会发生什么”。
3. 从数据孤岛走向标准共享。伯克利主导的数据标准，是这一切能否规模化的前提。
4. AI 开始参与物理操作。11 月 8 日披露的一个实验里，GPT-6.1 Sol 连续三轮参与小鼠脑部手术定位，寻找颅骨解剖标志的时间从 169 秒降到 86 秒，纠正动作从 4 次降到 2 次，定位误差从 0.6 毫米降到 0.3 毫米。样本只有三次，远不足以证明稳定性，但方向很明确：AI 正从屏幕里走到实验台前。

九、需要冷静看待的四件事

• 补出来的不是测出来的。FOD-Diffusion 团队自己强调，修复数据是 “有依据的估计”，不是恢复的测量，且尚未在临床诊疗中评估。
• 基础模型的 “通用” 有条件。SPERA 的优势建立在 106 个数据集、8 万小时数据上，换一批设备、换一个人群，性能是否守住，仍需外部验证。
• 脑数据的伦理门槛比一般数据更高。脑电、影像、行为视频都带强身份属性，跨机构共享需要同意机制与去标识化能力配套。
• 临床转化慢于论文。数字大脑的虚拟实验再漂亮，也要走完动物实验、临床研究、安全性与有效性验证。

十、给研究者的五步动作清单

1. 先盘点数据资产：你手上有没有可复用、可跨受试者对齐的数据？这决定你能不能吃到基础模型的红利。
2. 优先用预训练模型做适配：在小样本场景，微调基础模型通常比从零训练更划算，SPERA 的 5% 数据结果就是例证。
3. 把行为分析交给视觉管线：姿态追踪＋动作分解，能把 “描述行为” 变成 “计算行为”。
4. 接受 “估计值” 的边界：AI 补全的数据要标注来源与置信度，不能与实测数据混用。
5. 提前设计共享与合规：数据标准、同意书、去标识化，越早做越省事。

十一、结论

AI 加速神经科学研究，加速的不是 “写论文的速度”，而是三个更底层的东西：观察的精度、模型的泛化能力、实验的试错次数。北京脑所把行为拆到 36 种动作、亚秒级；汉阳大学把脑电模型的能力建立在近 3 万人的数据上；南加州大学把扫描仪丢掉的信号补回来；斯坦福打算在数字大脑上先跑几千次虚拟实验。这些工作单独看都是方法学进展，放在一起看，是神经科学正在从 “一个实验室解释一个现象”，转向 “一个社区共享一套可预测的大脑模型”。当然，模型越强，越要守住那条线：预测不等于理解，估计不等于测量。SfN 的新闻稿把这件事说得很克制 ——AI 改善我们对大脑的理解，同时大脑的运作方式也在改善 AI 的训练方法。这种双向关系，才是 “加速” 能持续下去的原因。

Wu Tsai Neurosciences InstituteKeck School of Medicine of USC뉴스H

【常见问题】

问题 1：人工智能具体是怎么加速神经科学研究的？

回答 1：主要靠四件事：一是处理海量数据，比如 AI 把复杂社交行为拆成 36 种可分析动作；二是建基础模型，让脑电、神经元模型能跨个体泛化；三是补全缺失数据，把扫描仪丢掉的信号估算回来；四是做虚拟实验，先在数字大脑上试错。这四条合起来，就是人工智能加速神经科学研究的实际路径。

问题 2：“大脑基础模型” 是什么，和普通 AI 模型有什么区别？

回答 2：普通模型通常一个实验训一个，换个受试者就失灵；大脑基础模型先用多来源、大规模数据预训练，学到跨个体、跨设备的共性，再用少量数据适配新任务。SPERA 用 29,048 人、约 8 万小时脑电数据预训练，就是大脑基础模型的代表。

问题 3：北京脑科学与类脑研究所的 AI 平台发现了什么？

回答 3：他们的 AI 精细社交行为分析平台能区分 36 种社交动作，首次捕捉到伏隔核多巴胺以亚秒级精度对应不同社交行为；再用多智能体强化学习和闭环光遗传学验证，改善了孤独症模型小鼠的社交能力。这项成果说明 AI 能让人工智能加速神经科学研究的链条走完 “观察 — 建模 — 干预”。

问题 4：AI 补全脑部扫描数据，会不会产生虚假结论？

回答 4：会有这个风险，所以研究者强调补全结果是 “有依据的估计” 而非实测数据，并用信号完整组做对照验证。使用这类 AI 修复数据时，必须标注来源和置信度，不能与原始测量数据混用，这也是人工智能加速神经科学研究时必须守住的边界。

问题 5：人工智能会取代神经科学家吗？

回答 5：短期内不会。AI 承担的是观察、建模、补数据、跑虚拟实验这些环节，但问题定义、实验设计、因果判断和伦理把关仍要靠人。斯坦福数字大脑计划的目标也是给科学家一个可查询的预测工具，而不是替代研究者。

问题 6：普通实验室没有算力和数据，怎么参与这波人工智能加速神经科学研究的浪潮？

回答 6：三个低成本入口：用开源基础模型做小样本微调，而不是从零训练；用零代码 AI 工具处理基因组等复杂数据；接入社区数据标准，把自家数据变成可复用资产。这三步不需要自建大集群，也能吃到人工智能加速神经科学研究的红利。

【参考资料】

[2026-11-14]（Using artificial intelligence to accelerate neuroscience research）EurekAlert／美国神经科学学会

[2026-11-12]（大脑研究首次捕捉到亚秒级多巴胺响应信号）科技日报

[2026-11-11]（Research Teams Mine the Intersection of Neuroscience and AI）Stanford HAI

[2026-11-08]（GPT-6.1 Sol 参与活体大脑手术！三轮定位，一次比一次准）36 氪

[2026-11-06]（KAIST 장경인 교수, '움직이는 뇌 지도' 그린다）인공지능신문

[2026-11-05]（Stevens INI researchers use generative AI to fill gaps in brain wiring maps）Keck School of Medicine of USC

[2026-11-05]（Neuronal Identity as an Organizational Basis for Analyzing Neural Population Dynamics）KAIST Brain & Cognitive Sciences

[2026-11-04]（HYU Researchers Develop EEG Foundation Model that Tops Eight of Nine Benchmarks）뉴스H

[2026-11-02]（Stanford Digital Brain Project to measure and model the human brain）Wu Tsai Neurosciences Institute

【免责声明】

本文依据美国神经科学学会 2026 年 11 月 14 日新闻稿、科技日报、Stanford HAI、USC Keck 医学院、KAIST、汉阳大学及 36 氪等公开报道整理，仅作科研进展解读，不构成医学建议或投资建议。文中涉及的研究多处于论文发表、预印本或会议报告阶段，尚未完成独立复现与临床验证；SPERA、FOD-Diffusion 等模型的具体性能数据来自研究团队公开口径，实际表现可能因数据集、设备与人群差异而变化。涉及脑数据的研究还需遵守所在地伦理审查与数据保护法规。读者据此作出的科研、临床或商业决策，风险自行承担。