在過(guò)去幾年里，大語(yǔ)言模型（large language models，LLMs）在規(guī)模與能力上都實(shí)現(xiàn)了顯著提升。它們?cè)趶?fù)雜推理方面更加出色，能夠理解并執(zhí)行科學(xué)研究中的指令提示，如今還可以處理文本、圖像和代碼等多種信息形式。研究人員迅速將這些能力融入科研流程之中，把大語(yǔ)言模型納入日常工作，用于文獻(xiàn)分析、研究假設(shè)生成、數(shù)據(jù)庫(kù)查詢、復(fù)雜數(shù)據(jù)集處理以及新結(jié)果的探索。接下來(lái)，八位神經(jīng)科學(xué)家將結(jié)合各自實(shí)驗(yàn)室的實(shí)踐，介紹他們?nèi)绾尉唧w運(yùn)用這些工具。

為便于閱讀，以下內(nèi)容在篇幅和表述清晰度上經(jīng)過(guò)了適度編輯。

雷扎·阿巴西-阿斯?fàn)?/strong>

Reza Abbasi-Asl

美國(guó)加州大學(xué)舊金山分校神經(jīng)學(xué)、生物工程與治療科學(xué)副教授

阿巴西-阿斯?fàn)柕膶?shí)驗(yàn)室致力于探索可解釋機(jī)器學(xué)習(xí)（interpretable machine learning）在理解大腦功能及相關(guān)疾病中的作用。他主持了多項(xiàng)將人工智能應(yīng)用于神經(jīng)解剖學(xué)與健康技術(shù)的研究，其中包括一項(xiàng)發(fā)表于2025年的重要成果：利用基于Transformer的模型，構(gòu)建了迄今分辨率最高的小鼠大腦結(jié)構(gòu)圖譜之一。

在這一過(guò)程中，模型幾乎不需要人工干預(yù)，而是以自下而上的方式，自主學(xué)習(xí)神經(jīng)解剖的組織規(guī)律。

我們實(shí)驗(yàn)室正在使用支撐大語(yǔ)言模型的核心技術(shù)，來(lái)處理一種完全不同的“語(yǔ)言”。這種語(yǔ)言并非文本，而是由空間基因組學(xué)（spatial genomics）實(shí)驗(yàn)所揭示的細(xì)胞組織結(jié)構(gòu)?；谶@一思路，我們提出了一個(gè)問(wèn)題：人工智能模型是否也能像語(yǔ)言模型理解句子中的詞語(yǔ)那樣，根據(jù)周圍細(xì)胞構(gòu)成的上下文來(lái)理解單個(gè)細(xì)胞？答案是肯定的。

我們實(shí)驗(yàn)室正在使用支撐大語(yǔ)言模型的核心技術(shù)，來(lái)處理一種完全不同的“語(yǔ)言”。這種語(yǔ)言并非文本，而是由空間基因組學(xué)（spatial genomics）實(shí)驗(yàn)所揭示的細(xì)胞組織結(jié)構(gòu)?；谶@一思路，我們提出了一個(gè)問(wèn)題：人工智能模型是否也能像語(yǔ)言模型理解句子中的詞語(yǔ)那樣，根據(jù)周圍細(xì)胞構(gòu)成的上下文來(lái)理解單個(gè)細(xì)胞？答案是肯定的。

CellTransformer采用自監(jiān)督學(xué)習(xí)（self-supervised learning）的方式，在Allen腦科學(xué)研究所合作團(tuán)隊(duì)采集的大規(guī)?？臻g基因組學(xué)數(shù)據(jù)上進(jìn)行訓(xùn)練。模型在分析一個(gè)細(xì)胞鄰域時(shí)，會(huì)刻意隱藏其中某個(gè)細(xì)胞的分子身份，僅依據(jù)周圍細(xì)胞的信息進(jìn)行推斷。通過(guò)數(shù)百萬(wàn)次重復(fù)這一過(guò)程，它逐漸掌握了不同細(xì)胞在空間中如何組合與排列的基本規(guī)律。

這一方法與以往主要用于界定大腦中不同細(xì)胞類型的腦圖譜研究有所不同。CellTransformer 關(guān)注的不是細(xì)胞類型本身，而是不同類型的細(xì)胞如何進(jìn)一步組合成更大尺度、具有功能意義的腦區(qū)結(jié)構(gòu)。在這一過(guò)程中，模型幾乎完全依賴數(shù)據(jù)進(jìn)行學(xué)習(xí)，無(wú)需人工標(biāo)注，最終生成了一張超高分辨率的大腦結(jié)構(gòu)圖譜。令人高興的是，該模型不僅以極高的準(zhǔn)確度復(fù)現(xiàn)了已知的大尺度腦區(qū)，還識(shí)別出了大量此前尚未被系統(tǒng)記錄的、更為精細(xì)的亞區(qū)結(jié)構(gòu)。

?腦圖譜繪制：圖中展示了 CellTransformer 在小鼠大腦中識(shí)別出的約 1300 個(gè)腦區(qū)或亞區(qū)。每張切片旁均附有 Allen 腦科學(xué)研究所提供的對(duì)應(yīng)參考圖譜，便于對(duì)照。加州大學(xué)舊金山分校 Abbasi 實(shí)驗(yàn)室

這真的讓人非常振奮。因?yàn)樵谶^(guò)去幾十年里，臨床前研究所依賴的大腦圖譜，本質(zhì)上仍是手工繪制的，難免受到不同腦區(qū)歷史研究興趣的影響。

相比之下，人工智能生成的圖譜在空間細(xì)節(jié)上更為精細(xì)，也更加客觀。研究者可以將疾病狀態(tài)或藥物作用精準(zhǔn)對(duì)應(yīng)到以細(xì)胞為單位界定的特定腦區(qū)，而且當(dāng)新的數(shù)據(jù)出現(xiàn)時(shí)，該方法也可以迅速應(yīng)用。

更令人期待的是，CellTransformer并不局限于神經(jīng)科學(xué)領(lǐng)域。研究團(tuán)隊(duì)將其設(shè)計(jì)為一種不依賴特定組織類型的通用工具。只要某個(gè)器官系統(tǒng)擁有大規(guī)?？臻g轉(zhuǎn)錄組學(xué)（spatial transcriptomics）數(shù)據(jù)，就可以直接應(yīng)用這一模型。

這意味著，它不僅提供了一種新的大腦圖譜構(gòu)建方式，也為幾乎所有生物學(xué)領(lǐng)域建立高分辨率細(xì)胞圖譜提供了基礎(chǔ)性方案。從長(zhǎng)遠(yuǎn)來(lái)看，該框架有望發(fā)展為一個(gè)可擴(kuò)展的平臺(tái)，推動(dòng)跨物種、跨疾病狀態(tài)的組織結(jié)構(gòu)研究，逐步加深我們對(duì)組織結(jié)構(gòu)的、真正基于數(shù)據(jù)的理解。

卡特琳·弗蘭克

Katrin Franke

斯坦福大學(xué)醫(yī)學(xué)院高級(jí)研究科學(xué)家

德國(guó)蒂賓根大學(xué)眼科研究所研究組負(fù)責(zé)人

她的研究融合系統(tǒng)神經(jīng)科學(xué)、計(jì)算建模與機(jī)器學(xué)習(xí)方法，致力于揭示視網(wǎng)膜與大腦皮層中的神經(jīng)回路如何處理視覺信息。

最近，我們開始將大語(yǔ)言模型作為“科學(xué)家”來(lái)使用，讓它們承擔(dān)一些原本需要由人類完成的分析工作，并且能夠在更大規(guī)模上開展這些任務(wù)。

大語(yǔ)言模型極大地改變了我的工作方式，如今已成為我日?？蒲兄胁豢苫蛉钡囊徊糠帧Ｗ鳛橐幻怯⒄Z(yǔ)母語(yǔ)者，無(wú)論是在郵件中拿捏語(yǔ)氣，還是在撰寫論文評(píng)審時(shí)精確措辭，我過(guò)去常常難以把想法表達(dá)得足夠清晰。如今，我會(huì)借助大語(yǔ)言模型來(lái)潤(rùn)色初稿、檢查語(yǔ)法并調(diào)整語(yǔ)氣，這讓學(xué)術(shù)寫作對(duì)像我這樣的非母語(yǔ)研究者來(lái)說(shuō)變得更加輕松，也更有把握。

除了寫作，我也經(jīng)常使用大語(yǔ)言模型處理編程任務(wù)，尤其是在生成數(shù)據(jù)可視化代碼片段或進(jìn)行調(diào)試時(shí)。這些工具的交互特性讓我在思考問(wèn)題時(shí)更加高效，比獨(dú)自琢磨要順暢得多。無(wú)論是構(gòu)思分析思路，還是梳理論文結(jié)構(gòu)，我都會(huì)與模型反復(fù)交流，在對(duì)話中不斷完善想法。

我的研究高度依賴團(tuán)隊(duì)協(xié)作，日常需要進(jìn)行大量會(huì)議。我們會(huì)將會(huì)議內(nèi)容轉(zhuǎn)錄成文字，再交由大語(yǔ)言模型整理，生成結(jié)構(gòu)清晰、包含明確行動(dòng)要點(diǎn)的會(huì)議摘要，這為團(tuán)隊(duì)節(jié)省了大量時(shí)間。近期，我們還開始借助視覺語(yǔ)言模型（vision-language models，VLMs）等更先進(jìn)的模型進(jìn)行科學(xué)研究。這類技術(shù)讓研究者能夠完成過(guò)去主要依賴人工判斷的分析任務(wù)，并在規(guī)模和速度上達(dá)到以往難以實(shí)現(xiàn)的水平。

以我們的研究為例，我們關(guān)注視覺皮層中的神經(jīng)元如何對(duì)不同圖像作出反應(yīng)。如今，我們可以借助大語(yǔ)言模型，自動(dòng)概括這些圖像在內(nèi)容上的共同特征，如果完全依靠人工完成，這一過(guò)程往往需要耗費(fèi)研究者大量時(shí)間。

盡管我在日?？蒲兄蓄l繁使用這些工具，但我始終對(duì)它們的輸出保持審慎態(tài)度。只要持續(xù)保持批判性視角，并清楚認(rèn)識(shí)到諸如“幻覺”等局限性，我相信包括大語(yǔ)言模型在內(nèi)的人工智能工具，依然具有深刻改變我們工作方式的巨大潛力。（順便一提，這段文字本身也借助了大語(yǔ)言模型進(jìn)行潤(rùn)色。）

布拉德利·洛夫

Bradley Love

洛斯阿拉莫斯國(guó)家實(shí)驗(yàn)室高級(jí)研究科學(xué)家

早期工作中，他構(gòu)建了關(guān)于人類學(xué)習(xí)與決策機(jī)制的計(jì)算模型，并將這些模型應(yīng)用于腦成像數(shù)據(jù)的分析。近年來(lái)，他的重點(diǎn)轉(zhuǎn)向改進(jìn)深度學(xué)習(xí)模型，使其在行為表現(xiàn)和大腦反應(yīng)層面更加貼近人類。目前，他致力于構(gòu)建綜合性科研系統(tǒng)，其中包含大語(yǔ)言模型等關(guān)鍵組件，以推動(dòng)科學(xué)發(fā)現(xiàn)的提速。

BrainGPT.org項(xiàng)目探討了一個(gè)關(guān)鍵問(wèn)題：如果將大語(yǔ)言模型訓(xùn)練于神經(jīng)科學(xué)文獻(xiàn)，它們?cè)陬A(yù)測(cè)各個(gè)子領(lǐng)域的實(shí)驗(yàn)結(jié)果時(shí)，是否能夠超越人類專家[1]。為此，來(lái)自11個(gè)國(guó)家的國(guó)際團(tuán)隊(duì)開發(fā)了評(píng)測(cè)基準(zhǔn)BrainBench。該基準(zhǔn)基于《神經(jīng)科學(xué)雜志》的論文摘要，要求測(cè)試對(duì)象區(qū)分真實(shí)研究結(jié)果與經(jīng)過(guò)細(xì)微修改的結(jié)果。參與測(cè)試的既包括人類專家，也包括大語(yǔ)言模型。

結(jié)果顯示，在預(yù)測(cè)實(shí)驗(yàn)結(jié)果這一任務(wù)中，人機(jī)混合團(tuán)隊(duì)的準(zhǔn)確率高于單獨(dú)的人類或人工智能。

最關(guān)鍵的發(fā)現(xiàn)是，大語(yǔ)言模型在預(yù)測(cè)實(shí)驗(yàn)結(jié)果方面表現(xiàn)出超越人類專家的能力。同時(shí)，它們的置信度具有良好的校準(zhǔn)性。也就是說(shuō)，模型越有把握時(shí)，預(yù)測(cè)結(jié)果通常也越準(zhǔn)確。這一研究結(jié)果表明，大語(yǔ)言模型可能從根本上改變神經(jīng)科學(xué)研究的開展方式。

研究由此帶來(lái)了兩點(diǎn)重要啟示。第一，由于大語(yǔ)言模型和人類專家都表現(xiàn)出較好的置信度校準(zhǔn)能力，將兩者結(jié)合組成的人機(jī)團(tuán)隊(duì)，其預(yù)測(cè)準(zhǔn)確率高于任何一方單獨(dú)工作。第二，借助大語(yǔ)言模型在信息整合和模式識(shí)別方面的獨(dú)特優(yōu)勢(shì)，這類系統(tǒng)有助于加快科學(xué)發(fā)現(xiàn)的進(jìn)程。

一個(gè)典型案例來(lái)自哈佛醫(yī)學(xué)院和麻省總醫(yī)院的邁克爾·施瓦茨希爾德（Michael Schwarzschild）。他曾發(fā)現(xiàn)一種潛在的帕金森病生物標(biāo)志物，但后來(lái)回顧文獻(xiàn)時(shí)發(fā)現(xiàn)，上世紀(jì)80至90年代已有研究提出過(guò)類似線索，只是當(dāng)時(shí)未受到足夠重視。在測(cè)試中，BrainGPT 所使用的大語(yǔ)言模型成功將這一創(chuàng)新性結(jié)果判斷為最有可能成立的發(fā)現(xiàn)。這顯示出模型能夠發(fā)現(xiàn)被忽視的研究線索，并將分散的科學(xué)文獻(xiàn)重新關(guān)聯(lián)起來(lái)。

目前，研究團(tuán)隊(duì)正與AE Studio合作開發(fā)開源工具，幫助不同學(xué)科的科學(xué)家更好地利用這些預(yù)測(cè)能力。這些工具的目標(biāo)，是通過(guò)預(yù)測(cè)研究結(jié)果、評(píng)估既有研究結(jié)果的可重復(fù)性，來(lái)提升科研效率。

研究團(tuán)隊(duì)也邀請(qǐng)科學(xué)家、人工智能研究者以及軟件開發(fā)者注冊(cè)獲取項(xiàng)目進(jìn)展，或參與到相關(guān)工作中[4]。同時(shí)，團(tuán)隊(duì)正在尋求用于托管這些工具的資源，以確保其能夠免費(fèi)向?qū)W術(shù)社區(qū)開放。對(duì)此感興趣的讀者，可以聯(lián)系項(xiàng)目負(fù)責(zé)人羅曉亮（Xiaoliang Luo，EmpiriQaL.ai）以及我本人[5-6]。這一項(xiàng)目標(biāo)志著人工智能深入?yún)⑴c科學(xué)研究的重要進(jìn)展，也為不同學(xué)科探索新的發(fā)現(xiàn)與驗(yàn)證路徑提供了新的工具支持。

杰里米·馬格蘭德

Jeremy Magland

Flatiron 研究所計(jì)算數(shù)學(xué)中心高級(jí)數(shù)據(jù)科學(xué)家

他的研究主要圍繞構(gòu)建計(jì)算工具與科研平臺(tái)，提升研究者對(duì)復(fù)雜科學(xué)數(shù)據(jù)的獲取與使用能力，重點(diǎn)關(guān)注數(shù)據(jù)可視化、交互式分析以及研究過(guò)程的可重復(fù)性。他開發(fā)的開源軟件被廣泛應(yīng)用于多個(gè)科學(xué)領(lǐng)域，在神經(jīng)生理學(xué)研究和神經(jīng)元放電分選領(lǐng)域尤為常見。

這些數(shù)據(jù)具有很高的再利用價(jià)值，但對(duì)于未參與原始采集的研究者來(lái)說(shuō)，理解其結(jié)構(gòu)與內(nèi)容往往需要投入大量時(shí)間。

我們正在利用大語(yǔ)言模型，幫助神經(jīng)科學(xué)研究者更高效地復(fù)用DANDI神經(jīng)生理數(shù)據(jù)分布式檔案庫(kù)（Distributed Archives for Neurophysiology Data）中的復(fù)雜數(shù)據(jù)集。DANDI收錄了數(shù)百個(gè)神經(jīng)生理數(shù)據(jù)集，涵蓋通過(guò)電生理、鈣成像等技術(shù)記錄的大腦活動(dòng)數(shù)據(jù)，同時(shí)包含行為數(shù)據(jù)與刺激信息。這些數(shù)據(jù)具有很高的再利用價(jià)值，但對(duì)于未參與原始采集的研究者來(lái)說(shuō)，理解其結(jié)構(gòu)與內(nèi)容往往需要投入大量時(shí)間。

為此，我們團(tuán)隊(duì)開發(fā)了一套基于大語(yǔ)言模型的系統(tǒng)，來(lái)承擔(dān)數(shù)據(jù)初步探索中最耗時(shí)的工作。首先，一個(gè)人工智能代理會(huì)自動(dòng)對(duì)數(shù)據(jù)集進(jìn)行探索，自主從遠(yuǎn)程文件中加載數(shù)據(jù)片段，運(yùn)行探索腳本，并生成和檢查可視化結(jié)果，以理解數(shù)據(jù)的結(jié)構(gòu)與特征。隨后，第二個(gè)模型會(huì)基于前一步收集的信息，自動(dòng)生成一個(gè)Python筆記本，對(duì)數(shù)據(jù)集進(jìn)行系統(tǒng)介紹，并演示如何加載、繪圖和開展初步分析。在經(jīng)過(guò)人工核查以確保準(zhǔn)確性后，該筆記本將與對(duì)應(yīng)數(shù)據(jù)集一同發(fā)布在線。

這一流程的目標(biāo)，是幫助研究者在幾分鐘內(nèi)完成從“這個(gè)數(shù)據(jù)很有意思”到“我可以開始使用它”的轉(zhuǎn)變。這也是推動(dòng)公共神經(jīng)科學(xué)數(shù)據(jù)更加易于理解和復(fù)用的重要一步。

當(dāng)然，在使用大語(yǔ)言模型時(shí)，必須警惕它們可能生成誤導(dǎo)性信息。我啟動(dòng)這一項(xiàng)目的另一個(gè)目的，是檢驗(yàn)?zāi)Ｐ褪欠駮?huì)落入常見的統(tǒng)計(jì)陷阱，從而得出虛假的研究結(jié)論[7]。隨著模型能力不斷提升，這類問(wèn)題有望逐步減少。

妮娜·米奧蘭

Nina Miolane

加州大學(xué)圣塔芭芭拉分校電氣與計(jì)算機(jī)工程系助理教授、幾何智能實(shí)驗(yàn)室主任

她的實(shí)驗(yàn)室研究“智能的幾何結(jié)構(gòu)”，即用數(shù)學(xué)原理刻畫大腦與機(jī)器如何組織、轉(zhuǎn)換并適應(yīng)信息。在這些原理的基礎(chǔ)上，團(tuán)隊(duì)致力于開發(fā)新一代人工智能系統(tǒng)。即使在數(shù)據(jù)規(guī)模較小、噪聲較大或結(jié)構(gòu)高度復(fù)雜的情況下，這些系統(tǒng)仍能實(shí)現(xiàn)顯著提升的準(zhǔn)確性或計(jì)算效率。

我們發(fā)現(xiàn)，自動(dòng)化檢索與文獻(xiàn)整理顯著提升了對(duì)模型結(jié)果的理解深度，也促進(jìn)了團(tuán)隊(duì)內(nèi)部的討論，并為后續(xù)實(shí)驗(yàn)室驗(yàn)證階段的蛋白篩選提供了清晰方向。

額顳葉變性（frontotemporal degeneration，F(xiàn)TD）是一種影響大腦額葉和顳葉區(qū)域的癡呆類型，會(huì)損害語(yǔ)言、決策以及運(yùn)動(dòng)功能。它是60歲以下人群中最常見的癡呆形式之一，但其分子層面的致病機(jī)制至今仍未被充分理解。

為填補(bǔ)這一空白，我們開展了一項(xiàng)研究項(xiàng)目，由博士生路易莎·科內(nèi)利斯（Louisa Cornelis）牽頭，并與加州大學(xué)圣塔芭芭拉分校的幾何智能實(shí)驗(yàn)室（Geometric Intelligence Lab）以及加州大學(xué)舊金山分校的記憶與衰老中心共同開展[8]。參與該項(xiàng)目的研究人員還包括吉列爾莫·貝爾納爾德斯·吉爾（Guillermo Bernárdez Gil）、羅文·薩洛納（Rowan Saloner）、凱特琳·卡薩萊托（Kaitlin Casaletto）以及我本人[9-11]。研究團(tuán)隊(duì)利用可解釋的圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNNs），對(duì)來(lái)自FTD患者的大規(guī)模蛋白質(zhì)組學(xué)數(shù)據(jù)進(jìn)行了系統(tǒng)分析。

我們的模型通過(guò)識(shí)別疾病早期的分子信號(hào)來(lái)預(yù)測(cè)未來(lái)的認(rèn)知功能下降。在某些情況下，甚至能夠在臨床癥狀出現(xiàn)之前給出預(yù)警，從而提前評(píng)估疾病可能對(duì)患者生活和功能狀態(tài)產(chǎn)生的影響。隨后，我們結(jié)合由大語(yǔ)言模型增強(qiáng)的可解釋性分析方法，篩選出在模型預(yù)測(cè)中發(fā)揮關(guān)鍵作用的蛋白質(zhì)，以揭示可能支撐FTD發(fā)生與進(jìn)展的分子模式。

在具體操作層面，我們將大語(yǔ)言模型整合進(jìn)整個(gè)可解釋性分析流程中。當(dāng)模型篩選出最具預(yù)測(cè)力的前10個(gè)關(guān)鍵蛋白后，一個(gè)定制化的AI系統(tǒng)會(huì)自動(dòng)檢索PubMed數(shù)據(jù)庫(kù)，并對(duì)相關(guān)文獻(xiàn)進(jìn)行梳理和總結(jié)，幫助我們回答幾個(gè)核心問(wèn)題：這些蛋白已知的生物學(xué)功能是什么？其中哪些曾在阿爾茨海默病或帕金森病等神經(jīng)退行性疾病研究中被報(bào)道？是否出現(xiàn)在動(dòng)物實(shí)驗(yàn)中？又有哪些可能是此前尚未被關(guān)注的全新線索？

初步測(cè)試已帶來(lái)了多項(xiàng)有價(jià)值的發(fā)現(xiàn)。例如，即便此前沒(méi)有與FTD的直接研究關(guān)聯(lián)，這套系統(tǒng)仍然能夠發(fā)現(xiàn)，圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNNs）識(shí)別出的關(guān)鍵蛋白與其他神經(jīng)退行性疾病之間存在潛在聯(lián)系。團(tuán)隊(duì)成員在此過(guò)程中逐一核查所有引用文獻(xiàn)。我們發(fā)現(xiàn)，自動(dòng)化檢索與文獻(xiàn)整理顯著提升了對(duì)模型結(jié)果的理解深度，也促進(jìn)了團(tuán)隊(duì)內(nèi)部的討論，并為后續(xù)實(shí)驗(yàn)室驗(yàn)證階段的蛋白篩選提供了清晰方向。

當(dāng)然，這種方式也有其局限性。LLM的幻覺問(wèn)題仍然存在，可能引用不存在的文章，或未經(jīng)同行審閱的研究。為盡量降低這類風(fēng)險(xiǎn)，我們將模型的作用嚴(yán)格限定在對(duì)自動(dòng)化PubMed檢索結(jié)果進(jìn)行整理和摘要上，所有輸出內(nèi)容都會(huì)由團(tuán)隊(duì)成員逐一人工審核。即便如此，AI仍可能誤讀部分研究結(jié)論，或遺漏關(guān)鍵文獻(xiàn)。不過(guò)，在生成研究假設(shè)的階段，這一工具依然非常有價(jià)值。未來(lái)，我們計(jì)劃通過(guò)專家評(píng)審，對(duì)大量查詢結(jié)果進(jìn)行系統(tǒng)分析，統(tǒng)計(jì)正確與錯(cuò)誤輸出的比例，以更客觀地評(píng)估其整體準(zhǔn)確性。

瑞秋·帕金森

Rachel Parkinson

倫敦瑪麗女王大學(xué)講師

牛津大學(xué)施密特“科學(xué)中的人工智能”學(xué)者

她的研究融合了神經(jīng)生理學(xué)、行為學(xué)與計(jì)算建模，旨在理解環(huán)境壓力因素如何影響昆蟲的感覺系統(tǒng)以及傳粉昆蟲的整體健康狀況。其致力于開發(fā)以人工智能為驅(qū)動(dòng)的工具，用于加速生物科學(xué)研究，包括用于高通量行為毒理學(xué)研究的實(shí)驗(yàn)設(shè)備，以及支持系統(tǒng)性綜述的大語(yǔ)言模型分析流程。

我們將MetaBeeAI設(shè)計(jì)為一種“專家參與式”的分析流程，使研究者能夠在每個(gè)階段對(duì)模型輸出進(jìn)行核查。

在生物學(xué)和神經(jīng)科學(xué)領(lǐng)域，科研文獻(xiàn)數(shù)量持續(xù)增長(zhǎng)，給研究者帶來(lái)了巨大的整理與消化壓力。我們正利用大語(yǔ)言模型來(lái)應(yīng)對(duì)這一挑戰(zhàn)。面對(duì)不斷涌現(xiàn)的研究成果，個(gè)體研究者往往難以及時(shí)全面掌握相關(guān)進(jìn)展。在這一背景下，我們開展了MetaBeeAI項(xiàng)目，專注研究農(nóng)藥等環(huán)境壓力因素如何影響昆蟲的大腦與行為[12]。MetaBeeAI利用大語(yǔ)言模型系統(tǒng)性閱讀數(shù)千篇論文，篩選關(guān)鍵發(fā)現(xiàn)，并提取結(jié)構(gòu)化信息，例如實(shí)驗(yàn)設(shè)計(jì)、受影響的腦區(qū)以及行為結(jié)果，使這些數(shù)據(jù)能夠直接用于元分析或計(jì)算模型。

需要強(qiáng)調(diào)的是，這并非一個(gè)“黑箱”系統(tǒng)。MetaBeeAI采用“專家參與式”（expert-in-the-loop）的流程設(shè)計(jì)。研究者可以在各個(gè)階段核查模型輸出、糾正錯(cuò)誤，并提供反饋，以持續(xù)優(yōu)化大語(yǔ)言模型的提示策略與微調(diào)過(guò)程。這一機(jī)制使整個(gè)流程更加透明、可審計(jì)，并能夠根據(jù)不同領(lǐng)域的研究需求進(jìn)行調(diào)整。與此同時(shí)，我們正在構(gòu)建一個(gè)由領(lǐng)域?qū)＜艺淼幕鶞?zhǔn)數(shù)據(jù)集，用于評(píng)估大語(yǔ)言模型在真實(shí)生物學(xué)文獻(xiàn)中的表現(xiàn)，并據(jù)此改進(jìn)模型對(duì)科學(xué)文本的理解能力。

我們的最終目標(biāo)，是將這一工具推廣至神經(jīng)科學(xué)與生物學(xué)領(lǐng)域的研究者群體，幫助更多研究者更高效地提取關(guān)鍵發(fā)現(xiàn)、整合證據(jù)，并加速科研進(jìn)程。

馬丁·施林普夫

Martin Schrimpf

瑞士聯(lián)邦理工學(xué)院洛桑分校Neuro-X神經(jīng)科學(xué)研究所助理教授

他致力于以計(jì)算視角理解大腦的工作機(jī)制，其研究橫跨機(jī)器學(xué)習(xí)、神經(jīng)科學(xué)與認(rèn)知科學(xué)多個(gè)領(lǐng)域，重點(diǎn)在于構(gòu)建能夠同時(shí)對(duì)齊神經(jīng)活動(dòng)與行為表現(xiàn)的計(jì)算模型。

我們最近發(fā)現(xiàn)，GPT系列模型的內(nèi)部表征，與人類語(yǔ)言網(wǎng)絡(luò)中的神經(jīng)表征具有出人意料的相似性。

除了在寫作和編程支持等常見場(chǎng)景中應(yīng)用大語(yǔ)言模型，我們還將其作為預(yù)測(cè)大腦信息加工過(guò)程的計(jì)算模型。我們最近發(fā)現(xiàn)，GPT系列模型的內(nèi)部表征，與人類語(yǔ)言網(wǎng)絡(luò)中的神經(jīng)表征具有出人意料的相似性。該模型家族也是ChatGPT等工具所基于的核心架構(gòu)。當(dāng)我們將同一段文本同時(shí)呈現(xiàn)給人類受試者和模型時(shí)，可以觀察到兩種系統(tǒng)之間高度一致的反應(yīng)模式。模型的內(nèi)部激活狀態(tài)不僅能夠預(yù)測(cè)大腦中的神經(jīng)活動(dòng)模式，還能夠?qū)?yīng)閱讀時(shí)長(zhǎng)等行為指標(biāo)。

這種一致性的強(qiáng)度以及能讓我們利用大語(yǔ)言模型篩選句子，從而可靠地增強(qiáng)或抑制人類語(yǔ)言系統(tǒng)中特定腦區(qū)的活動(dòng)。這一發(fā)現(xiàn)令人振奮，因?yàn)樗鼮橥ㄟ^(guò)感知層面的輸入而非侵入式手段調(diào)節(jié)大腦活動(dòng)，提供了新的可能。

受到這些發(fā)現(xiàn)的啟發(fā)，我們也開始將大語(yǔ)言模型本身視為一種值得研究的“物種”。我們借鑒神經(jīng)科學(xué)中的功能定位方法，對(duì)不同模型進(jìn)行分析，結(jié)果發(fā)現(xiàn)，在一個(gè)大語(yǔ)言模型中，真正承擔(dān)核心語(yǔ)言處理功能的組件只占相對(duì)較小的一部分，其余大量組件則服務(wù)于各種輔助性任務(wù)。這一結(jié)構(gòu)特征再次呼應(yīng)了人類大腦的組織方式，即語(yǔ)言網(wǎng)絡(luò)本身與更廣泛的推理系統(tǒng)和世界知識(shí)系統(tǒng)相互區(qū)分。

這種雙向的交叉研究正在持續(xù)展現(xiàn)其價(jià)值。一方面，我們利用人工智能模型理解大腦；另一方面，也借助神經(jīng)科學(xué)工具解析模型本身。這種協(xié)同效應(yīng)正在不斷增強(qiáng)，有望推動(dòng)我們構(gòu)建出更加貼近真實(shí)大腦運(yùn)作機(jī)制的計(jì)算模型。

金·斯塔肯費(fèi)爾德

Kim Stachenfeld

哥倫比亞大學(xué)理論神經(jīng)科學(xué)中心的兼職助理教授、Google DeepMind 的資深研究科學(xué)家

她的研究橫跨神經(jīng)科學(xué)與人工智能領(lǐng)域，重點(diǎn)關(guān)注以人工智能為靈感的神經(jīng)計(jì)算模型，以及如何利用AI工具來(lái)解析和理解大腦數(shù)據(jù)。

真正的難點(diǎn)在于如何理解這些模型，即厘清代碼中不同組成部分的功能，以及它們與既有研究之間的聯(lián)系。

計(jì)算模型在神經(jīng)科學(xué)中具有重要地位，它們將對(duì)神經(jīng)過(guò)程的抽象描述與可通過(guò)數(shù)據(jù)檢驗(yàn)的定量預(yù)測(cè)結(jié)合起來(lái)。長(zhǎng)期以來(lái)，這類模型的構(gòu)建幾乎完全由人類完成，通常需要同時(shí)精通神經(jīng)科學(xué)與建模方法的專業(yè)研究者。如今，大語(yǔ)言模型已能夠編寫可執(zhí)行代碼，為自動(dòng)生成計(jì)算模型提供了新的可能。

盡管大語(yǔ)言模型生成的代碼在質(zhì)量上仍遜于熟練程序員，但其優(yōu)勢(shì)在于生成速度快且可規(guī)模化產(chǎn)出。以AlphaEvolve為代表的方法正是利用了這一特點(diǎn)，在優(yōu)化循環(huán)中持續(xù)生成并改進(jìn)代碼，以尋找能夠最大化特定目標(biāo)函數(shù)的程序[13]。我們團(tuán)隊(duì)用這一思路尋找數(shù)據(jù)驅(qū)動(dòng)的計(jì)算模型，并對(duì)大語(yǔ)言模型生成的程序進(jìn)行優(yōu)化，使其能夠更好地刻畫和擬合神經(jīng)科學(xué)數(shù)據(jù)集。

我們還將這一方法應(yīng)用于動(dòng)物學(xué)習(xí)行為的計(jì)算模型發(fā)現(xiàn)[14]。整個(gè)流程從一個(gè)“提示”開始，其中包含示例程序，以及對(duì)大語(yǔ)言模型的修改方式的具體說(shuō)明。模型據(jù)此生成修改后的程序，并根據(jù)其對(duì)行為數(shù)據(jù)的擬合效果進(jìn)行評(píng)分。在每一輪迭代中，提示中的示例程序都會(huì)被得分更高的模型生成程序所替換。

最終得到的程序在數(shù)據(jù)擬合上表現(xiàn)良好，這是針對(duì)該目標(biāo)反復(fù)優(yōu)化的結(jié)果。同時(shí)，由于這些代碼源自在人類編寫代碼語(yǔ)料上訓(xùn)練的大語(yǔ)言模型，其整體可讀性也較高。但真正具有挑戰(zhàn)性的，在于如何理解這些模型，即厘清代碼中不同組成部分的功能，以及它們與既有研究之間的聯(lián)系。

這項(xiàng)研究揭示了生成式人工智能所帶來(lái)的一種更廣泛的權(quán)衡關(guān)系。在過(guò)去，構(gòu)建模型本身是理論研究者面臨的核心難題。而這一艱難過(guò)程往往在無(wú)形中確保模型具備若干重要特征，例如扎根于既有文獻(xiàn)、具備良好的可解釋性、體現(xiàn)一定創(chuàng)新性，并聚焦于關(guān)鍵研究現(xiàn)象。

而在生成式工具的幫助下，模型的產(chǎn)出變得前所未有地容易，但其質(zhì)量卻不再自然得到保證。因此，計(jì)算神經(jīng)科學(xué)研究者如今面臨的新挑戰(zhàn)，是必須更加明確地界定并形式化表達(dá)，我們究竟希望模型具備哪些核心屬性。

https://www.thetransmitter.org/neuroscientists-using-ai/how-neuroscientists-are-using-ai/

1.https://doi.org/10.1038/s41562-024-02046-9

2.https://doi.org/10.48550/arXiv.2408.08083

3.https://www.massgeneral.org/neurology/research/schwarzschild-lab-molecular-neurobiology-laboratory

4.https://docs.google.com/forms/d/e/1FAIpQLSffnG45CrQOnp8c8X1MN1mZPK1JEsrgzcvf1sFrmwc18ozXjw/viewform

5.https://orcid.org/0000-0002-5297-2114

6.https://orcid.org/0000-0002-7883-7076

7.https://github.com/dandi-ai-notebooks/spurious-discovery-tests/blob/main/README.md

8.https://www.physics.ucsb.edu/people/louisa-cornelis

9.https://gi.ece.ucsb.edu/people

10.https://memory.ucsf.edu/people/rowan-saloner

11.https://memory.ucsf.edu/people/kaitlin-casaletto

12.https://metabeeai.github.io/metabeeai-workshop/metabeeai.html

13.https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

14.https://doi.org/10.1101/2025.02.05.636732

關(guān)于追問(wèn)nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問(wèn)為紐帶，深入探究人工智能與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。歡迎評(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。您也可以在后臺(tái)提問(wèn)，我們將基于追問(wèn)知識(shí)庫(kù)為你做出智能回復(fù)哦~

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、、科普視頻媒體「大圓鏡」等。