人工智能會如何重塑科學(xué)研究的未來？當(dāng)一個“無所不知”的數(shù)字大腦成為科學(xué)家的研究伙伴，會碰撞出怎樣的火花？這或許不再是一個遙遠(yuǎn)的問題，而是一個正在發(fā)生的現(xiàn)實。

在過去的幾年里，大語言模型在規(guī)模和能力上實現(xiàn)了迅速增長。它們不僅能理解和生成文本，還能解析復(fù)雜的圖表與代碼，展現(xiàn)出強大的推理能力。面對這一新興力量，嗅覺敏銳的科學(xué)家們沒有遲疑，迅速將其融入自己的工作流程中。他們或使用這些工具來分析文獻，或與之共同頭腦風(fēng)暴提出假設(shè)，或利用其高效查詢數(shù)據(jù)庫，與復(fù)雜數(shù)據(jù)集交互并調(diào)查新發(fā)現(xiàn)的結(jié)論。

那么，在神經(jīng)科學(xué)——這個探索人類心智前沿的領(lǐng)域里，這一切是如何具體發(fā)生的？下面，八位頂尖的神經(jīng)科學(xué)家將為我們分享他們與這位“新同事”共事的獨家故事。

追問快讀：

01 Reza Abbasi-Asl：用Transformer繪制無偏的大腦細(xì)胞地圖

02 Katrin Franke ：用大模型提升非英語母語者文本效率

03 Bradley Love：人機協(xié)作預(yù)測神經(jīng)科學(xué)的研究結(jié)果是否被修改

04 Jeremy Magland：開發(fā)端到端的神經(jīng)電數(shù)據(jù)探索和可視化智能體

05 Nina Miolane ：使用大模型查找文獻并指導(dǎo)實驗

06 Rachel Parkinson：快速閱讀文獻并提取結(jié)構(gòu)化信息

07 Martin Schrimpf： 用大模型預(yù)測人腦處理語言時的特征

08 Kim Stachenfeld：數(shù)據(jù)驅(qū)動的計算神經(jīng)科學(xué)模型自主構(gòu)建

Reza Abbasi-Asl：用Transformer

繪制無偏的大腦細(xì)胞地圖

?Reza Abbasi-Asl 2018年于加州大學(xué)伯克利分校獲得電氣工程與計算機科學(xué)博士學(xué)位和碩士學(xué)位，期間開發(fā)了具有計算神經(jīng)科學(xué)應(yīng)用的可解釋機器學(xué)習(xí)工具。目前是UCSF 神經(jīng)病學(xué)系和生物工程與治療科學(xué)系的助理教授，關(guān)注精神疾病相關(guān)研究。

我們的實驗室正在使用大模型背后的核心技術(shù)來解決一種完全不同的語言：細(xì)胞組織的語言。實驗室通過空間轉(zhuǎn)錄組實驗進行觀測。我們提出了一個簡單的問題：人工智能模型能否根據(jù)細(xì)胞周圍的細(xì)胞環(huán)境來解釋細(xì)胞，就像語言模型解釋句子中的單詞一樣？結(jié)果證明答案是肯定的。

我們開發(fā)了一個名為CellTransformer 的模型，該模型通過學(xué)習(xí)，能基于其“細(xì)胞鄰域”，即圍繞它的細(xì)胞小社區(qū)的分子特征預(yù)測細(xì)胞狀態(tài)。我們使用由我們的合作伙伴艾倫研究所收集的大量空間轉(zhuǎn)錄組數(shù)據(jù)集對模型進行以自監(jiān)督訓(xùn)練；AI 模型觀察一個細(xì)胞鄰域，觀察時忽略一個細(xì)胞的分子身份，然后嘗試根據(jù)其臨近細(xì)胞預(yù)測隱藏細(xì)胞的身份。

通過重復(fù)這一過程數(shù)百萬次，CellTransformer學(xué)會了不同細(xì)胞如何排列在一起的基本規(guī)則。這種方法與之前旨在定義大腦中不同細(xì)胞類型的腦圖工作不同。CellTransformer確定了這些細(xì)胞類型是如何組裝成更大的、有明確功能的區(qū)域的。

CellTransformer能夠有效地從底層學(xué)習(xí)神經(jīng)解剖學(xué)的規(guī)則，而不需要任何人工指導(dǎo)。實驗室創(chuàng)建了一個全新的、超高分辨率，完全是數(shù)據(jù)驅(qū)動的大腦細(xì)胞圖譜。 我們非常激動地看到 CellTransformer 以驚人的準(zhǔn)確性重現(xiàn)了大腦已知的大尺度區(qū)域結(jié)構(gòu)，并且還發(fā)現(xiàn)了許多之前未編目、更精細(xì)的亞區(qū)域。

?圖1： CellTransformer識別出的1300個腦區(qū)及艾倫研究所提供的參考分區(qū)

這真的很令人興奮，因為幾十年來，臨床研究一直依賴于本質(zhì)上是由手繪的大腦地圖，這些地圖包含了歷史上對大腦不同區(qū)域興趣所帶來的偏見。我們用AI生產(chǎn)的地圖提供了更詳細(xì)和無偏見的表征，使科學(xué)家能夠?qū)⒓膊顟B(tài)或藥物作用與大腦中高度特定的、由細(xì)胞定義的區(qū)域相關(guān)聯(lián)，并且可以輕松應(yīng)用于新出現(xiàn)的數(shù)據(jù)集。

最令人興奮的可能是CellTransformer框架不僅適用于神經(jīng)科學(xué)。我們設(shè)計它作為一個強大且與組織無關(guān)的工具，可以應(yīng)用于任何具有大規(guī)模空間轉(zhuǎn)錄組數(shù)據(jù)的器官系統(tǒng)。這不僅提供了一張新的腦圖，還為創(chuàng)建幾乎任何生物學(xué)領(lǐng)域的高分辨率細(xì)胞圖奠定了基礎(chǔ)。最終，我們將其視為一個可擴展的平臺，將為深入了解無數(shù)不同物種和疾病狀態(tài)的組織結(jié)構(gòu)鋪平道路。

Katrin Franke ：

提升非英語母語者文本效率

?Katrin Franke 斯坦福大學(xué)基礎(chǔ)生物科學(xué)領(lǐng)域的高級研究科學(xué)家，關(guān)注眼科研究與臨床實驗，通過結(jié)合神經(jīng)元記錄和人工智能工具來研究大腦中視覺信息處理的基本原理。

大模型極大地改變了我工作的方式，現(xiàn)在已成為我日常研究工作不可或缺的一部分。作為一名非英語母語英語者，我以前在清晰表達(dá)想法方面很吃力——無論是撰寫電子郵件時把握正確的語氣，還是總結(jié)論文�，F(xiàn)在，我使用大模型來潤色我的草稿，檢查語法和調(diào)整語氣，使寫作對我這樣的非母語者來說變得更加容易。

除了寫作，我還依賴大模型進行編碼任務(wù)，尤其是生成用于數(shù)據(jù)繪圖或調(diào)試的小段代碼片段。這些工具的交互性幫助我比獨自工作時更有效地思考問題。我還發(fā)現(xiàn)自己與大模型來回交流想法——無論是頭腦風(fēng)暴分析研究方法，還是思考如何構(gòu)建我正在撰寫的論文結(jié)構(gòu)。

我的研究涉及眾多協(xié)作，包括頻繁的會議，我們將會議記錄轉(zhuǎn)錄工具，并使用大模型進行處理，以生成有明確行動項的有序摘要，這節(jié)省了大量時間。最近，我們開始使用視覺語言模型等高級模型作為科學(xué)家的強力助手。視覺語言模型允許研究人員以前所未有的規(guī)模和速度，執(zhí)行傳統(tǒng)上需要人類理解的分析。例如，我們的研究涉及理解視覺皮層中的神經(jīng)元對不同圖像的反應(yīng)，現(xiàn)在我們可以使用視覺語言模型自動描述這些圖像的共同點，這比研究人員手動完成要快得多。

盡管我經(jīng)常使用這些工具，但我對它們的輸出保持批判性視角。如果一個人對輸出保持批判性視角，并意識到如幻覺等局限性，我相信AI工具，如大模型具有巨大的潛力，可以徹底改變我們的工作方式。（是的，我確實使用大模型來幫助潤色這篇文本�。�

Bradley Love：人機協(xié)作

預(yù)測神經(jīng)科學(xué)的研究結(jié)果是否被修改

?Bradley Love 洛斯阿拉莫斯國家實驗室的高級研究科學(xué)家。在啟動 BrainGPT 項目后，他對將現(xiàn)代人工智能技術(shù)，如大語言模型，擴展到構(gòu)建能夠加速科學(xué)發(fā)現(xiàn)的系統(tǒng)產(chǎn)生了濃厚的興趣。

BrainGPT.org項目調(diào)查了在神經(jīng)科學(xué)文獻上訓(xùn)練的大模型是否能在預(yù)測神經(jīng)科學(xué)各個子領(lǐng)域的實驗結(jié)果方面超越人類專家。來自11個國家的國際團隊開發(fā)了 BrainBench，這是一個基于《神經(jīng)科學(xué)雜志》摘要的基準(zhǔn)測試數(shù)據(jù)集，考察了人類專家和大模型能否區(qū)分實際和被微妙改變的研究結(jié)果。

?BrainBench 是一個用于評估受試者預(yù)測神經(jīng)科學(xué)研究結(jié)果的能力的神經(jīng)科學(xué)基準(zhǔn)測試。受試者需要在原始摘要和經(jīng)過大幅修改結(jié)果但仍保持連貫性的摘要之間進行選擇。人類專家和大型語言模型（LLMs）的任務(wù)是從這兩個選項中選擇正確的（即原始的）版本。人類專家在在線研究中做出選擇并提供可信度和專業(yè)知識評級。LLMs 的評分是基于選擇困惑度較低的摘要（即對模型來說不那么令人驚訝的文本段落），它們的可信度與兩個選項之間的困惑度差異成正比。圖源：Nature Human Behaviour

關(guān)鍵發(fā)現(xiàn)是，大模型展示了超越人類的實驗結(jié)果預(yù)測能力，具有更高的置信度與更高的預(yù)測·準(zhǔn)確性。這項開創(chuàng)性研究表明，大模型可能會從根本上改變神經(jīng)科學(xué)研究的方式。BrainGPT的出現(xiàn)有兩個主要影響。首先，由于大模型和人類專家都表現(xiàn)出校準(zhǔn)的置信度，結(jié)合人類和AI的混合團隊可能比單獨由人或大冒險更準(zhǔn)確地進行預(yù)測。其次，BrainGPT可以通過利用大模型的獨特能力來加速科學(xué)發(fā)現(xiàn)。

?圖2：人類和各種模型的預(yù)測準(zhǔn)確性對比， 來自https://arxiv.org/pdf/2408.08083

哈佛醫(yī)學(xué)院和麻省總醫(yī)院的Michael Schwarzschild發(fā)現(xiàn)了一種潛在的帕金森病生物標(biāo)志物，后來發(fā)現(xiàn)20世紀(jì)80年代和90年代的研究已經(jīng)暗示了類似發(fā)現(xiàn)。經(jīng)過測試，BrainGPT正確地將這一創(chuàng)新結(jié)果識別為最有可能的，展示了它們發(fā)現(xiàn)被忽視的研究和連接不同科學(xué)文獻的能力。

該團隊現(xiàn)在正與 AE Studio 合作開發(fā)開源工具，幫助各學(xué)科科學(xué)家利用這些預(yù)測能力。這些工具旨在通過預(yù)測研究結(jié)果和評估過去研究的復(fù)現(xiàn)可能性來加速發(fā)現(xiàn)。

科學(xué)家、人工智能研究人員和軟件開發(fā)人員可以注冊后，收到工具的更新信息或為這項工作做出貢獻。該團隊還尋求資源來托管這些工具，確保社區(qū)可以免費且方便地訪問。有興趣的人可以聯(lián)系團隊負(fù)責(zé)人，羅曉亮（EmpiriQaL.ai）和我（Bradley Love，洛斯阿拉莫斯國家實驗室）。這一舉措代表了人工智能增強科學(xué)研究的重要一步，有可能改變多個科學(xué)領(lǐng)域發(fā)現(xiàn)和驗證的方式。

Jeremy Magland：開發(fā)端到端的

神經(jīng)電數(shù)據(jù)探索和可視化智能體

?Jeremy Magland 2015年加入西蒙斯基金會的 Flatiron 研究所。他的工作重點在于開發(fā)用于分析、可視化和共享大規(guī)�？茖W(xué)數(shù)據(jù)的計算方法和開源軟件�，F(xiàn)在專注于構(gòu)建可重復(fù)使用、云友好的工具，使復(fù)雜數(shù)據(jù)集更容易探索和重用。

我們使用大語言模型來幫助神經(jīng)科學(xué)家更容易地復(fù)用 DANDI（神經(jīng)生理學(xué)數(shù)據(jù)分布式存檔）存檔中的復(fù)雜數(shù)據(jù)集。DANDI托管了數(shù)百個神經(jīng)生理學(xué)數(shù)據(jù)集，其中包含使用電生理學(xué)和鈣成像等技術(shù)收集的大腦活動記錄，以及行為和刺激數(shù)據(jù)。這些數(shù)據(jù)集充滿了發(fā)現(xiàn)新結(jié)果的潛力，但如果您沒有收集這些數(shù)據(jù)，可能會很難知道從哪里開始。

?神經(jīng)生理學(xué)數(shù)據(jù)整合的分布式檔案庫（Distributed Archives for Neurophysiology Data Integration，DANDI） 圖源：braininitiative.org

我們的團隊構(gòu)建了一個系統(tǒng)，使用大模型來完成一些繁重的工作。首先，一個AI智能體探索數(shù)據(jù)集：它自主地從遠(yuǎn)程文件中加載數(shù)據(jù)片段，運行探索腳本，并生成和檢查可視化來理解數(shù)據(jù)。然后，第二個模型使用收集到的信息編寫一個Python notebook，介紹數(shù)據(jù)集，展示如何加載數(shù)據(jù)、繪圖和分析數(shù)據(jù)。經(jīng)過人類對準(zhǔn)確性的審查后，該notebook與數(shù)據(jù)集共同上線。項目目標(biāo)是幫助科學(xué)家在幾分鐘內(nèi)從“這看起來很有趣”過渡到“我可以開始工作了”。 這一步使公共神經(jīng)科學(xué)數(shù)據(jù)更易于接近和重復(fù)使用。

在使用大模型時，重要的是要意識到它們存在可能產(chǎn)生誤導(dǎo)性信息的潛在風(fēng)險。我還啟動了這個項目[1]來測試大模型，看看它們是否會陷入一些常見的統(tǒng)計陷阱，并可能導(dǎo)致虛假發(fā)現(xiàn)。預(yù)計隨著模型變得更智能，這個問題將變得不那么嚴(yán)重。

Nina Miolane ：

使用大模型查找文獻并指導(dǎo)實驗

Nina Miolane 加州大學(xué)圣塔芭芭拉分校的助理教授，領(lǐng)導(dǎo)幾何智能實驗室，并與 REAL AI for Science Initiative 和 Bowers女性大腦健康計劃的 AI 核心共同擔(dān)任聯(lián)合主任。使用 AI 模型構(gòu)建大腦的數(shù)字孿生——整合成像、認(rèn)知和分子數(shù)據(jù)，以預(yù)測大腦健康、早期檢測疾病并支持個性化護理。

額葉-顳葉變性（FTD）是一種影響大腦額葉和顳葉區(qū)域的癡呆癥，損害語言、決策和運動功能。盡管它是60歲以下人群中最常見的癡呆癥，但對其分子基礎(chǔ)仍了解不多。我們的項目由博士生Louisa Cornelis領(lǐng)導(dǎo)，與加州大學(xué)圣巴巴拉分校的幾何智能實驗室和加州大學(xué)舊金山分校的記憶與衰老中心（包括 Guillermo Bernárdez Gil、Rowan Saloner、Kaitlin Casaletto 和我）合作，利用FTD患者的蛋白組學(xué)大數(shù)據(jù)，通過可解釋圖神經(jīng)網(wǎng)絡(luò)（GNNs）來填補這一空白。

我們的模型通過檢測早期分子跡象來預(yù)測未來的認(rèn)知衰退，有時能在癥狀出現(xiàn)之前預(yù)測疾病將如何影響患者的生活。然后我們應(yīng)用大模型增強的可解釋性技術(shù)來識別驅(qū)動模型預(yù)測的蛋白質(zhì)，以便在分子層面突出可能促成FTD的模式。

我們將大模型整合到我們的可解釋性流程中。在確定最重要的10個預(yù)測蛋白質(zhì)后，定制AI會查詢PubMed并總結(jié)相關(guān)論文，以回答諸如：這些蛋白質(zhì)已知的功能是什么？哪些與神經(jīng)退行性疾病有關(guān)，例如在阿爾茨海默病或帕金森病研究中，或在動物研究中出現(xiàn)？哪些可能是新的？

早期測試已經(jīng)產(chǎn)生了有希望的線索——例如，揭示GNN識別的蛋白質(zhì)與其他神經(jīng)退行性疾病之間的論文，即使沒有先前已知的FTD關(guān)聯(lián)。我們的團隊驗證了所有參考文獻。我們發(fā)現(xiàn)，自動搜索豐富了我們的解釋和討論，指導(dǎo)我們選擇未來在實驗室中測試那些蛋白質(zhì)。

該方法確實存在局限性。大模型可能會虛構(gòu)研究來，例如引用不存在的論文或非同行評審的研究。為了降低這種風(fēng)險，我們將大模型的作用限制為總結(jié)來自自動化PubMed 搜索的結(jié)果，所有輸出都由我們的團隊手動審查。即使AI可能仍然會誤解發(fā)現(xiàn)或錯過關(guān)鍵文獻，該工具在假設(shè)生成方面仍然很有價值。我們計劃通過跟蹤大量查詢中有效輸出與錯誤輸出的比率，通過專家審查來正式評估其準(zhǔn)確性。

Rachel Parkinson：

快速閱讀文獻并提取結(jié)構(gòu)化信息

Rachel Parkinson 牛津大學(xué)蜜蜂研究所，人工智能科學(xué)研究員。他研究調(diào)查昆蟲的感官信號處理以及環(huán)境壓力因素對授粉者大腦和行為的影響。她使用神經(jīng)生態(tài)學(xué)方法來理解昆蟲如何使用感覺數(shù)據(jù)進行覓食和導(dǎo)航。她的研究還考察了如農(nóng)藥等壓力因素如何影響昆蟲感知和應(yīng)對環(huán)境變化的能力。

我們使用大模型來克服生物學(xué)和神經(jīng)科學(xué)中的一個挑戰(zhàn)：海量的已發(fā)表研究。我們的項目MetaBeeAI[2]專注于理解壓力源，如殺蟲劑，如何影響昆蟲的大腦和行為。但核心問題是普遍存在的：研究人員無法跟上文獻的步伐。MetaBeeAI使用大模型閱讀數(shù)千篇論文，識別相關(guān)發(fā)現(xiàn)并提取結(jié)構(gòu)化數(shù)據(jù)——包括實驗設(shè)計、受影響的腦區(qū)和行為結(jié)果——以便立即納入元分析或計算模型。

?MetaBeeAI. 圖源：metabeeai.github.io

關(guān)鍵在于，這并不是一個“黑盒”系統(tǒng)。我們設(shè)計了MetaBeeAI作為一個專家在環(huán)的流程，研究人員可以在每個階段驗證輸出，糾正錯誤，并提供改進后的提示詞和對大冒險進行微調(diào)的反饋，從而隨著時間的推移提高工具的上限。這使得整個過程透明、可審計，并適應(yīng)不同領(lǐng)域的需求。我們還在構(gòu)建一個由領(lǐng)域?qū)＜揖牟邉澋幕鶞?zhǔn)數(shù)據(jù)集，這有助于評估大模型在真實生物文獻上的性能，并推動模型成為更好的科學(xué)閱讀者。

我們的最終目標(biāo)是讓這個工具可供神經(jīng)科學(xué)和生物學(xué)領(lǐng)域的所有研究人員使用，幫助他們提取關(guān)鍵發(fā)現(xiàn)，綜合證據(jù)，并加速發(fā)現(xiàn)。

Martin Schrimpf：

用大模型預(yù)測人腦處理語言時的特征

?Martin Schrimpf 洛桑聯(lián)邦理工學(xué)院助理教授。他的研究專注于對視覺和語言中智能背后神經(jīng)機制的計算理解。為了實現(xiàn)這一目標(biāo)，他融合了深度學(xué)習(xí)、神經(jīng)科學(xué)和認(rèn)知科學(xué)，構(gòu)建了與大腦內(nèi)部處理中的神經(jīng)表征相匹配、輸出與人類行為對齊的人工神經(jīng)網(wǎng)絡(luò)模型。

除了大模型在寫作和編碼支持方面這樣常規(guī)的使用方式外，我們還將其用作大腦處理的預(yù)測模型。我們最近發(fā)現(xiàn)，GPT型模型的內(nèi)部表示——也就是為ChatGPT等工具提供指出的同一模型家族，其表征與人類語言網(wǎng)絡(luò)內(nèi)部的表征驚人地相似。當(dāng)我們向人類和這些模型展示相同的文本時，我們觀察到兩個系統(tǒng)之間存在著顯著的對應(yīng)關(guān)系：模型的內(nèi)部激活預(yù)測了大腦中的神經(jīng)活動模式和閱讀時間等行為反應(yīng)。

這種一致性足夠強，以至于我們現(xiàn)在可以使用大模型來選擇可以可靠地增加或減少人類語言系統(tǒng)特定部分活動的句子。我發(fā)現(xiàn)這非常令人興奮，因為它開辟了通過感知輸入而非侵入性程序來調(diào)節(jié)大腦活動的可能性。

受這些發(fā)現(xiàn)啟發(fā)，我們也在研究大模型能否被視為一種“物種”，通過使用神經(jīng)科學(xué)中的功能定位器對各種模型進行研究，我們發(fā)現(xiàn)大模型的組件中只有相對較小的一部分用于核心語言處理，這意味著很大一部分用于輔助任務(wù)。這一特征，與人類語言網(wǎng)絡(luò)與更廣泛的推理和世界知識系統(tǒng)存在不同再次出現(xiàn)呈現(xiàn)鏡像映射。

在這種雙向交流中，我們有了許多有價值的發(fā)現(xiàn)，包括使用AI模型來理解大腦，以及使用神經(jīng)科學(xué)工具來剖析模型。我們看到越來越多的協(xié)同效應(yīng)，我相信這將導(dǎo)致更完善的大腦模型。

Kim Stachenfeld：

數(shù)據(jù)驅(qū)動的計算神經(jīng)科學(xué)模型自主構(gòu)建

?Kim Stachenfeld Google DeepMind的高級研究科學(xué)家，同時也是哥倫比亞大學(xué)理論神經(jīng)科學(xué)中心的兼職助理教授。她研究大腦如何構(gòu)建支持記憶和預(yù)測的世界模型。在機器學(xué)習(xí)方面，致力于將這些認(rèn)知功能實現(xiàn)到深度學(xué)習(xí)模型中。

計算模型在神經(jīng)科學(xué)中扮演著重要角色，它將神經(jīng)過程的抽象描述與可測試數(shù)據(jù)的定量預(yù)測相結(jié)合。傳統(tǒng)上，實現(xiàn)此類模型一直專屬于人類：具體來說，是那些具有神經(jīng)科學(xué)和建模專業(yè)知識的高級研究人員。然而，現(xiàn)在大模型也能編寫可執(zhí)行代碼，為自動生成計算模型打開了大門。盡管大模型生成的代碼仍落后于熟練程序員的代碼，但它可以快速且大規(guī)模地生成。AlphaEvolve[3]等方法通過在優(yōu)化循環(huán)中生成和改進代碼來發(fā)現(xiàn)最大化某些得分的程序。在我們的團隊中，我們正在使用這種方法進行數(shù)據(jù)驅(qū)動的計算模型發(fā)現(xiàn)，優(yōu)化大模型生成的程序以捕捉神經(jīng)科學(xué)數(shù)據(jù)集。

我們專門將這種方法應(yīng)用于發(fā)現(xiàn)捕捉動物學(xué)習(xí)行為的計算模型中存在的問題[4]。該流程從包含示例程序和如何修改大模型的說明的“提示詞”開始。大模型提出修改方案，并對每個新程序根據(jù)其與行為數(shù)據(jù)的擬合度進行評分。在每次迭代中，提示中的示例程序被替換為得分更高的大模型生成的程序。

這些生成的程序在優(yōu)化了該目的后很好地擬合了數(shù)據(jù)，并且由于是由在人類編寫的代碼上訓(xùn)練的大模型上生成的，所以相對易于閱讀。難點在于理解這些模型：了解不同的代碼元素做什么以及它們?nèi)绾闻c先前的工作相關(guān)。

這項工作展示了生成式AI帶來的更一般的權(quán)衡。從歷史上看，構(gòu)建模型是理論家面臨的主要挑戰(zhàn)，在理想情況下，建立模型隱含地強制執(zhí)行了諸如基于可解釋性、新穎性和結(jié)合感興趣現(xiàn)象閱讀已有論文。有了生成式AI，構(gòu)建模型變得容易，但質(zhì)量無法保證。計算神經(jīng)科學(xué)家現(xiàn)在的挑戰(zhàn)是明確地形式化我們希望我們的模型具有哪些屬性。

譯者的話

讀者中很多是準(zhǔn)備或正在開始進行神經(jīng)科學(xué)研究的科研人員，也有不少在頻繁使用這樣大模型等AI工具。訪談中提到的使用方法，大多圍繞神經(jīng)科學(xué)領(lǐng)域的海量文獻導(dǎo)致研究人員無法穩(wěn)穩(wěn)地站在巨人的肩膀上，從而難以基于已有的全尺寸地圖去探索未知，因此研究者會使用大模型總結(jié)已有文獻，預(yù)測文獻的可復(fù)現(xiàn)性，依賴大模型的聯(lián)想去進行頭腦風(fēng)暴，探索新的研究方向。不過文中反復(fù)出現(xiàn)，在使用這些工具中，一定不可開啟自動駕駛模式，而是要人在環(huán)中，每一步都有進行驗證。

文中還提到利用大模型本身的能力及可解釋性，可操控行直接分析大腦數(shù)據(jù)，從而避免歷史偏見，讓海量數(shù)據(jù)集能夠不再沉睡。這要求研究者先了解大模型技術(shù)本身，同樣需要人在換中，而非只是簡單的復(fù)用工具。

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

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

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

4. https://www.biorxiv.org/content/10.1101/2025.02.05.636732v1

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學(xué)的邊界。如果您有進一步想要討論的內(nèi)容，歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。

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10億美元創(chuàng)建的世界最大私人腦科學(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，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)前沿實驗室、人工智能與精神健康前沿實驗室；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)，項目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、等。