導語

傳統(tǒng)神經(jīng)科學依賴機制假設構建模型，而人工智能正在引入一種新的研究對象——代理腦（surrogate brain）：一種可從數(shù)據(jù)中學習、可預測、可操縱的個體化全腦動力學系統(tǒng)。與經(jīng)典生物物理模型不同，代理腦并不試圖完整復刻真實神經(jīng)機制，而是通過解決逆問題，學習最小但足以重現(xiàn)腦動力學的有效計算結構。其關鍵突破在于：代理腦首次使大腦從“被解釋的系統(tǒng)”轉(zhuǎn)變?yōu)椤翱蛇M行虛擬干預與反事實實驗的對象”。借助正向建模、逆問題求解與正則化的統(tǒng)一框架，代理腦正在成為連接數(shù)據(jù)、機制與干預的中介層，為理論神經(jīng)科學與神經(jīng)工程提供一種新的共同語言。

關鍵詞：人工智能 (Artificial intelligence)、代理腦 (Surrogate brain)、動力學系統(tǒng) (Dynamical system)、系統(tǒng)辨識 (System identification) 、全腦動力學（whole-brain dynamics）

彭晨丨作者

趙思怡丨審校

論文題目：Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data 論文鏈接：https://academic.oup.com/nsr/advance-article/doi/10.1093/nsr/nwaf457/8301236 發(fā)表時間：2025年10月25日 論文來源：National Science Review

預測大腦活動：

從機理驅(qū)動到數(shù)據(jù)驅(qū)動的范式轉(zhuǎn)移

理解并預測大腦活動是神經(jīng)科學的核心目標之一。傳統(tǒng)研究主要依賴神經(jīng)動力學的機制模型，這類正向建模通常受限于固定的方程形式和群體平均參數(shù)，難以充分捕捉個體大腦中豐富的非線性和情境依賴動力學。隨著機器學習方法的發(fā)展以及大規(guī)模神經(jīng)數(shù)據(jù)的出現(xiàn)，數(shù)據(jù)驅(qū)動的腦動力學建模展現(xiàn)出巨大潛力。循環(huán)神經(jīng)網(wǎng)絡和 Transformer 等模型在正向腦建模中取得了領先性能，并推動了以 AI 模型作為“代理腦”的研究范式。

構建代理腦涉及兩個相互關聯(lián)的過程：正向建模，即刻畫潛在大腦狀態(tài)在動力學算子作用下的演化及其到可觀測信號的映射；以及逆問題求解，即從數(shù)據(jù)中學習這些動力學規(guī)則，涉及訓練策略、目標函數(shù)與參數(shù)優(yōu)化的設計。根據(jù)在模型結構中整合先驗知識程度的不同，代理腦在本綜述中被細分為：白盒、黑盒與灰盒模型，下面將展開介紹這三類模型。

圖 1. 神經(jīng)動力系統(tǒng)中的AI代理腦的理論架構。代理腦是通過兩個相互關聯(lián)的過程構建的：正演建模和反求解問題。正向模型描述了潛在的大腦狀態(tài)如何根據(jù)動力學算子F演化，并通過觀察映射h產(chǎn)生可被觀察到的信號。這里，ut表示外部輸入，t捕獲內(nèi)在動態(tài)噪聲，建模測量不確定性。反問題求解需要從數(shù)據(jù)中學習到F和h，這包括選擇訓練策略（例如，下一個令牌預測）、定義目標和優(yōu)化參數(shù)。該框架適配白盒、灰盒和黑盒的F和h公式，使代理腦能夠靈活地將機制先驗與數(shù)據(jù)驅(qū)動的適應相結合。這些步驟產(chǎn)生了一個個性化的、預測的腦動力學模型，支持機制洞察、虛擬實驗和模型引導的神經(jīng)刺激。

多尺度的白盒模型：從單神經(jīng)元到全腦網(wǎng)絡

白盒模型的精髓在于其能夠整合從神經(jīng)生物學和物理學中推導出的機制原理，為模擬跨層級的神經(jīng)動力學提供結構化且可解釋的方法。在單神經(jīng)元層面，經(jīng)典的霍奇金-赫胥黎模型詳細地刻畫了進出神經(jīng)元的離子流，盡管提供了深入的機制，但并不適用大規(guī)模神經(jīng)元群體的模擬。因此，在進行神經(jīng)網(wǎng)絡的大規(guī)模模擬時，研究者常采用簡化后的泄露積分-發(fā)放（Leaky-integrate fire, LIF）模型來平衡簡潔性與計算效率。

當?shù)缴窠?jīng)群體層面時，白盒模型通過平均場近似（mean-field approximation）將單神經(jīng)元動力學擴展到宏觀變量（如平均膜電位）。神經(jīng)質(zhì)量模型（NMMs）作為其中的杰出代表，利用低維且具有生物學解釋性的方程描述群體動態(tài)，能夠模擬如EEG節(jié)律、視覺注意力等現(xiàn)象。進一步地，腦網(wǎng)絡模型（BNMs）通過整合神經(jīng)質(zhì)量模型作為節(jié)點動力學，模擬整個大腦網(wǎng)絡的相互作用。這些網(wǎng)絡模型通常采用鄰接矩陣來編碼從實測數(shù)據(jù)中推導出的結構連接。這種從微觀到宏觀的整合，為理解分布式神經(jīng)回路如何協(xié)調(diào)支持復雜認知功能開啟了一扇窗。

黑盒模型：數(shù)據(jù)驅(qū)動的靈活性與表現(xiàn)力

當潛在的生物物理機制難以用顯式微分方程表達時，黑盒模型提供了另一種選擇。作為通用近似器，人工神經(jīng)網(wǎng)絡理論上可以捕捉任何數(shù)據(jù)模式，尤其適用于建模大腦活動中特有的非線性和高維過程。過去十年中，RNNs、神經(jīng)微分方程（Neural ODEs）以及Transformer等模型在模擬動力學系統(tǒng)方面取得了顯著成就。

黑盒模型的成功很大程度上取決于模型架構與特定神經(jīng)信號特征的匹配。例如，針對具有高時間波動特性的EEG信號，可能需要WaveNet等能夠捕捉細粒度頻率模式的架構；而針對fMRI數(shù)據(jù)，簡單的多層感知器（MLP）就能表現(xiàn)出不錯的預測精度。此外，從直接在觀察空間建模轉(zhuǎn)向在潛空間（latent spaces）建模，是理解神經(jīng)動力學的另一個補充視角。認知狀態(tài)往往存在于比原始數(shù)據(jù)更低維的子空間中，通過變分自編碼器（VAE）等方法學習低維嵌入，可以更有效地揭示復雜動態(tài)背后的潛在軌跡。

灰盒模型：先驗知識與數(shù)據(jù)學習的融合

灰盒模型代表了一種混合建模范式，將神經(jīng)科學或物理學的先驗理論知識與數(shù)據(jù)驅(qū)動學習的靈活性相結合。神經(jīng)科學先驗可以作為引導學習的歸納偏置（inductive biases），塑造模型架構或作為優(yōu)化過程中的正則化項。

一個典型的例子是受到樹突計算（dendritic processing）啟發(fā)的模型，如dend-PLRNN，它將樹突機制整合進循環(huán)動力學中，在降低模型維度的同時增強了非線性重建能力。此外，大腦的一些基本組織原則也被納入模型設計，例如強制神經(jīng)元遵循戴爾原則（Dale’s principle）——即神經(jīng)元要么是純興奮性的，要么是純抑制性的，這被證明能穩(wěn)定動力學并結構化皮層回路的時間表示。物理原理同樣為灰盒模型提供了支撐。物理信息神經(jīng)網(wǎng)絡（PINNs）將物理定律直接嵌入損失函數(shù)中，使得學習過程受到公認物理動力學的約束，顯著提升了參數(shù)推斷的準確性和長期預測的穩(wěn)定性。

圖 2. 三種類型的神經(jīng)動力學模型：白盒、黑盒、灰盒模型。

求解逆問題：適應性挑戰(zhàn)

解決從觀測數(shù)據(jù)推斷未知系統(tǒng)的逆問題，主要有兩種主流框架：基于貝葉斯定理的概率框架和基于泛函分析的確定性框架。概率框架將待解參數(shù)視為隨機變量，核心在于獲取參數(shù)的后驗分布。這種方法的優(yōu)勢在于能將領域?qū)＜业闹R融入先驗分布，并量化解的不確定性，自然地契合白盒模型。然而，對于參數(shù)缺乏明確機制含義的黑盒模型，貝葉斯推理往往難以錨定有意義的生物學解釋。

確定性框架則將參數(shù)視為確定實體，通過最小化目標函數(shù)來獲取參數(shù)解，該目標函數(shù)由量化模型預測與觀察值偏差的數(shù)據(jù)保真項和引入先驗約束的正則化項（regularization term）組成。雖然這種框架缺乏對解不確定性的量化，但由于其無需從分布中采樣，計算效率極高，且能很好地適應黑盒和灰盒模型。近年來，兩者融合的趨勢愈發(fā)明顯。例如，利用變分推理捕捉潛在變量的不確定性，同時利用確定性神經(jīng)網(wǎng)絡的擬合能力來表征復雜的動力學規(guī)則。

由于大腦由無數(shù)相互作用的組件組成，其逆問題本質(zhì)上是一個高維且非線性的優(yōu)化問題。目標函數(shù)極易陷入局部最小值，這意味著不同的初始值可能導致完全不同的解，而這些解都能很好地擬合觀測數(shù)據(jù)。這種解的多義性會導致神經(jīng)機制解釋的歧義，使得基于模型的生理推論變得不可靠。為了確保解的可信度，必須引入“適定性（well-posedness）”作為建模的前提。

在代理腦的逆問題中，通?？紤]三個關鍵標準。首先是存在性（Existence）：對于給定觀測數(shù)據(jù)，至少存在一組生物學合理的潛變量能使模型預測匹配觀測值。其次是唯一性（Uniqueness）：對于特定的系統(tǒng)和數(shù)據(jù)，應獲得唯一的代理腦模型。最后是穩(wěn)定性（Stability）：當觀測數(shù)據(jù)受到自然生理波動干擾時，模型的解僅應發(fā)生微小變化。雖然在黑盒模型中，過度參數(shù)化的網(wǎng)絡可能導致多組等效解，使得唯一性要求不再適用，但我們?nèi)云谕錆摽臻g表示能夠保持穩(wěn)定，這表明模型找到了表征神經(jīng)動力學的合適嵌入空間。

圖 3. 求解逆問題。（a）建模；（b）用正則化來學習。將目標屬性的先驗作為正則化加入到損失函數(shù)中，優(yōu)化器解決了學習問題。（c）非唯一性的案例。優(yōu)化算法中的不同初始條件生成類似模型表現(xiàn)的不同解。（d）不穩(wěn)定性的案例。通過奇異值分解和擾動測試的穩(wěn)定性分析。

正則化：緩解病態(tài)問題的核心策略

鑒于神經(jīng)動力學的強非線性、多尺度耦合屬性以及觀測數(shù)據(jù)固有的噪聲，上述適定性條件往往難以滿足，導致逆問題表現(xiàn)為“病態(tài)（ill-posed）”。正則化理論（Regularization theory）是解決此類問題的關鍵，其核心思想是通過添加正則化項來引入先驗約束，預設參數(shù)解或模型行為的特征。這能夠窄化解空間，使解符合生理特征并在噪聲擾動下保持穩(wěn)定。

正則化主要通過兩種方式發(fā)揮作用。一種是數(shù)學先驗正則化，如稀疏性約束（Sparsity Constraints）促使模型保留關鍵連接，或能量約束（Energy Constraints）限制參數(shù)幅度以防止過擬合。另一種是基于神經(jīng)科學知識的先驗正則化，將解剖結構、生理機制等編碼進正則化項。例如，整合從DTI推導出的結構先驗，確保潛表征與大腦的物理結構對齊。雖然這些策略只是緩解病態(tài)問題而非徹底消除，但工程實踐證明，當正則化策略與問題特征深度結合時，能顯著提高逆問題的解的可信度。

雙重視角下的評估：數(shù)學精確與生物一致

訓練完成后，評估模型是否捕捉到了神經(jīng)系統(tǒng)的核心動力學，以及是否提供了可解釋的表征，是至關重要的一步，通常有數(shù)學和神經(jīng)科學兩個互補的視角。數(shù)學視角側(cè)重于數(shù)據(jù)相似性的評估。常用的有點對點誤差（如均方誤差 MSE），以及分析數(shù)據(jù)分布全局屬性的概率方法（如KL散度或Wasserstein距離）。此外，由于大腦被認為運行在“混沌邊緣”，衡量系統(tǒng)對初始條件敏感性的最大李雅普諾夫指數(shù)，以及反映吸引子幾何復雜性的分形維度，是驗證模型是否復制了大腦關鍵動力學特征的重要指標。神經(jīng)科學視角則關注功能的一致性。評估框架會考慮時空激活模式的相似度、光譜相似度以及功能連接的相似性。在實際應用中，代理腦還需要通過任務特定的指標進行驗證。例如，在癲癇定位中，通過比較模型預測的癲癇灶與臨床切除區(qū)域的重合度來評估準確性。這種數(shù)學忠實度與神經(jīng)科學實用性的雙重評估，為完善代理腦模型提供了堅實基礎。

圖 4. 從數(shù)學和神經(jīng)科學的視角進行模型評估。（a-c）數(shù)學視角。通過隨機Jansen-Rit模型生成合成數(shù)據(jù)。上下兩行對應于來自同一底層系統(tǒng)的兩個代理大腦，在三個表征空間中進行評估：(a)狀態(tài)空間軌跡（均方根誤差，RMSE）；(b)概率分布（平均Kullback-Leibler散度）；(c)相空間動力學（相對相關維數(shù)）。代理腦1實現(xiàn)了較低的RMSE，而代理腦2在概率和拓撲度量方面表現(xiàn)更好。（d-h）神經(jīng)科學觀點。指標包括(d)時空相似性，(e)譜相似性，(f) FC相似性，(g)行為解碼準確性，(h)預測病變結果的臨床療效。d和e側(cè)重于替代大腦復制生物信號特征的能力，g和h評估其支持下游任務的能力。黃色表示真實的大腦數(shù)據(jù)；黑色表示代理腦的輸出。

應用前景：模擬平臺與精準干預

代理腦作為一個能夠產(chǎn)生類腦動力學和生理行為的神經(jīng)動力學系統(tǒng)，為基礎研究和臨床轉(zhuǎn)化提供了廣闊機遇。代理腦可以作為強大的模擬平臺，進行傳統(tǒng)濕實驗中受限于成本、倫理或技術難度的“假如（what if）”反事實測試。一個典型的應用是“虛擬癲癇患者（Virtual Epileptic Patient）”，這是一個個性化的全腦模擬平臺，能夠預測手術干預結果并優(yōu)化方案，其表現(xiàn)潛力已顯示出超越傳統(tǒng)基于經(jīng)驗規(guī)劃的趨勢。

在神經(jīng)刺激領域，代理腦正成為閉環(huán)神經(jīng)刺激（closed-loop neurostimulation）的重要指南，協(xié)助解決“在哪里刺激、何時刺激、如何刺激”這三個核心問題?；趥€體的功能腦網(wǎng)絡，代理腦可以幫助識別最可能對刺激產(chǎn)生反應的區(qū)域。同時，模型可以實時監(jiān)測特定的頻率模式或低維表征，作為觸發(fā)神經(jīng)刺激的生物標志物，確保干預的及時性和有效性。

圖 5. 代理腦的應用。(a)腦系統(tǒng)分析。代理允許直接檢查基本系統(tǒng)屬性，包括相位勘探、神經(jīng)流形幾何和網(wǎng)絡動力學剖面。(b)代理作為仿真平臺。作為一個硅測試平臺，它支持神經(jīng)動力學預測、虛擬手術（例如，定位癲癇灶以幫助臨床計劃）和反事實實驗，如干擾連接權重或興奮抑制比，以探測它們的功能角色。(c)替代引導神經(jīng)刺激。對于非侵入性刺激（如TMS，tES）和侵入性刺激（如DBS，SEEG），代理腦有助于確定刺激的位置，何時靶向以及如何優(yōu)化刺激參數(shù)。

未來展望：挑戰(zhàn)與倫理

盡管前景光明，代理腦的發(fā)展仍面臨多重挑戰(zhàn)。首先是多尺度神經(jīng)數(shù)據(jù)的整合，如何將微觀的脈沖序列與宏觀的fMRI信號在保持機制忠實度的前提下對齊，仍是一個未決的問題。其次是模型結構中表達能力與可解釋性的平衡：過度表達的模型可能導致生物學上的黑盒化，而過度約束的模型可能無法捕捉大腦的復雜性。

此外，從通用模型向個體化模型的演進是實現(xiàn)精準醫(yī)學的關鍵。最后，倫理考量不容忽視。由于代理腦依賴敏感的神經(jīng)和臨床數(shù)據(jù)，必須建立嚴格的數(shù)據(jù)安全框架和治理結構，并警惕訓練數(shù)據(jù)中可能存在的偏見，以確保模型應用的公平性和透明度。隨著跨學科協(xié)作的深入，代理腦模型將不僅加深我們對大腦動力學的理解，還將通過精準醫(yī)療變革神經(jīng)系統(tǒng)疾病的診療。

計算神經(jīng)科學第三季讀書會

從單個神經(jīng)元的放電到全腦范圍的意識涌現(xiàn)，理解智能的本質(zhì)與演化始終是一個關于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰(zhàn)：局部的神經(jīng)活動如何整合為統(tǒng)一的體驗？局域的網(wǎng)絡連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯(lián)合來自數(shù)學、物理學、生物學、神經(jīng)科學和計算機的一線研究者共同發(fā)起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現(xiàn)。重點探討物理規(guī)律與人工智能如何幫助我們認識神經(jīng)動力學，以及神經(jīng)活動跨尺度的計算與演化如何構建微觀與宏觀、結構與功能之間的橋梁。

詳情請見：

1.

2.

3.

4.

5.

6.

7.