在過去幾年里，大語言模型（large language models，LLMs）在規(guī)模與能力上都實現(xiàn)了顯著提升。它們在復(fù)雜推理方面更加出色，能夠理解并執(zhí)行科學研究中的指令提示，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，把大語言模型納入日常工作，用于文獻分析、研究假設(shè)生成、數(shù)據(jù)庫查詢、復(fù)雜數(shù)據(jù)集處理以及新結(jié)果的探索。接下來，八位神經(jīng)科學家將結(jié)合各自實驗室的實踐，介紹他們?nèi)绾尉唧w運用這些工具。

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

雷扎·阿巴西-阿斯爾

Reza Abbasi-Asl

美國加州大學舊金山分校神經(jīng)學、生物工程與治療科學副教授

阿巴西-阿斯爾的實驗室致力于探索可解釋機器學習（interpretable machine learning）在理解大腦功能及相關(guān)疾病中的作用。他主持了多項將人工智能應(yīng)用于神經(jīng)解剖學與健康技術(shù)的研究，其中包括一項發(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，自主學習神經(jīng)解剖的組織規(guī)律。

我們實驗室正在使用支撐大語言模型的核心技術(shù)，來處理一種完全不同的“語言”。這種語言并非文本，而是由空間基因組學（spatial genomics）實驗所揭示的細胞組織結(jié)構(gòu)?；谶@一思路，我們提出了一個問題：人工智能模型是否也能像語言模型理解句子中的詞語那樣，根據(jù)周圍細胞構(gòu)成的上下文來理解單個細胞？答案是肯定的。

我們實驗室正在使用支撐大語言模型的核心技術(shù)，來處理一種完全不同的“語言”。這種語言并非文本，而是由空間基因組學（spatial genomics）實驗所揭示的細胞組織結(jié)構(gòu)。基于這一思路，我們提出了一個問題：人工智能模型是否也能像語言模型理解句子中的詞語那樣，根據(jù)周圍細胞構(gòu)成的上下文來理解單個細胞？答案是肯定的。

CellTransformer采用自監(jiān)督學習（self-supervised learning）的方式，在Allen腦科學研究所合作團隊采集的大規(guī)模空間基因組學數(shù)據(jù)上進行訓練。模型在分析一個細胞鄰域時，會刻意隱藏其中某個細胞的分子身份，僅依據(jù)周圍細胞的信息進行推斷。通過數(shù)百萬次重復(fù)這一過程，它逐漸掌握了不同細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胞類型的腦圖譜研究有所不同。CellTransformer 關(guān)注的不是細胞類型本身，而是不同類型的細胞如何進一步組合成更大尺度、具有功能意義的腦區(qū)結(jié)構(gòu)。在這一過程中，模型幾乎完全依賴數(shù)據(jù)進行學習，無需人工標注，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確度復(fù)現(xiàn)了已知的大尺度腦區(qū)，還識別出了大量此前尚未被系統(tǒng)記錄的、更為精細的亞區(qū)結(jié)構(gòu)。

?腦圖譜繪制：圖中展示了 CellTransformer 在小鼠大腦中識別出的約 1300 個腦區(qū)或亞區(qū)。每張切片旁均附有 Allen 腦科學研究所提供的對應(yīng)參考圖譜，便于對照。加州大學舊金山分校 Abbasi 實驗室

這真的讓人非常振奮。因為在過去幾十年里，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節(jié)上更為精細，也更加客觀。研究者可以將疾病狀態(tài)或藥物作用精準對應(yīng)到以細胞為單位界定的特定腦區(qū)，而且當新的數(shù)據(jù)出現(xiàn)時，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)科學領(lǐng)域。研究團隊將其設(shè)計為一種不依賴特定組織類型的通用工具。只要某個器官系統(tǒng)擁有大規(guī)模空間轉(zhuǎn)錄組學（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領(lǐng)域建立高分辨率細胞圖譜提供了基礎(chǔ)性方案。從長遠來看，該框架有望發(fā)展為一個可擴展的平臺，推動跨物種、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

斯坦福大學醫(yī)學院高級研究科學家

德國蒂賓根大學眼科研究所研究組負責人

她的研究融合系統(tǒng)神經(jīng)科學、計算建模與機器學習方法，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，我們開始將大語言模型作為“科學家”來使用，讓它們承擔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母語者，無論是在郵件中拿捏語氣，還是在撰寫論文評審時精確措辭，我過去常常難以把想法表達得足夠清晰。如今，我會借助大語言模型來潤色初稿、檢查語法并調(diào)整語氣，這讓學術(shù)寫作對像我這樣的非母語研究者來說變得更加輕松，也更有把握。

除了寫作，我也經(jīng)常使用大語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行調(diào)試時。這些工具的交互特性讓我在思考問題時更加高效，比獨自琢磨要順暢得多。無論是構(gòu)思分析思路，還是梳理論文結(jié)構(gòu)，我都會與模型反復(fù)交流，在對話中不斷完善想法。

我的研究高度依賴團隊協(xié)作，日常需要進行大量會議。我們會將會議內(nèi)容轉(zhuǎn)錄成文字，再交由大語言模型整理，生成結(jié)構(gòu)清晰、包含明確行動要點的會議摘要，這為團隊節(jié)省了大量時間。近期，我們還開始借助視覺語言模型（vision-language models，VLMs）等更先進的模型進行科學研究。這類技術(shù)讓研究者能夠完成過去主要依賴人工判斷的分析任務(wù)，并在規(guī)模和速度上達到以往難以實現(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)元如何對不同圖像作出反應(yīng)。如今，我們可以借助大語言模型，自動概括這些圖像在內(nèi)容上的共同特征，如果完全依靠人工完成，這一過程往往需要耗費研究者大量時間。

盡管我在日常科研中頻繁使用這些工具，但我始終對它們的輸出保持審慎態(tài)度。只要持續(xù)保持批判性視角，并清楚認識到諸如“幻覺”等局限性，我相信包括大語言模型在內(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言模型進行潤色。）

布拉德利·洛夫

Bradley Love

洛斯阿拉莫斯國家實驗室高級研究科學家

早期工作中，他構(gòu)建了關(guān)于人類學習與決策機制的計算模型，并將這些模型應(yīng)用于腦成像數(shù)據(jù)的分析。近年來，他的重點轉(zhuǎn)向改進深度學習模型，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)，其中包含大語言模型等關(guān)鍵組件，以推動科學發(fā)現(xiàn)的提速。

BrainGPT.org項目探討了一個關(guān)鍵問題：如果將大語言模型訓練于神經(jīng)科學文獻，它們在預(yù)測各個子領(lǐng)域的實驗結(jié)果時，是否能夠超越人類專家[1]。為此，來自11個國家的國際團隊開發(fā)了評測基準BrainBench。該基準基于《神經(jīng)科學雜志》的論文摘要，要求測試對象區(qū)分真實研究結(jié)果與經(jīng)過細微修改的結(jié)果。參與測試的既包括人類專家，也包括大語言模型。

結(jié)果顯示，在預(yù)測實驗結(jié)果這一任務(wù)中，人機混合團隊的準確率高于單獨的人類或人工智能。

最關(guān)鍵的發(fā)現(xiàn)是，大語言模型在預(yù)測實驗結(jié)果方面表現(xiàn)出超越人類專家的能力。同時，它們的置信度具有良好的校準性。也就是說，模型越有把握時，預(yù)測結(jié)果通常也越準確。這一研究結(jié)果表明，大語言模型可能從根本上改變神經(jīng)科學研究的開展方式。

研究由此帶來了兩點重要啟示。第一，由于大語言模型和人類專家都表現(xiàn)出較好的置信度校準能力，將兩者結(jié)合組成的人機團隊，其預(yù)測準確率高于任何一方單獨工作。第二，借助大語言模型在信息整合和模式識別方面的獨特優(yōu)勢，這類系統(tǒng)有助于加快科學發(fā)現(xiàn)的進程。

一個典型案例來自哈佛醫(yī)學院和麻省總醫(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志物，但后來回顧文獻時發(fā)現(xiàn)，上世紀80至90年代已有研究提出過類似線索，只是當時未受到足夠重視。在測試中，BrainGPT 所使用的大語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，并將分散的科學文獻重新關(guān)聯(lián)起來。

目前，研究團隊正與AE Studio合作開發(fā)開源工具，幫助不同學科的科學家更好地利用這些預(yù)測能力。這些工具的目標，是通過預(yù)測研究結(jié)果、評估既有研究結(jié)果的可重復(fù)性，來提升科研效率。

研究團隊也邀請科學家、人工智能研究者以及軟件開發(fā)者注冊獲取項目進展，或參與到相關(guān)工作中[4]。同時，團隊正在尋求用于托管這些工具的資源，以確保其能夠免費向?qū)W術(shù)社區(qū)開放。對此感興趣的讀者，可以聯(lián)系項目負責人羅曉亮（Xiaoliang Luo，EmpiriQaL.ai）以及我本人[5-6]。這一項目標志著人工智能深入?yún)⑴c科學研究的重要進展，也為不同學科探索新的發(fā)現(xiàn)與驗證路徑提供了新的工具支持。

杰里米·馬格蘭德

Jeremy Magland

Flatiron 研究所計算數(shù)學中心高級數(shù)據(jù)科學家

他的研究主要圍繞構(gòu)建計算工具與科研平臺，提升研究者對復(fù)雜科學數(shù)據(jù)的獲取與使用能力，重點關(guān)注數(shù)據(jù)可視化、交互式分析以及研究過程的可重復(fù)性。他開發(fā)的開源軟件被廣泛應(yīng)用于多個科學領(lǐng)域，在神經(jīng)生理學研究和神經(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值，但對于未參與原始采集的研究者來說，理解其結(jié)構(gòu)與內(nèi)容往往需要投入大量時間。

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

為此，我們團隊開發(fā)了一套基于大語言模型的系統(tǒng)，來承擔數(shù)據(jù)初步探索中最耗時的工作。首先，一個人工智能代理會自動對數(shù)據(jù)集進行探索，自主從遠程文件中加載數(shù)據(jù)片段，運行探索腳本，并生成和檢查可視化結(jié)果，以理解數(shù)據(jù)的結(jié)構(gòu)與特征。隨后，第二個模型會基于前一步收集的信息，自動生成一個Python筆記本，對數(shù)據(jù)集進行系統(tǒng)介紹，并演示如何加載、繪圖和開展初步分析。在經(jīng)過人工核查以確保準確性后，該筆記本將與對應(yīng)數(shù)據(jù)集一同發(fā)布在線。

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

當然，在使用大語言模型時，必須警惕它們可能生成誤導(dǎo)性信息。我啟動這一項目的另一個目的，是檢驗?zāi)Ｐ褪欠駮淙氤Ｒ姷慕y(tǒng)計陷阱，從而得出虛假的研究結(jié)論[7]。隨著模型能力不斷提升，這類問題有望逐步減少。

妮娜·米奧蘭

Nina Miolane

加州大學圣塔芭芭拉分校電氣與計算機工程系助理教授、幾何智能實驗室主任

她的實驗室研究“智能的幾何結(jié)構(gòu)”，即用數(shù)學原理刻畫大腦與機器如何組織、轉(zhuǎn)換并適應(yīng)信息。在這些原理的基礎(chǔ)上，團隊致力于開發(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)仍能實現(xiàn)顯著提升的準確性或計算效率。

我們發(fā)現(xiàn)，自動化檢索與文獻整理顯著提升了對模型結(jié)果的理解深度，也促進了團隊內(nèi)部的討論，并為后續(xù)實驗室驗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，會損害語言、決策以及運動功能。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制至今仍未被充分理解。

為填補這一空白，我們開展了一項研究項目，由博士生路易莎·科內(nèi)利斯（Louisa Cornelis）牽頭，并與加州大學圣塔芭芭拉分校的幾何智能實驗室（Geometric Intelligence Lab）以及加州大學舊金山分校的記憶與衰老中心共同開展[8]。參與該項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]。研究團隊利用可解釋的圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNNs），對來自FTD患者的大規(guī)模蛋白質(zhì)組學數(shù)據(jù)進行了系統(tǒng)分析。

我們的模型通過識別疾病早期的分子信號來預(yù)測未來的認知功能下降。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，從而提前評估疾病可能對患者生活和功能狀態(tài)產(chǎn)生的影響。隨后，我們結(jié)合由大語言模型增強的可解釋性分析方法，篩選出在模型預(yù)測中發(fā)揮關(guān)鍵作用的蛋白質(zhì)，以揭示可能支撐FTD發(fā)生與進展的分子模式。

在具體操作層面，我們將大語言模型整合進整個可解釋性分析流程中。當模型篩選出最具預(yù)測力的前10個關(guān)鍵蛋白后，一個定制化的AI系統(tǒng)會自動檢索PubMed數(shù)據(jù)庫，并對相關(guān)文獻進行梳理和總結(jié)，幫助我們回答幾個核心問題：這些蛋白已知的生物學功能是什么？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道？是否出現(xiàn)在動物實驗中？又有哪些可能是此前尚未被關(guān)注的全新線索？

初步測試已帶來了多項有價值的發(fā)現(xiàn)。例如，即便此前沒有與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。團隊成員在此過程中逐一核查所有引用文獻。我們發(fā)現(xiàn)，自動化檢索與文獻整理顯著提升了對模型結(jié)果的理解深度，也促進了團隊內(nèi)部的討論，并為后續(xù)實驗室驗證階段的蛋白篩選提供了清晰方向。

當然，這種方式也有其局限性。LLM的幻覺問題仍然存在，可能引用不存在的文章，或未經(jīng)同行審閱的研究。為盡量降低這類風險，我們將模型的作用嚴格限定在對自動化PubMed檢索結(jié)果進行整理和摘要上，所有輸出內(nèi)容都會由團隊成員逐一人工審核。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。不過，在生成研究假設(shè)的階段，這一工具依然非常有價值。未來，我們計劃通過專家評審，對大量查詢結(jié)果進行系統(tǒng)分析，統(tǒng)計正確與錯誤輸出的比例，以更客觀地評估其整體準確性。

瑞秋·帕金森

Rachel Parkinson

倫敦瑪麗女王大學講師

牛津大學施密特“科學中的人工智能”學者

她的研究融合了神經(jīng)生理學、行為學與計算建模，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)動的工具，用于加速生物科學研究，包括用于高通量行為毒理學研究的實驗設(shè)備，以及支持系統(tǒng)性綜述的大語言模型分析流程。

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

在生物學和神經(jīng)科學領(lǐng)域，科研文獻數(shù)量持續(xù)增長，給研究者帶來了巨大的整理與消化壓力。我們正利用大語言模型來應(yīng)對這一挑戰(zhàn)。面對不斷涌現(xiàn)的研究成果，個體研究者往往難以及時全面掌握相關(guān)進展。在這一背景下，我們開展了MetaBeeAI項目，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，例如實驗設(shè)計、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算模型。

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

我們的最終目標，是將這一工具推廣至神經(jīng)科學與生物學領(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)，并加速科研進程。

馬丁·施林普夫

Martin Schrimpf

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

他致力于以計算視角理解大腦的工作機制，其研究橫跨機器學習、神經(jīng)科學與認知科學多個領(lǐng)域，重點在于構(gòu)建能夠同時對齊神經(jīng)活動與行為表現(xiàn)的計算模型。

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景中應(yīng)用大語言模型，我們還將其作為預(yù)測大腦信息加工過程的計算模型。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)。當我們將同一段文本同時呈現(xiàn)給人類受試者和模型時，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)測大腦中的神經(jīng)活動模式，還能夠?qū)?yīng)閱讀時長等行為指標。

這種一致性的強度以及能讓我們利用大語言模型篩選句子，從而可靠地增強或抑制人類語言系統(tǒng)中特定腦區(qū)的活動。這一發(fā)現(xiàn)令人振奮，因為它為通過感知層面的輸入而非侵入式手段調(diào)節(jié)大腦活動，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)科學中的功能定位方法，對不同模型進行分析，結(jié)果發(fā)現(xiàn)，在一個大語言模型中，真正承擔核心語言處理功能的組件只占相對較小的一部分，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，即語言網(wǎng)絡(luò)本身與更廣泛的推理系統(tǒng)和世界知識系統(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)科學工具解析模型本身。這種協(xié)同效應(yīng)正在不斷增強，有望推動我們構(gòu)建出更加貼近真實大腦運作機制的計算模型。

金·斯塔肯費爾德

Kim Stachenfeld

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

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

真正的難點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。

計算模型在神經(jīng)科學中具有重要地位，它們將對神經(jīng)過程的抽象描述與可通過數(shù)據(jù)檢驗的定量預(yù)測結(jié)合起來。長期以來，這類模型的構(gòu)建幾乎完全由人類完成，通常需要同時精通神經(jīng)科學與建模方法的專業(yè)研究者。如今，大語言模型已能夠編寫可執(zhí)行代碼，為自動生成計算模型提供了新的可能。

盡管大語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)勢在于生成速度快且可規(guī)?；a(chǎn)出。以AlphaEvolve為代表的方法正是利用了這一特點，在優(yōu)化循環(huán)中持續(xù)生成并改進代碼，以尋找能夠最大化特定目標函數(shù)的程序[13]。我們團隊用這一思路尋找數(shù)據(jù)驅(qū)動的計算模型，并對大語言模型生成的程序進行優(yōu)化，使其能夠更好地刻畫和擬合神經(jīng)科學數(shù)據(jù)集。

我們還將這一方法應(yīng)用于動物學習行為的計算模型發(fā)現(xiàn)[14]。整個流程從一個“提示”開始，其中包含示例程序，以及對大語言模型的修改方式的具體說明。模型據(jù)此生成修改后的程序，并根據(jù)其對行為數(shù)據(jù)的擬合效果進行評分。在每一輪迭代中，提示中的示例程序都會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，這是針對該目標反復(fù)優(yōu)化的結(jié)果。同時，由于這些代碼源自在人類編寫代碼語料上訓練的大語言模型，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。

這項研究揭示了生成式人工智能所帶來的一種更廣泛的權(quán)衡關(guān)系。在過去，構(gòu)建模型本身是理論研究者面臨的核心難題。而這一艱難過程往往在無形中確保模型具備若干重要特征，例如扎根于既有文獻、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，計算神經(jīng)科學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，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nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。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。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復(fù)哦~

關(guān)于天橋腦科學研究院

天橋腦科學研究院（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研究機構(gòu)之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，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；與加州理工學院合作成立了加州理工天橋神經(jīng)科學研究院。

Chen Institute建成了支持腦科學和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。