我的科研搭子，是個AI | 8位頂尖神經科學家萬字實錄

人工智能會如何重塑科學研究的未來？當一個“無所不知”的數字大腦成為科學家的研究伙伴，會碰撞出怎樣的火花？這或許不再是一個遙遠的問題，而是一個正在發生的現實。

在過去的幾年里，大語言模型在規模和能力上實現了迅速增長。它們不僅能理解和生成文本，還能解析復雜的圖表與代碼，展現出強大的推理能力。面對這一新興力量，嗅覺敏銳的科學家們沒有遲疑，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，或與之共同頭腦風暴提出假設，或利用其高效查詢數據庫，與復雜數據集交互并調查新發現的結論。

那么，在神經科學——這個探索人類心智前沿的領域里，這一切是如何具體發生的？下面，八位頂尖的神經科學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：人機協作預測神經科學的研究結果是否被修改

04 Jeremy Magland：開發端到端的神經電數據探索和可視化智能體

05 Nina Miolane ：使用大模型查找文獻并指導實驗

06 Rachel Parkinson：快速閱讀文獻并提取結構化信息

07 Martin Schrimpf： 用大模型預測人腦處理語言時的特征

08 Kim Stachenfeld：數據驅動的計算神經科學模型自主構建

Reza Abbasi-Asl：用Transformer

繪制無偏的大腦細胞地圖

?Reza Abbasi-Asl 2018年于加州大學伯克利分校獲得電氣工程與計算機科學博士學位和碩士學位，期間開發了具有計算神經科學應用的可解釋機器學習工具。目前是UCSF 神經病學系和生物工程與治療科學系的助理教授，關注精神疾病相關研究。

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

我們開發了一個名為CellTransformer 的模型，該模型通過學習，能基于其“細胞鄰域”，即圍繞它的細胞小社區的分子特征預測細胞狀態。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錄組數據集對模型進行以自監督訓練；AI 模型觀察一個細胞鄰域，觀察時忽略一個細胞的分子身份，然后嘗試根據其臨近細胞預測隱藏細胞的身份。

通過重復這一過程數百萬次，CellTransformer學會了不同細胞如何排列在一起的基本規則。這種方法與之前旨在定義大腦中不同細胞類型的腦圖工作不同。CellTransformer確定了這些細胞類型是如何組裝成更大的、有明確功能的區域的。

CellTransformer能夠有效地從底層學習神經解剖學的規則，而不需要任何人工指導。實驗室創建了一個全新的、超高分辨率，完全是數據驅動的大腦細胞圖譜。 我們非常激動地看到 CellTransformer 以驚人的準確性重現了大腦已知的大尺度區域結構，并且還發現了許多之前未編目、更精細的亞區域。

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

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域興趣所帶來的偏見。我們用AI生產的地圖提供了更詳細和無偏見的表征，使科學家能夠將疾病狀態或藥物作用與大腦中高度特定的、由細胞定義的區域相關聯，并且可以輕松應用于新出現的數據集。

最令人興奮的可能是CellTransformer框架不僅適用于神經科學。我們設計它作為一個強大且與組織無關的工具，可以應用于任何具有大規模空間轉錄組數據的器官系統。這不僅提供了一張新的腦圖，還為創建幾乎任何生物學領域的高分辨率細胞圖奠定了基礎。最終，我們將其視為一個可擴展的平臺，將為深入了解無數不同物種和疾病狀態的組織結構鋪平道路。

Katrin Franke ：

提升非英語母語者文本效率

?Katrin Franke 斯坦福大學基礎生物科學領域的高級研究科學家，關注眼科研究與臨床實驗，通過結合神經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，還是總結論文?，F在，我使用大模型來潤色我的草稿，檢查語法和調整語氣，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，尤其是生成用于數據繪圖或調試的小段代碼片段。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。我還發現自己與大模型來回交流想法——無論是頭腦風暴分析研究方法，還是思考如何構建我正在撰寫的論文結構。

我的研究涉及眾多協作，包括頻繁的會議，我們將會議記錄轉錄工具，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模和速度，執行傳統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元對不同圖像的反應，現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?。?/p>

Bradley Love：人機協作

預測神經科學的研究結果是否被修改

?Bradley Love 洛斯阿拉莫斯國家實驗室的高級研究科學家。在啟動 BrainGPT 項目后，他對將現代人工智能技術，如大語言模型，擴展到構建能夠加速科學發現的系統產生了濃厚的興趣。

BrainGPT.org項目調查了在神經科學文獻上訓練的大模型是否能在預測神經科學各個子領域的實驗結果方面超越人類專家。來自11個國家的國際團隊開發了 BrainBench，這是一個基于《神經科學雜志》摘要的基準測試數據集，考察了人類專家和大模型能否區分實際和被微妙改變的研究結果。

?BrainBench 是一個用于評估受試者預測神經科學研究結果的能力的神經科學基準測試。受試者需要在原始摘要和經過大幅修改結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

關鍵發現是，大模型展示了超越人類的實驗結果預測能力，具有更高的置信度與更高的預測·準確性。這項開創性研究表明，大模型可能會從根本上改變神經科學研究的方式。BrainGPT的出現有兩個主要影響。首先，由于大模型和人類專家都表現出校準的置信度，結合人類和AI的混合團隊可能比單獨由人或大冒險更準確地進行預測。其次，BrainGPT可以通過利用大模型的獨特能力來加速科學發現。

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

哈佛醫學院和麻省總醫院的Michael Schwarzschild發現了一種潛在的帕金森病生物標志物，后來發現20世紀80年代和90年代的研究已經暗示了類似發現。經過測試，BrainGPT正確地將這一創新結果識別為最有可能的，展示了它們發現被忽視的研究和連接不同科學文獻的能力。

該團隊現在正與 AE Studio 合作開發開源工具，幫助各學科科學家利用這些預測能力。這些工具旨在通過預測研究結果和評估過去研究的復現可能性來加速發現。

科學家、人工智能研究人員和軟件開發人員可以注冊后，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，確保社區可以免費且方便地訪問。有興趣的人可以聯系團隊負責人，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研究的重要一步，有可能改變多個科學領域發現和驗證的方式。

Jeremy Magland：開發端到端的

神經電數據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用于分析、可視化和共享大規?？茖W數據的計算方法和開源軟件?，F在專注于構建可重復使用、云友好的工具，使復雜數據集更容易探索和重用。

我們使用大語言模型來幫助神經科學家更容易地復用 DANDI（神經生理學數據分布式存檔）存檔中的復雜數據集。DANDI托管了數百個神經生理學數據集，其中包含使用電生理學和鈣成像等技術收集的大腦活動記錄，以及行為和刺激數據。這些數據集充滿了發現新結果的潛力，但如果您沒有收集這些數據，可能會很難知道從哪里開始。

?神經生理學數據整合的分布式檔案庫（Distributed Archives for Neurophysiology Data Integration，DANDI） 圖源：braininitiative.org

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

在使用大模型時，重要的是要意識到它們存在可能產生誤導性信息的潛在風險。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計陷阱，并可能導致虛假發現。預計隨著模型變得更智能，這個問題將變得不那么嚴重。

Nina Miolane ：

使用大模型查找文獻并指導實驗

Nina Miolane 加州大學圣塔芭芭拉分校的助理教授，領導幾何智能實驗室，并與 REAL AI for Science Initiative 和 Bowers女性大腦健康計劃的 AI 核心共同擔任聯合主任。使用 AI 模型構建大腦的數字孿生——整合成像、認知和分子數據，以預測大腦健康、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，但對其分子基礎仍了解不多。我們的項目由博士生Louisa Cornelis領導，與加州大學圣巴巴拉分校的幾何智能實驗室和加州大學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患者的蛋白組學大數據，通過可解釋圖神經網絡（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測未來的認知衰退，有時能在癥狀出現之前預測疾病將如何影響患者的生活。然后我們應用大模型增強的可解釋性技術來識別驅動模型預測的蛋白質，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個預測蛋白質后，定制AI會查詢PubMed并總結相關論文，以回答諸如：這些蛋白質已知的功能是什么？哪些與神經退行性疾病有關，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？哪些可能是新的？

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

該方法確實存在局限性。大模型可能會虛構研究來，例如引用不存在的論文或非同行評審的研究。為了降低這種風險，我們將大模型的作用限制為總結來自自動化PubMed 搜索的結果，所有輸出都由我們的團隊手動審查。即使AI可能仍然會誤解發現或錯過關鍵文獻，該工具在假設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確性。

Rachel Parkinson：

快速閱讀文獻并提取結構化信息

Rachel Parkinson 牛津大學蜜蜂研究所，人工智能科學研究員。他研究調查昆蟲的感官信號處理以及環境壓力因素對授粉者大腦和行為的影響。她使用神經生態學方法來理解昆蟲如何使用感覺數據進行覓食和導航。她的研究還考察了如農藥等壓力因素如何影響昆蟲感知和應對環境變化的能力。

我們使用大模型來克服生物學和神經科學中的一個挑戰：海量的已發表研究。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使用大模型閱讀數千篇論文，識別相關發現并提取結構化數據——包括實驗設計、受影響的腦區和行為結果——以便立即納入元分析或計算模型。

?MetaBeeAI. 圖源：metabeeai.github.io

關鍵在于，這并不是一個“黑盒”系統。我們設計了MetaBeeAI作為一個專家在環的流程，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，并適應不同領域的需求。我們還在構建一個由領域專家精心策劃的基準數據集，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閱讀者。

我們的最終目標是讓這個工具可供神經科學和生物學領域的所有研究人員使用，幫助他們提取關鍵發現，綜合證據，并加速發現。

Martin Schrimpf：

用大模型預測人腦處理語言時的特征

?Martin Schrimpf 洛桑聯邦理工學院助理教授。他的研究專注于對視覺和語言中智能背后神經機制的計算理解。為了實現這一目標，他融合了深度學習、神經科學和認知科學，構建了與大腦內部處理中的神經表征相匹配、輸出與人類行為對齊的人工神經網絡模型。

除了大模型在寫作和編碼支持方面這樣常規的使用方式外，我們還將其用作大腦處理的預測模型。我們最近發現，GPT型模型的內部表示——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絡內部的表征驚人地相似。當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之間存在著顯著的對應關系：模型的內部激活預測了大腦中的神經活動模式和閱讀時間等行為反應。

這種一致性足夠強，以至于我們現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特定部分活動的句子。我發現這非常令人興奮，因為它開辟了通過感知輸入而非侵入性程序來調節大腦活動的可能性。

受這些發現啟發，我們也在研究大模型能否被視為一種“物種”，通過使用神經科學中的功能定位器對各種模型進行研究，我們發現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。這一特征，與人類語言網絡與更廣泛的推理和世界知識系統存在不同再次出現呈現鏡像映射。

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

Kim Stachenfeld：

數據驅動的計算神經科學模型自主構建

?Kim Stachenfeld Google DeepMind的高級研究科學家，同時也是哥倫比亞大學理論神經科學中心的兼職助理教授。她研究大腦如何構建支持記憶和預測的世界模型。在機器學習方面，致力于將這些認知功能實現到深度學習模型中。

計算模型在神經科學中扮演著重要角色，它將神經過程的抽象描述與可測試數據的定量預測相結合。傳統上，實現此類模型一直專屬于人類：具體來說，是那些具有神經科學和建模專業知識的高級研究人員。然而，現在大模型也能編寫可執行代碼，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模地生成。AlphaEvolve[3]等方法通過在優化循環中生成和改進代碼來發現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據驅動的計算模型發現，優化大模型生成的程序以捕捉神經科學數據集。

我們專門將這種方法應用于發現捕捉動物學習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其與行為數據的擬合度進行評分。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化了該目的后很好地擬合了數據，并且由于是由在人類編寫的代碼上訓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如何與先前的工作相關。

這項工作展示了生成式AI帶來的更一般的權衡。從歷史上看，構建模型是理論家面臨的主要挑戰，在理想情況下，建立模型隱含地強制執行了諸如基于可解釋性、新穎性和結合感興趣現象閱讀已有論文。有了生成式AI，構建模型變得容易，但質量無法保證。計算神經科學家現在的挑戰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

讀者中很多是準備或正在開始進行神經科學研究的科研人員，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，大多圍繞神經科學領域的海量文獻導致研究人員無法穩穩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已有文獻，預測文獻的可復現性，依賴大模型的聯想去進行頭腦風暴，探索新的研究方向。不過文中反復出現，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據，從而避免歷史偏見，讓海量數據集能夠不再沉睡。這要求研究者先了解大模型技術本身，同樣需要人在換中，而非只是簡單的復用工具。

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。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關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10億美元創建的世界最大私人腦科學研究機構之一，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與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、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科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。