PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A044 · NatRevNeurosci万字综述：利用AI进行大脑-

A044 Nat Rev Neurosci 万字综述：利用AI进行大脑-行为联合建模的三大范式与方法革新

来源：公众号 PSY-Brain_Frontier ｜发布：2025-12-17 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息

Title:Joint modelling of brain and behaviour dynamics with artificial intelligence

发表时间：2025.12.3

发表期刊: Nature Reviews Neuroscience

影响因子：26.7

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

研究背景

在神经科学的浩瀚星空中，我们正处于一个数据爆炸的时代。得益于 Neuropixels 等高密度电极和钙成像技术，我们已经能够同时记录成千上万个神经元的活动；与此同时，DeepLabCut 等姿态估计工具的出现，让我们能够以亚像素级的精度捕捉动物的每一个细微动作。

然而，拥有数据并不等于拥有“理解”。长期以来，神经科学面临的一个核心痛点是：如何有效地将这两股巨大的数据流（错综复杂的神经动力学与丰富多变的行为表现）桥接起来？

这就好比我们在看一部只有画面没有声音的电影（只看行为），或者听一段没有乐谱的交响乐（只看神经活动）。传统的分析方法往往局限于简单的相关性分析，或者孤立地解码某一维度的变量，难以捕捉大脑如何产生决策、社交互动等高阶行为的深层机制。例如，当我们要判断一只大鼠是在发出超声波叫声，还是在做一次兴奋的跳跃时，我们需要一种能够整合多模态信息的统计计算框架。

本期推荐的这篇2025年12月3日发表于 Nature Reviews Neuroscience的重磅综述，由 DeepLabCut 的开发者 Mackenzie Mathis 夫妇领衔撰写。文章不仅系统梳理了人工智能（AI）如何革新大脑-行为联合建模（Joint Modelling），更提出了从“预测”走向“机制理解”的全新路线图。它告诉我们，在这个AI辅助科学发现的时代，能够准确预测行为仅仅是第一步，构建可信、可解释且具有生物学意义的“数字孪生”模型，才是通往大脑奥秘的终极钥匙。

研究核心总结

本综述将当前神经科学中用于联合建模大脑与行为动力的AI方法归纳为三大范式，并深入探讨了行为分析的层级化趋势及未来“基座模型”（Foundation Models）的潜力。

Fig. 1 | Common neural network architectures.

三种大脑-行为联合建模范式

研究者根据计算目标的不同，将模型分为三类：

判别式模型(Discriminative Models)：目标是“解码”。即直接建立概率分布 P(行为|神经数据)。这类模型（如 Transformer, RNN）在脑机接口领域表现卓越，利用监督学习最小化预测误差，能够高效地从神经活动中读取运动意图。但其局限在于，高解码精度并不代表模型捕捉到了真实的神经计算原理。
生成式模型(Generative Models)：目标是“重构”。这类模型（如 VAE, LFADS）通过学习低维隐变量（Latent Variables）来重构输入的神经脉冲数据。其核心假设是神经群体活动受控于底层的动力学系统。虽然生成式模型能以此进行数据去噪和生成合成数据，但其依赖的“重构误差”指标（如泊松损失）往往迫使模型关注像素级或脉冲级的细节，而非具有生物学意义的结构，导致学到的表征可能与任务无关。
对比学习模型(Contrastive Models)：目标是“表征学习”。这是近年来的突破性方向（如 CEBRA）。它不再执着于重构原始数据，而是通过最大化相关样本（正样本对）的相似度、最小化无关样本的相似度来学习隐空间。这种方法利用 InfoNCE 损失函数，能够利用非监督或弱监督信号（如时间邻近性或行为标签）发现神经数据的内在几何结构，有效地解决了生成式模型中重构质量与潜在结构错位的问题。

Fig. 2 | Three broad classes of neural–behavioural dynamics models.

迈向层级化与多模态的行为分析

文章强调，行为不仅仅是空间坐标点的移动，而是具有层级结构的复杂过程（从肌肉微动到动作基元，再到复杂的社会交互）。未来的联合模型需要结合 3D 姿态估计和生物力学模型，将行为视为连续的高维数据流，而非离散的标签。

Fig. 3 | Hierarchical behavioural analysis.

可信度与可解释性：新的评估标准

研究者提出，仅凭解码准确率（R²）已不足以评估模型的科学价值。文章提出了一个包含“一致性” (Consistency)、“可辨识性” (Identifiability) 和 “鲁棒性” (Robustness) 的评估记分卡（Scorecard）。

可辨识性尤为关键：它要求不同的模型训练运行应该产生线性相关的隐变量空间。对比学习方法（如 CEBRA）在理论上被证明能更好地保证这种可辨识性，从而确保我们发现的“神经流形”是真实存在的，而非数学伪影。

Table 1 | Scorecard for joint brain–behaviour models

领域启示：神经科学的“基座模型”

文章最后展望了混合目标（Hybrid Objectives）的前景，即融合判别、生成和对比损失函数，构建类似于 GPT 或 CLIP 的多模态神经“基座模型” 。这类模型将不再局限于单一任务，而是能够理解从感知输入到运动输出的通用神经计算原理，最终通过数据驱动的方式发现描述神经动力学的“涌现定律”。

图10

Abstract

Artificial intelligence has created tremendous advances for many scientific and engineering applications. In this Review, we synthesize recent advances in joint brain–behaviour modelling of neural and behavioural data, with a focus on methodological innovations, scientific and technical motivations, and key areas for future innovation. We discuss how these tools reveal the shared structure between the brain and behaviour and how they can be used for both science and engineering aims. We highlight how three broad classes with differing aims — discriminative, generative and contrastive — are shaping joint modelling approaches. We also discuss recent advances in behavioural analysis approaches, including pose estimation, hierarchical behaviour analysis and multimodal-language models, which could influence the next generation of joint models. Finally, we argue that considering not only the performance of models but also their trustworthiness and interpretability metrics can help to advance the development of joint modelling approaches.

图11