PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / X · AI 与脑科学 / X056 · AI的foundationmodels会改变脑科学吗？

X056 AI 的 foundation models 会改变脑科学吗？

来源：公众号 PSY-Brain_Frontier ｜发布：2025-11-04 ｜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:From prediction to understanding: Will AI foundation models transform brain science?

发表时间：2025.10.22

Journal:Neuron

影响因子：15.0

获取原文：

后台回复“文献”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

什么是foundation models？

AI foundation models 指的是在大规模、广泛且异构的数据上，通过大规模预训练（通常使用自监督学习 SSL）构建的、可适应多个下游任务的大型系统。这类模型的核心在于它们学习不是特定任务的框架结构，而是通用的表征（versatile representations）。一旦训练完成，这些表征就可以通过相对简单的方法（如线性读取、提示或微调）被应用于各种具体的下游任务。典型的两篇文章都是今年 (2025年)发表在 Nature 正刊上的：

例子1：Centaur，一个人类认知的“基础模型”，通过微调一个大型语言模型（LLM）来预测人类在数百个心理学实验中的决策行为。

Binz, M., Akata, E., Bethge, M., Brändle, F., Callaway, F., Coda-Forno, J., ... & Schulz, E. (2025). A foundation model to predict and capture human cognition. Nature, 1-8.

例子2：小鼠视觉皮层模型，一个神经活动的“基础模型”，在小鼠视觉皮层的大规模钙成像数据上进行训练，用于预测神经元反应。

Wang, E. Y., Fahey, P. G., Ding, Z., Papadopoulos, S., Ponder, K., Weis, M. A., ... & Tolias, A. S. (2025). Foundation model of neural activity predicts response to new stimulus types. Nature, 640(8058), 470-477.

如何构建foundation models？

构建这些模型通常遵循 “预训练-微调” (pretrain-finetune) 的两阶段范式。

预训练阶段：第一阶段：预训练 (Pretraining) 此阶段的核心是自监督学习 (SSL) 。模型在无需人工监督的情况下，通过学习预测海量、非结构化数据中被遮挡或缺失的部分，来获取通用的知识与表征。例如，在《Nature》的研究中，一个共享的“基础核心 (foundation core)”是在来自 8 只小鼠的大规模神经数据（超过900分钟）上预训练而成的。

微调阶段：此阶段将预训练的通用模型迁移并适应到特定的领域或应用中。适应方式包括在有标签数据集上进行监督训练，或利用人类反馈强化学习 (RLHF) 来对齐人类意图与偏好。例如，Centaur 模型便是将一个预训练的大型语言模型 (LLM) ，在名为 "Psych-101" 的大规模人类行为数据集上微调而构建的。

foundation models 有什么优点？

极高的预测准确性 (High Predictive Accuracy) 基础模型在预测方面表现出色。这个不必细说了，大家看两篇 Nature 的文章就会知道其恐怖实力

强大的泛化能力 (Strong Generalization) 这是基础模型的核心优势之一。它们能够泛化到训练数据之外的场景

跨任务/刺激： 小鼠视觉模型可以成功预测全新刺激域（如运动和噪声模式）的神经反应，即使它在训练中从未见过这些刺激。
跨个体/主题： Centaur 可以泛化到新的被试和任务变体上；小鼠模型也可以用极少的训练泛化到新的小鼠个体上。

数据高效性 (Data Efficiency) 通过“预训练-微调”范式，基础模型在适应新任务时非常高效。小鼠视觉模型的研究显示，基础模型仅需不到 30 分钟的新数据就能达到个体模型需要 60 多分钟才能达到的性能水平。

捕捉潜在的生物结构 (Capturing Deeper Structures) 模型不仅限于预测。例如

小鼠视觉模型还捕捉到了有关神经元细胞类型、树突形态和连接性的信息。
Centaur 的内部表征在微调后，显示出与人类 fMRI 神经活动更高的一致性

foundation models 有什么局限性？

作者用“托勒密的地心说”来比喻：地心说模型能准确预测行星轨迹，但其背后的理论（机制）却是完全错误的。所以预测不等于解释 (Prediction is not Explanation) 这是基础模型在科学应用中的最大短板。一个模型可能仅仅利用了统计规律 (statistical regularities)，而不是揭示了因果机制 (causal mechanisms) 。我们可能只是“用一个黑箱（AI）替换了另一个黑箱（大脑）”
机制洞察不足 (Insufficient Mechanistic Insight) 即使模型捕捉到了一些结构信息，也往往停留在表面。对小鼠视觉模型的批评指出，尽管它学习到的权重与解剖结构（如细胞类型、连接性）部分一致，但这远未揭示皮层进行计算的真正“回路机制”
缺乏生物约束 (Lack of Biological Constraints) 生物智能（如大脑）是在进化和发育的约束下形成的；而 AI 基础模型是通过“ scaling law”（用更多数据、更大模型、更多计算）驱动的。这种根本性的差异可能导致 AI 无法收敛到生物的真正机制上，从而限制了它们作为生物模型时的解释价值。

总结

这篇推送更像是关于 foundation models 的简单介绍，并非 follow Neuron 文章的叙述逻辑，但应该讲清楚了文章的核心意思。总而言之，AI foundation Models优点是预测能力超强，能高精度模拟神经活动和人类行为，但预测 ≠ 理解。AI可能只是一个更复杂的“黑箱” ，它可能像托勒密的“地心说”一样，虽然预测准确，但机制是错的。文章呼吁，AI对脑科学的真正价值在于“打开黑箱” ，用它来生成可检验的科学假说，把AI从“预测机器”变为“理论工具” 。

图10

相关阅读

周报-20251006 | 近两周解读的29篇顶刊论文汇总 | 认知神经科学前沿动态 ⭐️[解读链接]

周报-20250922 |认知神经科学前沿动态周览 *⭐️[解读链接]***

周报-20251020|认知神经科学前沿动态周览**⭐️[ 解读链接 ]****

Nature |决策过程的动力学机制与神经模式转变 ⭐️[解读链接]

Nature |颠覆认知 ! “神经振荡”不成立？耶鲁团队提出大脑“伽马事件”新理论 ⭐️[解读链接]

Science |中国将领衔未来25年全球脑计划，剑指灵长类大脑地图 *⭐️[解读链接]***

Neuron |大脑如何区分现实与想象？伦敦大学学院团队最新研究揭秘“现实信号”的神经密码 ⭐️[解读链接]

Nature | 视觉系统新发现：压缩式的物体识别机制 ⭐️[解读链接]

Nat Hum Behav｜你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密 *⭐️[解读链接]***

Nature |“读心术”成真？从瞳孔变化中解码大脑皮层完整时空动态 ⭐️[解读链接]

PNAS｜刷短视频停不下来？研究揭示“新奇感”是驱动人类探索的古老密码 *⭐️[解读链接]***

Neuron | 最强脑发育数据库RBC开放下载，6000+青少年大脑数据揭示精神健康的秘密 ⭐️[解读链接]

Nature 子刊综述｜大脑预测误差的核心回路 *⭐️[解读链接]***

前沿交流 | 欢迎加入认知神经科学前沿交流群！⭐️[解读链接]

图11

本文解读基于：From prediction to understanding: Will AI foundation models transform brain science?，Doi：10.1016/j.neuron.2025.09.039 IF: 15.0 Q1 。核心图表、方法细节、统计结果与讨论见原文及其拓展数据。

分享人：天天

审核：PsyBrain 脑心前沿编辑部

图12