我們正在見證一種對所謂“神經活動基礎模型（foundation models of neural activity）”的巨大熱情。神經基礎模型，本質上類似于那些已經成為深深嵌入我們生活中的人工智能聊天機器人：它們讀取了大量神經數據，并通過訓練學習了其中的統計規律。訓練完成后，這些神經基礎模型可以將所學到的內容進行泛化，用來預測新的神經活動模式、運動輸出或對感覺刺激的反應。

可以說，神經基礎模型最引人入勝之處在于，它們能夠從不同動物、相關腦區或類似任務的活動中學習。這暗示了關于大腦的一個非凡事實。正如人工智能聊天機器人利用語言中有限的字符和語法規則，去學習個體作者作品背后的統計結構，從而寫出十四行詩、推薦食譜或討論生命意義一樣，神經基礎模型的泛化能力也表明，神經活動同樣由一套在不同大腦之間共享的“字符”和“語法規則”所構成。

在這篇文章中，我將嘗試通過將這些模型的表現與近期的神經科學發現聯系起來，解釋這些神經基礎模型為何能夠發揮作用，并指出我認為神經科學家可以利用這些模型來理解大腦的關鍵機遇，以及未來面臨的挑戰。

在過去十年中，人們逐漸清楚地認識到，大腦功能的許多方面，更適合用分布在大量神經元中的群體活動模式來描述，而不是由某些特定的神經元子群來承擔。例如，在研究猴子如何根據兩個連續刺激的相對強度做出決策時，并不存在所謂的“是什么”或“何時”神經元；相反，前額葉皮層中的所有神經元共同形成兩組群體活動模式，分別定義了刺激是什么以及何時出現。同樣，在猴子或小鼠的運動皮層中，也似乎不存在“運動準備”或“運動執行”神經元：所有神經元都參與到運動準備和運動執行的群體活動模式之中。這些發現以及其他許多研究都強烈表明，“大腦的語言”是建立在單個神經元活動所構成的特定群體模式之上的，這些模式實現了認知、感覺和運動控制中的關鍵過程。

對我們來說重要的是，這些群體模式在同一群體內的不同神經元之間似乎相當一致，這意味著你有可能僅從任意一部分被記錄的神經元中恢復出完整的神經過程。此外，這些群體活動模式在執行相同運動行為或在相同環境中導航的不同個體之間也是保持一致的。在相關任務之間，它們也往往是相似的，盡管神經科學家目前還無法事先判斷何時會如此、何時不會如此。既然大腦功能可以用群體活動模式來很好地描述，而這些模式既可以從同一群體中完全不同的神經元子集恢復出來，又在個體之間保持不變并在相關任務之間表現出相似性，那么支撐神經基礎模型的強大統計機制就能夠通過整合不同個體和任務的數據，學習這些不變性和共性。換句話說，近期的神經科學發現解釋了為什么神經基礎模型理應有效，而且確實有效。

除了整合這些近期發現之外，神經基礎模型還是強有力的工具，它們將使我們——并且已經在使我們——能夠從至少兩個主要方向上學習關于大腦的新知識。

首先，神經基礎模型可以幫助我們通過持續量化——甚至可能“定性化”——那些介導行為的活動模式的組織方式，從而加深對神經群體“語言”的理解。例如，我們可以利用這些模型來刻畫不同神經發育和神經系統疾病如何改變神經群體活動。神經基礎模型還可以幫助我們定義，不同解決同一有趣任務的方式——比如玩同一局俄羅斯方塊——如何影響神經群體的集體活動。最后，這些模型還提供了一個機會，通過量化不同物種在神經群體活動上的相似性，來建立跨物種之間的聯系。這一研究方向對于在進化譜系中建立同源性關系至關重要，這種同源性不僅基于神經解剖和行為譜系，也基于神經功能?？紤]到許多神經技術正是針對這種“系統層級”來緩解運動和精神疾病，在不同模式生物與人類之間建立活動模式的相似性，可能會加速轉化研究，并產生巨大的社會影響。

其次，神經基礎模型有可能幫助我們在不同層級的大腦功能之間建立聯系，從神經遞質到單個神經元，再到神經回路和腦區。我一直在討論的那些神經活動的群體模式，毫無疑問是由神經元實現的，這意味著原則上可以將它們還原為其組成的神經元——盡管它們是否能夠由這些組成神經元“構建”出來，是一個我在這里無法展開討論的關鍵問題。然而，一個重要的問題正在浮現：這些群體活動模式的某些方面，是否可以與明確界定的神經元子群之間建立可處理的映射關系？近期的研究表明，僅基于神經活動，就可以相當準確地預測某個神經元記錄自小鼠視覺系統的哪個區域，甚至可以區分多達11種不同的興奮性細胞類型。這些引人注目的結果，是通過考察單個神經元如何映射到神經基礎模型所學習到的群體模式上得出的，這表明單個神經元亞類與群體活動之間確實存在可以被發現的映射關系。

我上面概述的這些機會令人振奮。然而，我們仍然不知道神經基礎模型是否能夠揭示出我們可以理解的行為神經解釋。我的意思是，由于這些模型擁有大量參數，我們可能很難從中提煉出那種有助于思考的、簡潔的心理表征，而這正是科學理解的特征。例如，我可以用牛頓定律向我的侄子解釋，為什么當他把手臂和腿收緊時，在椅子上可以轉得更快，但對于神經基礎模型而言，是否存在這樣一種壓縮后的描述，可以將其特征映射到行為上？還是說，它們最終只會停留在強大的預測機器這一層面？

另一個迫在眉睫的問題是，是否能夠在多種行為之間整合全腦記錄。迄今為止的大多數研究，集中在某一腦區在相對相似任務中的表現，或者在同一任務或行為中一系列相關腦區的活動，當然，這一問題實際上對整個神經科學的各個分支都同樣重要。要實現這一總體目標，一個根本性的挑戰在于，對于像當前神經基礎模型這樣既“吃數據”又“吃參數”的模型，我們是否會陷入博爾赫斯所預見的情形：在他的短篇小說《論精確性之科學》（On Exactitude in Science）中，一個制圖師社會繪制出了一張與帝國一一對應的完美地圖，但卻無人關心，因為人們無法從這樣一張與現實同樣細致的地圖——對我們來說，也就是模型——中學到任何有用的東西。

最后，我所討論的這類神經基礎模型并沒有身體。有人或許會認為，從原則上講，通過身體對世界進行感知和作用，可以被抽象為某種“變換”，在擁有足夠神經和行為數據的情況下，這些變換是可以學習的。然而，究竟多少數據才算“足夠”？我的直覺是，這個問題在實踐中可能會變得難以處理。因為這不僅僅是學習復雜變換的問題——例如從視網膜到外側膝狀體再到初級視覺皮層（V1），或者從運動皮層輸出到脊髓回路、運動神經元，最終到運動本身——還在于這些變換依賴于許多因素，比如自上而下的調制、注意力、投入程度、身體狀態，甚至可能包括個體的發展軌跡和終生經驗。正是這種挑戰，推動了關于大腦—身體—世界交互回路的基礎模型研究，這類模型有可能將這些因素與神經群體真正“在做什么”區分開來。

當然，即便我們無法理解神經元、它們的群體活動以及所揭示的行為之間的關系，神經基礎模型仍然可能是有用的。例如，這些關系可以被用于開發新的神經技術，這些技術“知道”應當針對哪些神經元，從而將群體大腦活動從疾病狀態中引導出來，帶來新的治療方法。也許通過借助機器學習中的一些技巧，我們甚至可以避免落入博爾赫斯式制圖師的陷阱，使神經基礎模型成為一種有效描繪大腦功能的新工具。歸根結底，只有在探索這片未知領域的過程中，我們才能發現神經基礎模型是否能夠真正改變——并非雙關語——神經科學和神經技術。

作者：Juan Gallego

譯者：EY

https://www.thetransmitter.org/neuroai/why-neural-foundation-models-work-and-what-they-might-and-might-not-teach-us-about-the-brain/