image: 深入解析现代AI如何整合前向建模、逆问题求解与模型评估，构建新一代数据驱动的代理脑模型 view more
Credit: ©《中国科学》杂志社
人工智能正深刻改变科学家研究和理解大脑的方式。近日，来自南方科技大学、华中科技大学和北京理工大学的研究团队在一篇综述文章中提出了一个统一框架，展示了人工智能如何作为“代理脑”，通过数据学习大脑的复杂动力学，实现对脑活动的预测与解释。
传统的脑模型通常依赖固定形式的生物物理方程和群体平均参数。尽管这类模型在机制上具有可解释性，但在处理真实神经系统中高度非线性、高维度且依赖情境的脑活动时，往往存在局限。而现代人工智能——包括循环神经网络、图神经网络、NeuroODE、Transformer等——能够从大规模神经记录中自动学习丰富的时间与空间模式。
该综述将现有的神经动力学模型分为三类：白盒模型（机制驱动）、黑盒模型（数据驱动）以及灰盒模型（机制与数据的融合）。基于这些视角，作者提出了一个由三部分组成的代理脑框架：(1) 构建神经动力学模型，(2) 求解逆问题以推断模型参数和潜在状态，(3) 评估模型的预测性能与功能一致性。
文章指出，代理脑模型具有诸多应用潜力，包括预测未来的全脑活动、进行动力系统分析、开展虚拟干预实验，以及指导神经刺激策略等。这些能力使代理脑成为基础神经科学研究和转化型神经工程的重要工具。
文章的最后讨论了脑模型逆问题的固有挑战，例如解的存在性、唯一性和稳定性等“不适定性”问题。研究者总结了多种数学与神经科学先验约束方法，如稀疏性约束、解剖结构先验、物理定律约束以及提升稳定性的优化策略，以确保模型在噪声和数据有限的条件下依然可信可靠。
研究团队展望，基于人工智能的代理脑将在未来的脑科学研究中发挥越来越核心的作用，成为每个人的大脑“数字化计算替代模型”。这类模型有望实现实时预测、个性化诊断、自适应神经刺激以及虚拟实验等前沿应用。
作者最后总结道：“这一框架为理论神经科学与临床实际之间搭建了系统性的桥梁”。“基于人工智能的代理脑为构建个体化、可解释、可预测的大脑模型提供了方向。”