接受“苦涩的教训”，拥抱大脑的复杂性

神经数据是复杂、动态、非线性、高维且多样化的。要从中获取洞察，我们必须走向数据驱动范式，在海量信息上训练大规模模型。这需要拥抱大脑的复杂性，而非试图回避它。

“苦涩的教训”与神经数据

“苦涩的教训”由强化学习先驱Rich Sutton在2019年提出：AI中最成功的方法，是那些足够通用、能随计算量扩展的方法。精心设计的、针对特定问题的解决方案，最终会被能在海量数据和规模上部署的通用解决方案所取代。这意味着，我们需要承认心智的内容极其复杂，并停止寻找思考其内容的简单方式。

神经数据同样适用这个教训。没有理由认为神经数据会是AI领域已观察到的普遍趋势的例外。神经数据正是能从规模中获益的明确候选者，因为它极其复杂。如果我们想从复杂的神经数据中提取有意义信号，就必须走向数据驱动范式，在海量数据上训练大规模模型。

要素	要求
模型	能够理解结合电生理、影像和行为的跨个体、跨任务、甚至跨物种的多模态数据集
计算资源	能处理大规模通用模型训练和微调的高性能计算基础设施
数据	跨物种、跨脑区、跨实验条件的大规模、高质量数据集，包括在自然、无控制环境中捕捉的大脑动态

许多专家认同Dyer和Richards的核心论点：大脑是一个深刻的交互系统，其复杂性必须被正视。这需要收集动物在自然环境中自由进行物种典型社会互动、跨多个生态背景的数据，环境本身也必须足够复杂以允许有意义的双向交互。

一些专家警告，将AI作为分析工具存在风险——它可能只是一个发现模式的黑箱，而不能提供对神经计算原理的洞察。更有成效的方法是使用这些人工神经网络作为可解释的脑功能模型：在神经数据上训练它们执行与生物回路相同的任务，然后逆向工程这些训练好的网络，以理解它们如何解决计算问题。

在非线性、随机、高维系统中，我们应预期物种间在组织和功能上存在显著差异。啮齿动物和灵长类大脑在微观、介观和宏观尺度上的结构差异可能产生有意义的功能分歧。这要求我们在理论框架和建模方法中明确考虑这些差异。

并非所有研究领域都能平等受益于大规模AI。许多前沿问题依赖于新颖的记录技术或独特实验范式，自然会产生产生小规模、有噪声的数据集，可能不适合预训练AI模型。在这些情况下，整合已知的解剖和生理约束（如脑区间连接、神经动力学原理）可能更为关键。

有研究者提出，利用动态系统理论的方法（如收敛交叉映射），可以从几分钟的神经和行为同步记录中提取控制行为的低维脑轨迹，生成能够复现自发行为和神经活动的生成模型。这种方法所需数据量少，使许多行为可以从单个大脑下载到一个生成模型中。

要实现大规模AI助力神经科学的愿景，需要：

大规模AI模型可能带来的收益包括跨物种泛化、跨任务学习，以及在脑机接口、心理健康监测、神经系统疾病个性化治疗等领域的应用。但这需要神经科学界在激励机制、文化观念和基础设施上进行深刻变革。

(责任编辑：泉水)