如果能够像预测天气一样，预测人脑在不同情境下的活动，神经科学研究将发生怎样的变化？11 月 2 日，斯坦福大学（Stanford University）宣布启动一项名为“斯坦福数字大脑计划”（Stanford Digital Brain Project）的研究项目，试图借助大规模人脑成像数据与人工智能技术，建立能够预测人脑活动的计算模型。
该项目由斯坦福大学吴蔡神经科学研究所（Wu Tsai Neurosciences Institute）发起，汇集了人文与科学学院、医学院及工程学院的研究人员，获得慈善家马克·史蒂文斯（Mark Stevens）、玛丽·史蒂文斯（Mary Stevens）以及蔡崇信夫人克拉拉·吴·蔡（Clara Wu Tsai）的资金支持。
（来源：Stanford Wu Tsai Neurosciences Institute）
按照规划，研究团队将在未来五年内，利用高精度脑成像设备采集大量人脑活动数据，并以此训练基础模型（Foundation Model），尝试预测人类在感知、记忆、语言、决策等不同认知任务中的脑活动变化。最终，研究人员希望将这一模型用于理解帕金森症、阿尔兹海默症等神经系统疾病，并为个体化治疗提供新的研究工具。
从理解大脑，到预测大脑
人类已经能够利用复杂的计算模型预测未来数天的天气变化，却仍然很难准确预测大脑在某种情境下会如何活动。这并不是因为人们对大脑一无所知。经过数十年的研究，科学家已经发现，不同脑区在视觉、语言、记忆和运动等认知活动中承担着不同功能，也逐渐认识到，大脑的运行依赖多个神经网络之间的协同作用。
但了解不同脑区的功能，并不代表着能够预测整个大脑的活动。例如，当一个人观看电影时，大脑需要识别画面中的人物和场景，理解语言，调取记忆，并随着情节发展产生情绪反应。这些过程并不是彼此独立的，而是涉及不同脑区之间持续变化的复杂联系。传统神经科学研究通常会将这些过程拆分开来，通过精心设计的实验，研究某个特定认知功能及其对应的神经活动。
项目主要研究者之一、斯坦福大学心理学教授拉塞尔·波尔德拉克（Russell Poldrack，下文简称 Russ）在访谈中举例说，研究人员可能让参与者观看一张图片，判断自己此前是否见过；也可能要求他们在完成某个动作的过程中，突然停止行动。
通过严格控制实验条件，研究者能够分析特定脑区在某项任务中的作用。这种研究方法为理解大脑提供了大量知识，但也存在局限：当实验只涉及人类认知活动中的一小部分时，依据这些数据建立的模型，也很难预测更广泛的真实体验。
（来源：对谈链接：https://neuroscience.stanford.edu/news/predicting-brain-stanford-digital-brain-p）
斯坦福数字大脑计划希望突破这一限制。项目另一位主要推动者、斯坦福大学心理学与计算机科学副教授丹·亚明斯（Dan Yamins）认为，可以借鉴人工智能领域基础模型的发展思路，从大量不同类型的数据中学习共同规律，再利用模型预测新的情况。
大语言模型通过学习海量文本，获得了处理多种语言任务的能力。类似地，研究团队希望让模型从脑成像数据中学习神经活动的动态规律，而不再局限于某个脑区或特定任务。如果模型足够准确，科学家就有可能先在计算环境中验证研究假设，再决定是否开展实际实验。
事实上，这种思路在此前的神经科学研究中已经有所体现。2022 年，Russ 与阿明·托马斯（Armin Thomas）、克里斯托弗·雷（Christopher Ré）合作发表了一项研究，尝试将自然语言处理领域的自监督学习方法应用于神经影像分析。
研究人员利用来自 34 个数据集、1,726 名参与者的 11,980 次功能性磁共振成像实验数据训练模型，发现经过预训练的模型能够迁移到新的心理状态解码任务，并取得优于部分传统方法的表现。
（来源：arXiv）
2024 年，Dan Yamins 与斯坦福大学教授卡拉尼特·格里尔-斯佩克特（Kalanit Grill-Spector）领导的团队还开发了一种具有空间约束的深度神经网络，不仅能够预测视觉系统对刺激的反应，还能重现部分视觉皮层的功能组织特征。
这些研究说明，人工神经网络已经能够模拟大脑某些局部系统的活动规律。但从视觉系统或特定心理状态出发，距离建立覆盖多种认知功能的全脑模型，仍然存在很大差距。
斯坦福数字大脑计划希望向前迈出的一步，正是让模型从预测单一系统的反应，逐步走向预测整个大脑在复杂情境下的活动。正如 Russ 在访谈中所解释的，团队最终希望做到的是：给定一个人的某种经历或行为，预测其大脑活动模式将如何随时间变化。
每个人扫描上百次：如何训练一个大脑基础模型
为了实现这一目标，研究团队首先需要解决的是数据问题。与训练大语言模型不同，人脑活动无法直接从互联网获取。研究人员必须依靠专门的成像设备，让参与者在真实实验中完成任务，再记录其脑活动变化。而且，大脑数据并非越多越好。
如果数据缺乏足够的时间、空间精度，或者没有覆盖丰富的认知任务，即使增加训练规模，也未必能够建立可靠的预测模型。因此，斯坦福为这项研究设计了一套不同于常规脑成像实验的数据采集方案。
图 | 研究路线（来源：Stanford Wu Tsai Neurosciences Institute）
团队计划对少数参与者进行高频率、长期重复测量。根据 Russ 的介绍，第一轮实验计划招募约 10 名参与者，在一年内使用两种成像技术，分别对每个人进行约 100 次测量。
也就是说，每位参与者每周大约需要接受两次磁共振成像和两次脑磁图检查，总计投入约四个小时。如此密集的数据采集并非没有先例。早在十多年前，Russ 就曾在一项研究中多次扫描自己的大脑，观察同一个体的脑网络如何随时间变化。但此次研究希望同时采集大量高空间分辨率和高时间分辨率的数据，规模和复杂程度进一步提高。
为什么不直接招募数百甚至上千名参与者，而是反复观察少数人的大脑？Russ 解释说，这既受到设备数量、实验时间等现实条件限制，也与研究的科学目标有关。虽然不同人的大脑具有大致相似的组织结构，但在具体神经网络的分布和活动方式上仍然存在差异。如果简单地将大量参与者的数据合并，研究人员可能识别出群体层面的共同规律，却忽略了每个人独有的细节。而在未来的临床应用中，这些差异可能至关重要。
例如，同样是抑郁症患者，不同人的异常脑网络及其对神经刺激的反应可能并不相同。要预测某种干预对特定患者的影响，就需要建立能够反映其个体特征的模型。团队希望先通过大量重复测量，建立少数参与者的高精度模型，再探索如何将已有模型迁移到新参与者身上，减少后续个体化建模所需要的数据量。
第一轮研究将主要围绕自然视听场景展开。参与者会在接受脑成像检查时观看和聆听不同视频内容，有时需要关注画面的特定区域，有时需要判断此前是否见过某个场景，或者描述自己看到的内容。
研究人员则同步记录他们的脑活动，并结合眼动、行为及任务信息，分析不同认知过程如何相互作用。在未来的实验中，团队还考虑引入电子游戏或驾驶模拟任务，让参与者在更加动态的环境中进行空间导航、行动选择和决策，以进一步扩展模型对认知活动的覆盖范围。
研究将结合两种互补的脑成像技术，同时获得大脑活动的空间和时间信息。其中一种是 7 特斯拉功能性磁共振成像（7T fMRI）。相比医院常见的 1.5T 或 3T 设备，7T 超高场磁共振能够以更高的空间分辨率观察全脑活动，将测量尺度推进到约 1 毫米甚至更精细的水平。
另一种是光泵磁力计脑磁图（OPM-MEG）。它通过佩戴在头部的传感器测量神经活动产生的微弱磁场，能够以毫秒级时间分辨率记录大脑活动。不过，这种技术在精确定位活动来源方面存在一定限制。
两种技术形成互补：前者更擅长判断活动发生在哪里，后者更擅长捕捉活动何时发生。将两类数据结合起来，也有助于研究人员判断某种神经活动特征究竟是真实存在，还是特定设备造成的测量误差。
按照规划，团队将开展约十轮研究，逐步纳入感知、记忆、语言、运动、决策、情绪和社会互动等认知功能，最终尝试建立一个更加完整的数字大脑模型。
从神经回路到数字模型，大脑研究路在何方
除了建立基础模型，斯坦福数字大脑计划还提出了一项重要承诺：向全球研究人员开放项目产生的数据和模型。Russ 长期以来一直推动神经影像数据共享。他参与发展的 OpenNeuro 平台和脑成像数据结构标准（Brain Imaging Data Structure，BIDS），已经成为神经科学领域重要的开放研究基础设施。
在他看来，脑成像数据的采集成本很高，而目前用于训练大脑基础模型的数据仍然有限。如果能够共享高质量数据，其他实验室就可以在此基础上训练新的模型，检验已有研究结果，或者开发不同的分析方法。这种开放科学的思路，也与近年来脑科学研究逐渐走向大规模协作的趋势相吻合。
图 | BIDS 发展路线（来源：https://doi.org/10.1162/imag_a_00103）
2013 年，美国启动脑研究计划（BRAIN Initiative），希望通过开发新一代神经技术，更深入地理解神经元和复杂神经回路如何在时间与空间上相互作用。该计划的重要方向包括神经活动记录、神经回路解析、脑图谱绘制和神经调控技术开发。它并不以建立一个统一的数字大脑模型为唯一目标，而是希望为整个神经科学领域提供更加精确的研究工具。
而在 2018 年，斯坦福大学又通过吴蔡神经科学研究所的 Big Ideas in Neuroscience 资助项目，支持了“斯坦福大脑发生计划”（Stanford Brain Organogenesis Program）。
该计划由神经科学家塞尔久·帕什卡（Sergiu Pașca）和卡尔·戴塞尔罗斯（Karl Deisseroth）等人推动，重点研究如何利用干细胞在体外构建具有脑区特征的三维神经组织，以及由不同神经组织组合形成的组装脑类器官（Assembloids）。这些模型可以帮助研究人员观察神经细胞如何发育、迁移和建立连接，并研究神经精神疾病相关的细胞和回路异常。
与之相比，2026 年启动的数字大脑计划并不试图在培养皿中重建真实的神经组织，而是利用人体脑活动数据，建立能够预测神经网络行为的计算模型。如果将这些研究放在一起观察，可以看到现代脑科学中三条有所交叉、但各有侧重的研究路线：一条侧重开发观测和操控神经系统的技术，一条侧重构建可供实验研究的生物学模型，另一条则尝试利用计算模型解释和预测大脑活动。
这些研究共同反映出一个趋势：神经科学正在从对不同尺度的大脑结构和功能进行分别研究，逐渐尝试利用实验数据与计算方法，将它们联系起来。而斯坦福数字大脑计划希望在其中解决的，是一个更具体的问题：能否让模型学会预测大脑的动态行为，并通过新的实验不断检验和修正这些预测？
对于未来，Russ 保持着谨慎的期待。他在访谈中透露，团队希望于 2027 年初启动第一轮正式数据采集。如果进展顺利，第一批完整数据便有望支持初步模型研究；但要充分发挥多个数据批次、不同认知任务相结合的优势，可能仍需数年时间。
在长期规划中，数字大脑模型有望帮助研究人员理解抑郁症、帕金森病等疾病中的脑网络异常，甚至在实施实际治疗前，模拟不同神经干预方案可能产生的影响。例如，针对需要脑刺激治疗的患者，研究人员未来或许可以先利用个体化模型预测不同刺激位置的效果，再选择更合适的干预方案。
但从能够预测脑成像信号，到真正指导临床治疗，中间仍然存在明显距离。7T fMRI 和 OPM-MEG 虽然具有较高的空间或时间分辨率，却仍然主要测量大规模神经活动的间接或群体信号，无法完整还原单个神经元之间的全部相互作用。
模型即使能够准确预测脑活动，也不意味着它真正理解了神经系统的因果机制。尤其当研究人员希望预测某种治疗干预的效果时，仅仅掌握训练数据中的统计规律还远远不够。
此外，第一轮实验主要依赖少数参与者的密集数据。模型能否适用于年龄、健康状况和脑结构存在差异的更广泛人群，以及是否能够在疾病状态下保持可靠的预测能力，都需要进一步验证。
因此，数字大脑在短期内更可能成为一种辅助神经科学研究的工具，而不是能够直接替代临床实验的治疗系统。不过，对于长期依赖实验观察和局部功能分析的神经科学而言，如果研究人员能够建立一个可以不断接受实验检验、并逐步扩展预测范围的模型，本身就可能改变研究大脑的方式。
就像天气预报并没有让人类完全掌握大气系统一样，数字大脑模型也未必能够揭示人脑的一切秘密。但它可能让科学家第一次有机会，在真实实验开始之前，对复杂的人脑活动作出系统性的预测。
参考资料
1.https://news.stanford.edu/stories/2026/11/stanford-digital-brain-project
2.https://neuroscience.stanford.edu/news/predicting-brain-stanford-digital-brain-project
3.https://neuroscience.stanford.edu/initiatives-centers/stanford-digital-brain
4.https://arxiv.org/abs/2206.11417
5.https://neuroscience.stanford.edu/news/neuroscientists-use-ai-simulate-how-brain-makes-sense-visual-world
6.https://www.nih.gov/brain/about
7.https://neuroscience.stanford.edu/research/funded-research/stanford-brain-organogenesis
8.https://www.humanbrainproject.eu/en/follow-hbp/news/20230928/human-brain-project-ends-what-has-been-achieved/
9.https://med.stanford.edu/news/all-news/2025/04/digital-twin.html
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
