本文是发表在英国牛津大学出版社旗下期刊《National Science Review》（《国家科学评论》）上的一篇学术文献。文章标题为“人工智能作为替代性大脑：桥接神经动力学模型与数据”。这篇文档是一篇全面的学术综述（review），旨在系统性地介绍和探讨一个新兴的研究领域：基于人工智能（AI）构建“替代性大脑”。
作者、机构与发表信息
主要作者及机构： * Yinuo Zhang （第一作者），隶属于南方科技大学生物医学工程系（Department of Biomedical Engineering, Southern University of Science and Technology）。 * Demao Liu （第一作者），隶属于华中科技大学数学与统计学院、华中科技大学数学中心以及斯捷克洛夫-武汉数学探索研究所。 * Zhichao Liang （第一作者），隶属于南方科技大学生物医学工程系。 * Jiani Cheng, Kexin Lou, Jinqiao Duan, Ting Gao, Bin Hu, Quanying Liu 等作者分别来自南方科技大学、华中科技大学、大湾区大学、北京理工大学等机构。通讯作者为Ting Gao, Bin Hu 和 Quanying Liu。
发表信息： * 期刊： National Science Review * 卷期： 第13卷，编号 nwaf457，出版于2026年。 * 在线发表日期： 2025年10月25日（提前访问版）。 * 稿件接收时间线： 2025年4月2日提交，2025年10月9日修订，2025年10月10日接受。
论文主题与学术背景
论文主题： 本文探讨的主题是“AI-Based Surrogate Brain”（基于人工智能的替代性大脑）。其核心思想是利用人工智能技术，特别是数据驱动的方法，构建能够模拟、预测甚至解释真实大脑动态的计算模型。这种“替代性大脑”并非追求与大脑在解剖结构上完全对应，而是强调其动态的逼真性、预测的准确性以及作为研究工具和临床应用平台的实用性。
学术背景与目的： 传统上，理解大脑依赖于基于假设的生物物理模型（如Hodgkin-Huxley神经元模型、神经质量模型等）。这些“白盒”模型基于明确的神经生物学原理和微分方程，具有很好的可解释性，但其形式固定、参数多为群体平均值，难以捕捉个体大脑在高维、非线性、噪声环境下的复杂、情境依赖的动态特性。近年来，机器学习，特别是人工智能技术的突破，以及大规模神经数据集的出现，为解决这一问题提供了新的可能。AI模型，如循环神经网络（RNNs）、Transformer等，在时间序列预测和复杂系统建模方面展现出卓越性能。
在此背景下，本文旨在提出一个统一的框架，来构建这种基于AI的“替代性大脑”。综述的目标是： 1. 介绍神经动力系统建模的三种范式：白盒（模型驱动）、黑盒（数据驱动）和灰盒（混合）模型。 2. 系统阐述如何解决神经动力学的“逆问题”，即如何从观测数据中学习并推断出驱动大脑动态的内在规则和潜在状态。 3. 讨论如何评估训练好的替代性大脑模型。 4. 展示替代性大脑在系统分析、虚拟实验和指导神经调控等方面的应用前景。 5. 展望该领域面临的挑战与未来发展方向。
主要观点与论述
核心框架： 作者提出了一个构建AI替代性大脑的概念性框架，该框架包含两个相互关联的过程：正向建模和逆问题求解。正向建模描述潜在的大脑状态如何根据动力学算子演化，并通过观测映射产生可观测信号（如EEG、fMRI）。逆问题求解则是从数据中学习这个动力学算子和观测映射，通过选择训练策略（如下一个“token”预测）、定义目标函数和优化参数来完成。这个框架可以容纳白盒、黑盒和灰盒三种模型形式，使其能够灵活地整合先验知识与数据驱动的学习。
以下将详细阐述文章的主要观点：
观点一：构建替代性大脑需要整合白盒、黑盒和灰盒三种建模范式，各具优势与局限。
文章将神经动力学模型分为三类，并根据其整合先验知识的程度进行划分。
- 白盒模型 (White-Box Models):
- 定义与特点： 完全基于从神经生物学和物理学中推导出的机制性原理。模型结构清晰，方程明确（如微分方程组），具有高度的可解释性。
- 支持证据与子观点：
- 不同尺度： 白盒模型可以从单个神经元尺度（如Hodgkin-Huxley模型、积分发放模型）扩展到神经群体尺度（如Wilson-Cowan模型、Jansen-Rit神经质量模型），再进一步到大规模脑网络尺度（如脑网络模型，BNMs）。
- 优点： 提供深刻的机制性见解，能够模拟特定的神经生理过程（如动作电位生成、脑节律振荡）。计算平台如BrainPy、The Virtual Brain (TVB) 支持此类模型的实现。
- 局限： 计算复杂度高，难以适应个体差异和复杂多变的任务环境；耦合到大尺度模型时，参数数量剧增，逆问题求解困难。
- 黑盒模型 (Black-Box Models):
- 定义与特点： 主要依赖数据驱动，如人工神经网络（ANNs），对底层机制不做显式假设。它们作为通用近似器，擅长拟合复杂、高维、非线性的数据模式。
- 支持证据与子观点：
- 模型架构多样性： 根据神经信号特性（如fMRI的空间性、EEG的瞬时性）选择不同架构，如多层感知机（MLPs）、WaveNet、RNNs、神经常微分方程（Neural ODEs）和Transformer。
- 潜在空间建模： 通过变分自编码器（VAEs）、LFADS等方法将高维数据编码到低维潜在空间，学习其动态轨迹，有助于发现内在的简约表示。
- 大脑基础模型： 受大语言模型启发，出现了如Brant、Labram、Neuro-GPT、BrainLM等在大规模神经数据上预训练的模型，旨在捕获通用的神经特征。
- 优点： 强大的预测能力和灵活性，能处理大规模复杂数据。
- 局限： 可解释性差，缺乏生物学合理性，模型参数与神经机制的直接对应关系模糊。
- 灰盒模型 (Gray-Box Models):
- 定义与特点： 一种混合建模范式，旨在将理论先验（来自神经科学或物理学）与数据驱动学习的灵活性相结合。通过在神经网络架构或训练过程中嵌入有意义的约束，在保持可解释性的同时不牺牲表达能力。
- 支持证据与子观点：
- 神经科学先验： 例如，模拟树突处理机制（Dend-PLRNN）、遵循Dale原则（神经元分兴奋/抑制性）的E-I RNN、体现低维流形假设的低秩RNN、整合解剖结构约束（如DTI连接）的模型，以及模仿脉冲通信的脉冲神经网络（SNNs）。
- 物理定律先验： 如物理信息神经网络（PINNs）将物理方程嵌入损失函数，哈密顿神经网络（HNN）保持物理结构以改善长期预测。
- 优点： 平衡了可解释性与预测性能，是构建既可信又有用的替代性大脑的有希望途径。
- 挑战： 在可解释性与表达能力之间权衡，如何有效整合不同来源的先验仍是难题。
观点二：解决大脑动态预测的逆问题是构建替代性大脑的核心，需要处理其固有的“不适定性”并采用相应策略。
逆问题的目标是推断出最能解释观测神经活动的潜在状态和动力学规则。文章系统阐述了求解框架、问题特性及缓解策略。
- 求解框架：
- 概率框架 (Probabilistic Framework): 核心是贝叶斯推断，将待求解参数视为随机变量，结合先验分布和似然函数，推导后验分布以量化不确定性。适用于白盒模型，但计算成本高。变分推断等方法提供了更高效的近似。
- 确定性框架 (Deterministic Framework): 将参数视为确定值，通过最小化由数据保真项和正则化项构成的目标函数来求解。计算高效，适用于黑盒和灰盒模型，但缺乏不确定性量化。
- 混合框架： 结合两者优点，例如用变分推断处理潜在变量不确定性，用神经网络高效拟合动力学规则。
- 不适定性 (Ill-Posedness) 分析： 大脑逆问题本质上是高维、非线性的优化问题，常表现为不适定，即解可能不满足存在性、唯一性、稳定性三个良好条件。具体表现为：目标函数存在多个局部极小值（解不唯一）；观测数据的微小扰动可能导致解的巨大波动（不稳定）。这给模型解释和实际应用带来风险。
- 缓解不适定性的策略：
- 正则化 (Regularization): 核心策略。通过向目标函数添加正则化项，引入先验约束以缩小解空间，稳定解。
- 数学先验正则化： 如稀疏约束（L1范数）、能量约束（L2范数）、全局平滑约束、全变分（TV）正则化，用以控制参数或输出的特性。
- 神经科学知识先验正则化： 将解剖结构（如DTI连接）、功能原理（如任务模块化）、动态物理方程等作为约束嵌入损失函数，确保解符合生物学和物理学原理。
- 其他策略： 迭代正则化（提前停止）、直接采样法、数据先验引导（如参数冻结、特征蒸馏）以及训练中的动态调整策略（如Dropout、批归一化）。
观点三：对替代性大脑的评估需要从数学和神经科学两个互补的视角进行，以确保其不仅数据拟合好，而且功能上可靠。
训练好的模型需要全面评估，以确认其是否真正抓住了神经系统的本质动态，并可作为有效的替代工具。
- 数学视角评估：
- 数据相似性： 使用均方误差（MSE）、决定系数（R²）等衡量时间序列的拟合程度。但仅此不够，可能忽略几何拓扑特性。
- 概率分布评估： 使用Kullback-Leibler散度、Wasserstein距离等比较真实与生成数据的整体分布，评估系统结构特征。
- 拓扑与几何属性评估： 分析系统的混沌特性（如最大李雅普诺夫指数）、吸引子结构（如分形维数）、多尺度拓扑特征（如持续同源性），以判断模型是否复现了大脑复杂的长时程动力学行为（如处于混沌边缘）。
- 神经科学视角评估：
- 生理特性一致性： 评估模型输出是否保留真实神经系统的特征。
- 时空激活模式： 比较脑区或全脑水平的功能活动模式相似性。
- 频谱特性： 分析节律性活动（如EEG频段功率）是否一致。
- 功能连接（FC）： 评估静态和动态功能连接的相似性。
- 任务层面性能： 这是功能对齐的关键测试。
- 解码能力： 模型是否能从活动模式中解码出行为、情绪、认知状态或临床标签（如病灶、癫痫区），且准确率与真实数据解码结果可比。
- 临床预测： 模型预测的致痫区与临床手术切除区域的重叠度，直接衡量其临床应用价值。
- 鲁棒性与泛化性： 需测试模型对噪声、数据缺失的稳健性，并通过交叉验证（如留一被试法）评估其泛化能力。文章指出不同评估指标可能给出不同结论，需根据任务目标谨慎选择。
观点四：替代性大脑作为模拟平台，在系统分析、虚拟实验和指导神经调控方面具有广阔应用前景。
文章详细阐述了替代性大脑的三个主要应用方向，展示了其从基础研究到临床转化的潜力。
- 系统分析 (System Analysis):
- 直接参数分析： 对于白盒/灰盒模型，可直接分析其参数（如神经质量模型参数）或吸引子景观（能量地形图），理解大脑状态（如静息态、工作记忆）的维持与转换机制。对于黑盒模型，可探索其权重矩阵或通过解耦表示学习来增强可解释性。
- 基于扰动的分析： 通过修改模型的关键参数（如兴奋-抑制平衡、连接强度），观察系统动态变化，间接推断该参数的功能角色，这在真实大脑中难以实现。
- 作为模拟平台 (Simulation Platform):
- 虚拟患者： 创建个体化的全脑模拟，如“虚拟癫痫患者”（VEP），用于预测手术结果、优化干预策略，其性能有望超越传统经验性规划。
- 反事实实验： 在受控的硅基环境中测试“如果…会怎样”的假设，例如比较不同驱动源（丘脑驱动 vs. 内感受驱动）对静息态活动的影响。
- 挑战与对策： 模型可能未见过干预后的数据，导致模拟不可靠。结合分布外（OOD）检测和不确定性量化技术可增强平台的可靠性。
- 指导神经调控 (Guiding Neural Stimulation):
- 解决三个关键问题： 1) 何处刺激 (Where): 利用模型识别对刺激最敏感或与症状最相关的脑区或网络节点。2) 何时刺激 (When): 识别实时的生物标志物（如特定振荡模式、低维状态），在最佳时机触发刺激。3) 如何刺激 (How): 结合控制理论，利用模型设计最优刺激策略（强度、频率、模式），实现个性化、自适应的闭环调控。
- 实时性挑战： 临床部署需平衡预测精度与计算效率。线性化技术（如深度Koopman框架）和降维方法有助于开发适用于实时控制的简化模型。
观点五：尽管前景广阔，但构建实用、个性化的替代性大脑仍面临数据、模型、算法及伦理方面的多重挑战。
文章在展望部分客观地指出了该领域未来需要攻克的难题。
- 多尺度神经数据整合： 如何系统性地对齐和整合从微观尖峰到宏观影像的不同尺度、不同模态、有噪声且存在个体差异的数据，同时保持模型的生物合理性和可解释性，是一个核心挑战。
- AI模型结构设计： 关键挑战在于平衡表征能力与可解释性。模型既需要足够强大以捕获大脑复杂性，又需要足够透明以便理解和信任。混合架构、因果表示学习是可能的解决方向。此外，可解释性（Explainability）工具需从相关性分析转向因果性探索。
- 泛化与个性化： 在个体数据有限的情况下实现模型的稳健泛化是一大难题。一方面可通过大规模协作增加数据多样性，另一方面需有效利用神经科学先验和正则化。个性化则要求模型能基于少量个体数据，高效地从群体先验迁移和校准，这需要自适应迁移学习、少样本微调等技术支持。
- 伦理考量： 必须正视隐私保护、数据安全、算法偏见与公平性等问题。使用敏感神经数据需有严格的匿名化和治理框架。模型可能放大训练数据中的偏见，导致对不同人群的不公平结果，因此需要在开发过程中主动纳入伦理审查和偏差缓解措施。
论文的意义与价值
这篇综述论文具有重要的学术价值和引领意义：
- 系统性梳理与框架提出： 首次系统性地将“AI-Based Surrogate Brain”作为一个明确的研究范式进行阐述，并提出了一个统一的概念框架，整合了正向建模、逆问题求解和模型评估，为该领域的未来发展提供了清晰的路线图。
- 跨学科知识整合： 成功地将计算神经科学、动力系统理论、机器学习/人工智能、优化理论以及临床神经工程等多个领域的知识融会贯通，展示了交叉学科的强大生命力。
- 指明研究方向与挑战： 不仅总结了现有方法（白盒、黑盒、灰盒），深入剖析了逆问题的核心难点（不适定性）及解决策略，还全面展望了应用前景，并坦率指出了数据、模型、算法、伦理等方面的关键挑战，为后续研究者指明了亟待解决的问题和潜在突破点。
- 推动基础研究与临床转化： 文章强调替代性大脑的最终目标是服务于对神经系统的理解和解码，并直接应用于虚拟实验和临床神经调控。这有力推动了神经动力学研究从理论走向应用，为癫痫、帕金森病、抑郁症等脑疾病的个性化诊断与治疗提供了革命性的新思路。
- 学术引领作用： 作为发表在National Science Review 这样的高影响力期刊上的综述，本文有望吸引更多来自数学、计算机、工程和神经科学领域的研究者关注并投身于“替代性大脑”这一前沿方向，加速相关技术的成熟与发展。
本文是一篇关于“AI替代性大脑”的纲领性文献，它定义了一个新兴的交叉研究领域，系统构建了其理论方法体系，并为其在未来神经科学与脑医学中的应用描绘了激动人心的蓝图。