神经AI（NeuroAI）

神经AI 指神经科学与人工智能之间的双向借鉴：一方面把大脑的稀疏编码、预测加工与注意力等发现转化为模型设计思路，另一方面用训练好的模型作为可计算假说，去解释神经活动与行为数据。它与脑机接口不同——后者关注信号通路与设备，前者关注原理层面的相互启发。

双向交流的具体形式

• 机制启发模型：从皮层连接结构、能量约束与学习规则中提取先验，用来改进网络结构与训练目标。
• 模型解释大脑：把模型内部的表示与神经记录对齐，看哪些层与哪些脑区在功能上对应，常用表征相似度一类的分析方法。
• 共同基准：同一套任务同时测人与模型，比较错误模式而不只是准确率，寻找相似的偏差结构。
• 具身与行为：把感知与动作放进闭环，认为脱离行为的视觉任务无法解释真实的神经系统。
• 能耗与效率：神经系统在极低功耗下完成感知与决策，这一约束常被用来论证稀疏激活与事件驱动结构的合理性。

方法上的关键难点

• 尺度不可比：一边是张量里的激活值，一边是电极或成像记录，中间的对齐与降维每一步都引入主观选择。
• 样本量悬殊：神经数据的规模通常远小于训练模型所需，同一结论换一批被试或换一个任务就可能不成立。
• 对应不等于机制：行为相似不代表实现相同，功能对应只能算线索，不能直接当作证据。
• 记录方式差异：电极记录与成像在时间分辨率、空间覆盖上差别很大，同一脑区在不同模态下的观测结果难以直接比较。

稳健的用法

较稳健的用法是让模型提出可被实验检验的预测，再由实验判断对错：把它当作假说生成器而不是结论来源，它才有独立于拟合优度的价值。

目前的共识与争议

共识部分相对清楚：视觉与语言加工的一些层级化规律确实能被深度网络复现；在若干视觉与语言皮层的公开数据集上，模型预测神经反应的表现优于传统线性编码模型，说明它至少是有用的表征工具，不过这一结论随脑区、物种与记录方式变化，不能当作普遍规律。争议集中在解释力度——行为相似不代表内部机制相同，同一组神经响应可能由完全不同的实现产生；反过来，从模型内部可解释性得到的「特征」也未必对应生物上真实存在的单元。目前较普遍的态度是把神经AI 视为提出假说与设计归纳偏置的来源，而不是已经成立的统一理论。

落地形态也分两类：一类是把神经科学的发现转成结构先验，改善数据效率与鲁棒性；另一类是反过来用模型解释实验数据，这类工作更接近计算神经科学，评价标准是可证伪性与对实验的预测力，而不是基准分数。选择哪一类取决于目标是造系统还是理解系统，两者常被混为一谈。