斯坦福启动数字大脑计划：AI模拟人脑，帕金森症治疗能否被预测？

资讯腾讯网作者：腾讯网 2026/11/06 20:50 全文 5675 字 · 约 15 分钟读完

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

11月2日，斯坦福大学启动了一项新计划，想用人工智能模拟人脑活动。如果人脑在不同情境下的活动能像天气一样被预测，神经科学研究会变成什么样？

项目由斯坦福大学吴蔡神经科学研究所（Wu Tsai Neurosciences Institute）发起，人文与科学学院、医学院及工程学院的研究人员都参与其中。出资方是慈善家马克·史蒂文斯（Mark Stevens）、玛丽·史蒂文斯（Mary Stevens）和蔡崇信夫人克拉拉·吴·蔡（Clara Wu Tsai）。

（来源：Stanford Wu Tsai Neurosciences Institute）

按规划，未来五年里，团队要用高精度脑成像设备采集大量人脑活动数据，拿这些数据训练基础模型（Foundation Model），试着预测人在感知、记忆、语言、决策等认知任务中的脑活动变化。研究人员最终想用这个模型去理解帕金森症、阿尔兹海默症等神经系统疾病，为个体化治疗提供新的研究工具。

从理解大脑，到预测大脑

人类已经能用复杂的计算模型预测未来几天的天气，却还是很难准确判断大脑在某种情境下会怎么活动。这并非因为人们对大脑毫无了解。几十年研究下来，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分工不同，也渐渐认识到大脑的运行要靠多个神经网络协同。

可知道各脑区的功能，不等于能预测整个大脑的活动。比如一个人看电影时，大脑要识别画面里的人物和场景，理解语言，调取记忆，还会随剧情产生情绪反应。这些过程彼此交织，涉及不同脑区之间持续变化的复杂联系，并不是各自独立的。传统神经科学研究往往把它们拆开，用精心设计的实验去研究某一项特定认知功能及其对应的神经活动。

项目主要研究者之一、

在严格控制的实验条件下，研究者能分析某个脑区在某项任务中起什么作用。这套方法为理解大脑积累了大量知识，局限也很明显：实验只覆盖人类认知活动的一小部分，据此建立的模型自然难以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想突破的正是这道限制。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，可以借用人工智能领域基础模型的思路，从大量不同类型的数据中学习共同规律，再用模型去预测新情况。

大语言模型学了海量文本，就有了处理多种语言任务的能力。研究团队也想照这个路子，让模型从脑成像数据中学习神经活动的动态规律，不再局限于某个脑区或某项任务。模型如果足够准，科学家就有可能先在计算环境中验证研究假设，再决定要不要做实际实验。

这种思路其实在此前的神经科学研究中已有体现。2022年，Russ 与阿明·托马斯（Armin Thomas）、克里斯托弗·雷（Christopher Ré）合作发表研究，尝试把自然语言处理领域的自监督学习方法用于神经影像分析。

他们用来自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，发现预训练过的模型能迁移到新的心理状态解码任务上，表现优于部分传统方法。

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）领导的团队又开发出一种带空间约束的深度神经网络，不光能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，

斯坦福数字大脑计划想往前走的一步，就是让模型从预测单一系统的反应，逐渐过渡到预测整个大脑在复杂情境下的活动。Russ 在访谈中解释，团队最终希望做到：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

要实现这个目标，数据问题得先解决。训练大语言模型可以从互联网直接抓数据，人脑活动却不行。研究人员必须靠专门的成像设备，让参与者在真实实验中完成任务，再记录脑活动变化。而且，大脑数据并非越多越好。

数据如果在时间、空间精度上不够，或者覆盖的认知任务不够丰富，训练规模再大，也未必能建起可靠的预测模型。为此，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）

团队打算对少数参与者做高频率、长期重复的测量。Russ 介绍，第一轮实验计划招募约10名参与者，一年内用两种成像技术，对每个人各做约100次测量。

算下来，每位参与者每周大约要做两次磁共振成像和两次脑磁图检查，总共投入约四个小时。这么密集的采集并非没有先例。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。不过这次研究想同时拿到大量高空间分辨率和高时间分辨率的数据，规模和复杂程度都更高。

为什么不直接招数百甚至上千名参与者，而要反复观察少数人的大脑？Russ 解释，这既受设备数量、实验时间等现实条件限制，也和科学目标有关。不同人的大脑组织结构大致相似，但具体神经网络的分布和活动方式仍有差异。把大量参与者的数据简单合并，研究人员可能只看到群体层面的共同规律，却漏掉每个人独有的细节。未来的临床应用里，这些差异可能至关重要。

比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一样。要预测某种干预对特定患者的影响，就得建立能反映其个体特征的模型。团队希望先用大量重复测量，为少数参与者建立高精度模型，再探索如何把已有模型迁移到新参与者身上，减少后续个体化建模所需的数据量。

首轮研究的主线落在自然视听场景上。参与者接受脑成像检查的同时会观看、聆听各类视频内容，任务包括留意画面中的特定区域、判断某个场景此前是否见过，以及描述自己看到了什么。

脑活动由研究人员同步记录，眼动、行为与任务信息也一并纳入分析，用来考察不同认知过程之间怎样相互影响。后续实验还打算加入电子游戏或驾驶模拟任务，让参与者在更动态的环境中做空间导航、行动选择和决策，从而把模型覆盖的认知活动范围进一步拓宽。

大脑活动的空间信息与时间信息，要靠两种互补的成像技术同时拿到。其一是 7 特斯拉功能性磁共振成像（7T fMRI）。医院里常见的是 1.5T 或 3T 设备，7T 超高场磁共振的空间分辨率更高，能观察全脑活动，测量尺度可推进到约 1 毫米甚至更精细的水平。

其二是光泵磁力计脑磁图（OPM-MEG）。传感器佩戴在头部，测量神经活动产生的微弱磁场，时间分辨率达到毫秒级。问题在于，这项技术在精确定位活动来源上仍有局限。

两者正好互补：判断活动发生在哪里，前者更擅长；捕捉活动何时发生，后者更擅长。两类数据合到一起，还有助于研究人员分辨某种神经活动特征是真实存在，还是特定设备带来的测量误差。

按照规划，团队将分约十轮开展研究，感知、记忆、语言、运动、决策、情绪和社会互动等认知功能会逐步纳入，最终尝试搭建一个更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

开放数据和模型，是斯坦福数字大脑计划在基础模型之外给出的另一项承诺，面向的是全球研究人员。Russ 推动神经影像数据共享已有时日，他参与发展的 OpenNeuro 平台和脑成像数据结构标准（Brain Imaging Data Structure，BIDS），如今已是神经科学领域重要的开放研究基础设施。

他的判断是，脑成像数据采集成本很高，可用于训练大脑基础模型的数据却仍然有限。高质量数据一旦共享出来，其他实验室便能据此训练新模型、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，与近年脑科学走向大规模协作的趋势也相吻合。

图 | BIDS 发展路线（来源：https://doi.org/10.1162/imag_a_00103）

美国在 2013 年启动脑研究计划（BRAIN Initiative），着眼点是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。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是该计划的重要方向。建立统一的数字大脑模型并不是它唯一的目标，它更想为整个神经科学领域提供更精确的研究工具。

到了 2018 年，斯坦福大学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，重点是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）。借助这些模型，研究人员可以观察神经细胞如何发育、迁移和建立连接，也能研究神经精神疾病相关的细胞和回路异常。

2026 年启动的数字大脑计划走的是另一条路：不在培养皿中重建真实神经组织，而是利用人体脑活动数据，建立能预测神经网络行为的计算模型。把这几项研究放在一起看，现代脑科学中三条有所交叉、各有侧重的研究路线便浮现出来——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，还有一条尝试用计算模型解释和预测大脑活动。

这些研究指向同一个趋势：神经科学过去对不同尺度的大脑结构和功能分别研究，如今正逐渐尝试借助实验数据与计算方法把它们联系起来。斯坦福数字大脑计划想解决的是一个更具体的问题：模型能否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？

对前景，Russ 的期待里带着谨慎。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。进展顺利的话，第一批完整数据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。

长期来看，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之前，模拟不同神经干预方案可能产生的影响。比如面对需要脑刺激治疗的患者，研究人员未来或许能先用个体化模型预测不同刺激位置的效果，再挑出更合适的干预方案。

不过，从能够预测脑成像信号到真正指导临床治疗，中间隔着不小的距离。7T fMRI 和 OPM-MEG 的空间或时间分辨率虽高，测量的却仍主要是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。

模型能准确预测脑活动，也不等于它真正理解了神经系统的因果机制。研究人员若想预测某种治疗干预的效果，只掌握训练数据中的统计规律远远不够。

还有一层：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，能否在疾病状态下保持可靠的预测能力，都还需要进一步验证。

所以短期内，数字大脑更可能充当辅助神经科学研究的工具，而非直接替代临床实验的治疗系统。但对于长期依赖实验观察和局部功能分析的神经科学来说，研究人员若能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，这件事本身就可能改变研究大脑的方式。

天气预报至今没能让人类彻底摸透大气系统，数字大脑模型同样未必能解开人脑的全部谜团。不过它或许能让科学家头一回在真实实验动手之前，就对复杂的人脑活动做出成体系的预判。

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