為什麼神經科學需要Foundation Models與生成式AI？
ChatGPT、Gemini、AI繪圖、或一句話生成影片，讓我們整理資料或實現創意越來越方便。但你可能不知道，這股AI浪潮除了實現這些功能外，還在悄悄改變一個神經科學中根本的問題——我們到底能不能讀懂大腦？ 大腦資料，其實比你想像的還爆量。現代神經科學研究早就不是只看顯微鏡了。科學家可以同時記錄上萬顆神經元的放電、掃描整個大腦的功能影像、量測腦波，甚至觀察人類在聽音樂、看電影、說話時的大腦活動。 問題是，這些資料多到讓傳統的分析模式力不從心。因此，研究團隊探討了大型基礎模型（Foundation Models）與生成式人工智慧（生成式AI）在神經科學領域中的突破性應用。 先來理解什麼是Foundation Models？你可以把Foundation Models想成已經學過世界的AI。它們不是為單一特定任務設計，而是先在大量未標記資料上學習世界的結構，再被拿去解各種問題。 關鍵技術有兩個： ● 嵌入（Embedding）：把複雜訊號（語言、影像、腦波）轉成有意義的向量 ● 自我監督學習（SSL）：不用人工標答案，也能從資料中學規律 再來是生成式AI，它不只能分析，還能重建大腦內容。傳統神經科學多半只能回答這個腦區有活動代表什麼。生成式AI則更進一步，開始嘗試：利用fMRI重建人看到的影像、從腦訊號合成語音或音樂，或者利用腦機介面把想說但說不出口的話轉成文字。做法通常是先把腦訊號轉成嵌入向量 ，再交給已經學習過的生成模型，產生對應內容。 為什麼這對神經科學很重要？它解決了三個核心問題： 1. 資料太少怎麼辦？ 預訓練模型可以「先學別人的資料，再學你的」，小樣本也能做研究。 2. 不同實驗怎麼對齊？ 嵌入空間讓EEG、fMRI、語音、行為有機會放進同一個座標系。 3. 怎麼接近真實認知？ 例如Transformer這種序列模型，讓研究不再只看單一刺激，而能處理故事、音樂、行為等這種連續經驗。 不過目前的AI模型，也還不夠像大腦。研究團對也提醒了一件重要的事，現在的人工神經元，其實非常簡化，大多忽略了樹突計算、神經振盪、細胞層級結構。未來真正有潛力的方向，應該是把神經科學對大腦的理解，反過來教給AI。 *聲明：本文使用ChatGPT輔助編輯* 撰稿人：呂菁菁 原始論文：Wang, R., and Chen, Z.S. (2025). Large-scale foundat...
