神经科学与人工智能的深度交叉，正重塑我们对 “大脑 - 行为” 关联的认知边界。近日，瑞士 洛桑联邦理工学院(Federal Institute of Technology EPFL) Mackenzie Weygandt Mathis，Alexander Mathis 团队在《Nature Reviews Neuroscience》发表综述，以 “方法创新 - 技术支撑 - 评估体系 - 未来方向” 为脉络，系统梳理了人工智能（AI）在脑 - 行为动态联合建模领域的前沿进展与核心框架 。不仅覆盖三大核心范式与关键工具，更深入剖析了底层逻辑与开放挑战，为跨学科研究提供了全景式指引。
你有没有过这样的好奇：大脑内神经元的信号传递，如何转化为抬手、决策、社交等复杂行为？
2025 年 12 月 3 日，洛桑联邦理工学院 (Federal Institute of Technology EPFL) Mackenzie Weygandt Mathis，Alexander Mathis 团队在 Nature Reviews Neuroscience 上发表了题为 “Joint modelling of brain and behaviour dynamics with artificial intelligence” 的权威综述，为我们揭示了人工智能在破解这一神经科学核心谜题中的关键作用，以清晰易懂的逻辑呈现了跨学科研究的核心框架。
01 行为分析技术的精细化发展
脑 - 行为联合建模的前提是精准量化行为，传统人工观察记录方式效率低、误差大，而 AI 技术实现了行为分析的自动化与精细化升级。
姿态估计：从 2D 到 3D 的动作捕捉
- 核心工具：DeepLabCut、SLEAP，可从视频中自动识别动物关节（如小鼠的头、前爪、尾巴），时间精度达毫秒级。
- 技术突破：从平面 2D 姿态估计升级为立体 3D 重建，甚至通过单摄像头即可还原动物的 3D 动作，精准区分 “向前跳”、“向上跳” 等不同行为模式。
层级行为分析：把动作还原成 “最小单位”
行为具有天然层级结构（如 “喝水” 可拆解为 “抬手→端杯→送嘴边→吞咽”），AI 能自动拆解这些 “动作积木”，甚至捕捉到人眼难以察觉的细微行为模式（如紧张状态下的无意识小动作）。
- 规则化方法： 基于关键点测量定义行为（如 Live Mouse Tracker 的 “跟随” 判定）；
- 监督学习： 从姿态数据预测行为标签（如 MARS 系统的小鼠社交行为分类）；
- 无监督学习 ：自动分解行为 “音节”（如 hBehaveMAE 的层级掩码自编码、跨尺度对比方法）。
辅助工具：降低研究门槛
- AmadeusGPT：支持自然语言生成行为分析代码，例如输入 “统计小鼠 5 分钟内的梳理行为次数”，即可自动生成分析程序，无需专业编程知识。
- 合成数据生成： 通过模拟器创建虚拟动物行为（如虚拟小鼠的社交互动），解决真实行为数据标注耗时、成本高的问题。
02 神经 - 行为关联研究的核心突破
探索 “神经活动如何催生行为” 是神经科学的终极目标之一。尽管传统研究已阐明简单感官与运动任务的神经机制，但决策、社交互动等高阶行为的调控逻辑仍悬而未决。例如，当我们执行 “喝水” 这一简单动作时，背后需要成百上千个神经元的协同配合，而传统研究存在明显局限。
过去的研究往往孤立分析神经数据或行为表现，如同 “只拆解零件却不观察整机运作”，难以捕捉二者的内在关联。如今，技术突破为这一难题提供了新的解决路径：
- 神经记录技术可同步 “监听” 数百至数千个神经元的活动；
- 行为测量技术能精准捕获抬手、跳跃等细微动作的动态变化；
- 人工智能则成为连接两类数据的 “桥梁”，通过整合分析挖掘其共享结构，这正是 “脑 - 行为联合建模” 的核心逻辑。
通过捕捉神经动态与行为输出的共享结构，实现 “神经→行为” 与 “行为→神经” 的双向解码，这正是 “脑 - 行为联合建模” 的核心价值，也是该综述的核心议题。
03 建模的深度学习基础支撑
要理解联合建模的技术路径，需先明确深度学习的核心构成。机器学习系统由四大组件组成：数据集（定义输入 - 输出关系）、模型（数学转换框架）、损失函数（量化预测误差）、优化算法（迭代更新参数）。这一框架适用于监督学习（依赖标签数据）与自监督学习（从数据自身提取监督信号），后者更是联合建模的创新核心 —— 无需人工标注 “神经 - 行为” 对应关系，即可挖掘内在规律。
深度学习的革命性在于 “端到端学习”：编码器与解码器均为可训练组件，无需人工设计特征，能自动提取从局部到全局的层级特征。常用架构各有适配场景：多层感知机（MLP）擅长非线性映射、卷积神经网络（CNN）适配图像类数据、循环神经网络（RNN）捕捉时序依赖、Transformer 通过自注意力机制处理长序列、状态空间模型高效应对超长时序数据。这些架构均为 “通用逼近器”，只要数据与参数充足，即可学习复杂的神经 - 行为映射关系。
04 脑 - 行为建模的类型划分与目标定位
联合建模的本质是建模 “行为与神经数据的联合分布 P (behaviour, neural data)”，具体可分为四类：
- 解码模型：从神经数据预测行为（P (behaviour | neural data)），核心服务于工程应用；
- 编码模型： 从行为 / 刺激反推神经数据（P (neural data | behaviour)），聚焦感官编码机制研究；
- 潜变量模型： 通过自监督学习提取潜变量（如神经活动的核心特征），再关联行为；
- 联合模型： 直接建模二者的双向关联，全面揭示互动规律。
不同目标决定建模选择：工程目标（如脑机接口）追求解码精度与实时性；科学目标（如机制研究）需还原神经动态与不确定性；假设测试需可解释的潜变量；探索性研究则侧重发现未知关联。 这一目标多样性，直接催生了三大核心建模范式。
05 三大核心建模范式的方法学特征
如同不同工具对应不同任务，AI 脑 - 行为建模包含三种核心范式，分别满足工程应用、科学研究与探索发现的需求：
判别式模型：大脑的 “实时翻译官”
- 核心功能：直接建立神经数据与行为的映射关系，实现从神经信号到行为指令的精准转换，例如通过大脑活动预测肢体运动方向或语言语速。
- 工作原理： 基于监督学习，通过大量 “神经信号 - 行为” 配对数据训练，习得二者的对应规律，类似通过双语对照文本学习翻译规则。
- 代表工具：Transformer 架构（如神经数据 Transformer）、轻量型 RNN/MLP（如 Sani 等人开发的任务相关潜动态提取模型）。
- 技术细节：采用均方误差（MSE）或交叉熵作为损失函数，通过大量 “神经 - 行为” 配对数据训练，擅长处理复杂时序结构，支持多会话、多动物数据整合。
- 适用场景： 工程应用，比如脑机接口（让瘫痪病人靠大脑信号控制轮椅、打字），追求 “快、准、实时”。
- 优势与局限： 计算效率高、解码准确率突出，适配脑机接口等实时工程场景；但可能依赖生物学上不合理的特征转换，难以解释神经机制，存在 “黑箱” 特性。
生成式模型：大脑的 “数字孪生体”
- 核心功能： 不仅预测行为，还能还原大脑的 “思考过程”，比如模拟神经元怎么一步步协同，最终产生某个动作。
- 工作原理： 通过编码器提取神经信号的核心特征，再通过解码器重构完整的神经活动或行为表现，相当于 “复现整个过程”。
- 代表工具： 变分自编码器（VAE，平衡重构保真度与潜空间结构）、潜因子分析动态系统（LFADS，结合 VAE 与 RNN，推断试次特异性神经轨迹）、切换线性动态系统（SLDS，捕捉离散状态转换）。
- 技术细节：VAE 通过编码器映射潜变量、解码器重构数据，优化 “证据下界” 损失；LFADS 可整合多实验会话数据，生成合成神经信号；SLDS 能识别神经动态的模式切换。
- 适用场景： 神经机制研究，例如探索决策过程中大脑的权衡逻辑，核心追求对底层机制的理解。
- 优势与局限：能量化不确定性、支持虚拟实验（如扰动神经元观察行为变化），为机制研究提供工具；但重构指标可能与真实潜结构错位，模型复杂度高、训练成本大。
对比式模型：大脑的 “侦探”
- 核心功能：无需提前标注 “神经信号 - 行为” 对应关系，自动从海量数据中挖掘潜在关联，比如发现 “某种神经元放电模式总在老鼠逃跑时出现”。
- 工作原理： 通过定义 “相似样本”（如同一行为前后的神经信号）和 “差异样本”（如不同行为对应的神经信号），在特征空间中拉近相似样本、推开差异样本，逐步提炼核心规律。
- 代表工具： CEBRA（基于 InfoNCE 损失的时序对比模型），可通过时间邻近性或辅助标签定义正负样本。
- 技术细节： 以时间邻近性为天然正负样本依据（短时间内的神经信号为正样本，长间隔为负样本），或通过行为标签引导配对；训练后生成的潜变量具有高可识别性（不同训练结果呈线性相关）。
- 适用场景： 探索性研究，例如发现未被假设的神经编码模式，核心追求突破性发现。
- 优势与局限： 跨场景一致性好，能挖掘未知神经 - 行为关联；但时间窗口参数需手动调优，目前仅支持单一时间尺度建模。
06 模型科学评估的三维体系构建
传统模型评估仅关注解码准确率，而科学的评估体系需兼顾 “性能、可信度、可解释性” 三大维度，如同优质研究工具需同时满足 “好用、稳定、易懂”：
性能：核心指标的精准度
关键衡量标准：行为解码准确率 R²（如通过神经信号预测肢体位置的误差）、神经信号预测准确率 R²、对数似然（如基于行为反推神经放电模式的匹配度）。
可信度：结果的稳定性与鲁棒性
关键衡量标准：一致性（跨训练 / 数据的稳定性）、鲁棒性（抗噪声 / 缺失）、可识别性（线性可恢复）。
可解释性：机制的可追溯性
关键衡量标准：归因一致性（特征贡献可重复）、表征相似性（跨模态 / 个体对齐）。
此外，表征相似性分析、中心化核对齐、形状 metrics 等方法，可进一步量化不同模型的表示一致性，为模型选择提供客观依据。
07 混合目标与多模态建模的发展方向
综述指出，下一代 AI 脑 - 行为联合模型将朝着 “多模态、全链条、通用化” 方向发展：
- 全链条整合： 不仅关联 “神经信号 + 行为”，还将纳入生物力学数据（如肌肉收缩、关节运动），还原 “大脑→神经→肌肉→行为” 的完整调控链条。
- 多模态协同 ：借鉴视觉 - 语言模型思路，让 AI 同时处理视频、神经信号、文本描述等多类型数据，建立更全面的关联。
- 通用基础模型： 打造神经科学领域的 “基础模型”（类似 ChatGPT），通过预训练适配不同物种、不同行为的分析需求，无需针对单一任务重复训练。
08 核心挑战与突破方向
尽管 AI 技术已取得显著突破，脑 - 行为联合建模仍面临四大关键难题：
- 数据异质性： 神经信号（每秒上千次采样）、视频（每秒 30 帧）、肌肉信号（每秒几十次采样）的采集速率与噪声特性差异大，异步多模态数据融合难度高；
- 模型有效性验证：缺乏 “真实潜变量” 作为金标准，难以判断 AI 挖掘的 “神经 - 行为关联” 是否具有生物学意义，可能误将巧合模式当作核心规律；
- 可解释性瓶颈：大型复杂模型（如 Transformer）的输出结果难以与大脑实际神经回路对应，“黑箱” 问题尚未完全解决；
- 数据效率矛盾：自然行为场景下数据变异性大，需要复杂模型建模，但标注数据稀缺易导致模型过拟合。
09 AI 重塑脑科学研究的学术价值与未来图景
该综述的核心价值在于构建了脑 - 行为联合建模的统一理论框架与评估标准，明确了不同范式的适用边界，整合了从基础原理到工具应用的完整链条。其开发的 CEBRA、DeepLabCut 等开源工具已广泛应用于动物行为分析、神经机制探索，推动了 “AI 赋能神经科学” 与 “脑启发人工智能” 的双向发展。
对科研人员而言，综述提供了清晰的方法选择指南：工程应用优先判别式模型，机制研究侧重生成式模型，探索创新依赖对比式模型；对领域发展而言，它指明了从 “描述关联” 到 “揭示因果” 的突破路径，为脑机接口优化、神经疾病诊断等技术的临床转化奠定了基础。未来，随着混合目标模型与多模态基础模型的发展，有望发现神经计算的普适定律，彻底改变我们对大脑 - 行为关系的认知。
未来，随着技术的不断突破，我们有望像解析电路图一样清晰理解大脑的调控逻辑，这不仅将推动神经疾病治疗、脑机接口等领域的技术革新，还能为人工智能提供仿生灵感，助力开发具有自适应智能的人工系统，让 “读懂大脑” 的目标不再遥远。
10 Bayone 产品介绍
一湾生命科技 致力于通过 AI 技术，为脑科学及脑疾病研究等领域 提供新一代更高效、更精准的仪器、软件、服务和标准，与综述所倡导的 “AI 驱动脑 - 行为动态联合建模” 理念高度契合 —— 综述明确指出，精准的行为量化是揭示神经与行为关联的核心前提，而这正是一湾生命科技的核心技术方向。
我们专注于推动 AI 精细行为学技术在神经疾病模型研究中的应用，助力科研人员发现新的生物标志物、开展表型鉴定及愈后评估，完美响应综述中 “从层级行为分析到多模态数据融合” 的研究需求。综述系统梳理了姿态估计、层级行为拆解等关键技术突破，而一湾生命科技的 BehaviorAtlas 3D-AI 动物行为分析系统，作为国内首家 3D-AI 精细行为学分析系统，正是这些前沿技术的落地成果。
BehaviorAtlas 3D-AI 动物行为分析系统是国内首家3D-AI精细行为学分析系统 ，可以在三维层面分析动物的精细行为；追踪16+个身体点 ，实现行为全面量化；提取40+种行为亚型 ，包括嗅探、梳理、跳跃等行为；计算100+种参数 ，捕捉动物行为的每一个细节；输出专业级可视化图表，满足SCI论文发表要求。目前，BehaviorAtlas 3D-AI 动物行为分析系统已经在大、小鼠、非人灵长类动物、犬类等模式动物上，针对自闭症、帕金森症、抑郁症、老年痴呆、脑出血等疾病模型以及精神类药物筛选上进行了多种应用。在此，我们也感谢BehaviorAtlas 的用户对我们系统的关注和支持，希望 BehaviorAtlas 能够帮助更多的科研人员去解答生命科学中的难题。
如果您希望深入了解其在动物行为研究中的应用，或针对特定行为学实验定制分析方案 ，欢迎了解更多关于 BehaviorAtlas 3D-AI 动物行为分析系统 的信息！
如果您对 BehaviorAtlas 感兴趣，欢迎通过公众号私信或扫描下方的微信二维码联系我们，我们将竭诚为您提供更多信息和帮助。
参考文献：
————————————————
Mathis MW, Mathis A. Joint modelling of brain and behaviour dynamics with artificial intelligence. Nat Rev Neurosci. 2025 Dec 3. doi: 10.1038/s41583-025-00996-1. Epub ahead of print. PMID: 41339709.