AI 正在重塑神經科學實驗室——FENS Forum 2026 揭示未來十年研究路線

人工智慧不僅正在改變神經科學的研究內容，更在徹底改變神經科學的研究方式。

2026 年 7 月 8 日，國際神經資訊學協調設施（INCF）與《The Transmitter》將在 FENS Forum 2026 舉辦一場名為「AI 時代的現代神經科學實驗室」的研討會。議程陣容堪稱未來十年腦科學研究的路線圖，而它揭示了一個可能讓你意外的事實：AI 對神經科學最大的影響不在於分析腦部掃描影像，而是在於基礎建設——文獻回顧、數據策展、元數據生成，以及研究可重複性。

這場研討會將在 B 廳舉行，時間為上午 9:45 至 11:15，由《The Transmitter》首席評論編輯 Emily Singer 與 INCF 秘書處科學與培訓總監 Mathew Abrams 共同主持。四位講者、四個切入角度，共同回答一個問題：當 AI 嵌入工作流的每一層時，神經科學實驗室會長什麼樣子？

AI 改變神經科學的四大方向

一、大型語言模型作為人類大腦的計算模型

馬克斯·普朗克軟體系統研究所的 Mariya Toneva 提出了一個看似循環的問題：大型語言模型能否作為理解人類大腦如何處理語言的科學模型？

答案越來越是肯定的——但帶有重要的前提條件。

Toneva 的研究方向是透過神經記錄來「大腦調校」語言模型。方法在原理上很直接：當受試者閱讀或聽取文字時，透過 fMRI 或顱內電極記錄大腦活動。然後將相同的文字輸入語言模型，比較模型內部各層的激活模式與神經活動的匹配程度。當模型的表徵與大腦活動一致時，你就找到了計算層面的對應；當兩者出現分歧時，你發現了模型未能捕捉人類語言處理的某個環節。

這不只是學術練習。如果語言模型的內部表徵在某種程度上反映了大腦語言處理的架構，那麼研究模型本身就成了一種研究大腦的合法途徑——就像果蠅和小鼠作為生物模式生物一樣，語言模型成為了神經科學的「計算模式生物」。差別在於，你可以在幾分鐘內對模型進行實驗，而不是耗費數月。

臨床意義是真實存在的。更好的大腦語言處理模型可以加速我們對失語症、閱讀障礙以及雙語能力神經基礎的理解。Toneva 的框架也提供了一種評估方法，用於判斷 AI 系統不僅在外在行為上類似人類，是否也在底層計算原理上存在共鳴——當你為醫療應用建構 AI 時，這一區分至關重要。

二、計算知識生態系統

麻省理工學院 McGovern 研究所的 Satrajit Ghosh 正在建構每個神經科學研究者都想要卻很少有人能夠使用的東西：一個跨尺度、跨物種、跨實驗模態的統一計算知識生態系統。

問題的根源是結構性的，而且根深柢固。現代神經科學產生龐大的多模態數據——毫米級解析度的 fMRI 掃描、毫秒級解析度的 EEG 記錄、單一神經元放電數據、行為評估結果、基因表現譜——而這些數據大多分散在格式各異的孤立資料庫中。一位研究記憶鞏固的研究者可能需要整合小鼠海馬體研究、人類 fMRI 實驗和計算模型的數據，但光是整合工作就需要數月的客製化腳本撰寫。

Ghosh 的願景汲取自美國 BRAIN Initiative 多項計畫的工作經驗，他想要打造的基礎設施同時支援三件事：可重複使用的工作流程、可擴展的計算能力，以及持續改進的知識生成。關鍵字是「可重複使用」。與其每個實驗室都為每種數據格式撰寫客製化腳本，不如由共享生態系統提供標準化的分析流程，並且每次使用都能讓它變得更好。

把它想像成神經科學數據的 GitHub——但內建了計算能力。你不僅僅是下載一個數據集，而是在上面運行標準化的分析流程，將你的結果回饋到生態系統中，下一個研究者在不同數據集上運行相同流程時，就能受惠於你的改進。

三、AI 驅動的可重複性基礎設施

Senscience 的 Sean Hill 正在處理科學界最持久也最不起眼的問題之一：數據生成與數據再利用之間的鴻溝。

他的研究聚焦於語言模型如何從四個維度強化研究工作流——文獻回顧、數據策展、標註與分析。真正的實用價值在於具體的機制：

自動元數據生成。 當研究者上傳數據集時，語言模型可以自動生成結構化的元數據——實驗條件、樣本數、方法學細節、倫理審查編號——使數據可被他人發現和重複使用。人類閱讀方法論章節很容易理解，但要將其正式化為機器可讀的架構則相當繁瑣，這正是語言模型擅長的領域。

互動式數據入口。 取代沒人看的靜態補充文件，AI 驅動的入口讓研究者能以對話方式查詢數據集。「顯示所有反應時間超過 500 毫秒且刺激物為臉部的試驗」變成了一句自然語言查詢，而不是一段客製化的 Python 腳本。這大幅降低了想要重複使用現有數據但缺乏解析原始數據技術能力的研究者的門檻。

社群標準執行。 語言模型可以根據社群標準檢查數據集的格式、完整性和文件規範，在問題變成可重複性危機之前就將其標記出來。這相當於科學數據的 linter——在錯誤還很容易修正的時候就把它們找出來。

目標不是取代研究者，而是消除那些把好數據困在個別實驗室、無法被更廣泛社群使用的摩擦力。

四、為科學審閱建立 AI 評測基準

倫敦女王大學的 Rachel Parkinson 正在執行一個名為 MetaBeeAI 的計畫，以授粉者生態毒理學作為測試平台，評估 AI 輔助科學審閱的效果。

方法論的精妙之處在於其簡潔：將語言模型生成的文獻回顧和數據評估與人類專家的評估進行比較。當 AI 與專家意見一致時，驗證了方法的可行性；當出現分歧時，你學到了東西——可能是 AI 的局限性，也可能是專家共識本身比想像中更薄弱的領域。

這個計畫之所以重要，是因為它解決了「AI 應用於科學」討論中一個關鍵的空白。我們知道語言模型能寫出令人信服的科學文章，也知道它們能總結論文、提取發現甚至生成假設。但我們還沒有的，是能夠告訴我們那些文章是否「正確」的領域特定評測基準——不僅是語法流暢或結構完整，而是在科學上準確。

MetaBeeAI 正在建構的正是這種評測基準，從專家評估相對明確的領域開始（這種殺蟲劑是否降低蜜蜂覓食效率？），然後逐步擴展。他們開發的框架有可能成為評估整個生物學領域 AI 輔助科學審閱的標準。

這對於 AI 研究者意味著什麼

神經科學社群不僅是在採用 AI 工具，更在創造一個反饋迴路：神經科學啟發 AI 發展，AI 加速神經科學發現。

「大腦調校」方法透過將語言模型錨定在生物現實中，直接改進了模型架構。計算知識生態系統創造的訓練數據比從網頁上爬取的任何內容都更乾淨、更有結構、更全面。評測工作產生的評估框架超越了表面的流暢度，直指真正的科學推理能力。

對 AI 研究者而言，這意味著下一代模型可能會部分由神經科學數據塑造——不僅是訓練語料庫的層面，還包括架構設計、評估方法，甚至我們優化的根本目標。大腦用了五億年來解決資訊高效處理的問題。那些研究大腦實際運作方式——而不僅僅是借用表面架構靈感——的 AI 研究者，可能會找到純工程方法無法達成的捷徑。

更大的格局

FENS Forum 2026 研討會只是一場活動，但它代表了一個已經在進行中的更大轉變。曾經以硬體定義的神經科學實驗室——fMRI 儀器、電生理設備、行為測試場地——越來越以計算基礎設施來定義。擁有最佳 AI 數據整合、標註和分析流程的實驗室具有加速優勢，因為每一個新的數據集都讓他們的系統變得更聰明。

這不是未來預測，而是當前的軌跡，從每個主要神經科學機構的招聘模式和資金分配中清晰可見。計算神經科學家和 AI 工程師現在對實驗室成功的重要性，已經不亞於設計和執行實驗的實驗人員。

對於任何正在建構 AI 系統的人來說，神經科學社群的經驗預示了 AI 將如何改變任何數據密集的科學領域。模式是一致的：AI 從便利工具開始（自動化文獻搜尋、生成元數據），成為基礎設施元件（數據流程、品質控制），最終重塑研究問題本身（大腦調校模型、計算模式生物）。

早期擁抱這一轉變的研究者——將 AI 視為科學方法論中不可或缺的一部分，而非僅僅是工具——將定義下一個發現時代。而那些抗拒的人會發現自己還在手工管理數據，而競爭對手的 AI 系統已經在自動完成這些工作。

前進的方向已經很明確。唯一的問題是你決定以多快的速度跟上。