斯坦福数字大脑项目启动，播客对话Dan Yamins与Russ Poldrack谈脑基础模型与数据采集计划

本周，Wu Tsai Neuro 启动了斯坦福数字大脑项目，这是一项旨在构建人类大脑预测模型的宏大计划。

所以在今天的节目中，我们带来两段对话，让你快速了解这项新计划是什么以及它为何重要。

首先，我们将重温去年与 Wu Tsai Neuro 教职学者 Dan Yamins 的一段对话，内容是关于构建大脑数字模型的愿景。我们谈到了这类模型将如何让神经科学家在虚拟环境中检验关于大脑功能的假设，或为脑部疾病开发个性化干预措施，其速度远超实验室所能达到的水平。

然后，在节目的后半部分，我们将带来与认知神经科学家 Russ Poldrack 的对话，他是这项新计划的负责人之一，话题是真正建成这一系统究竟需要什么。我们谈到了目前正在开展的实验，这些实验旨在采集训练这些模型所需的大脑数据，以及为什么在任何人真正用这些数据构建出模型之前，收集这类数据本身就已经是一项了不起的科学事业。

查看全部节目

在 Apple Podcasts、Spotify、Amazon Music 及 更多平台订阅。

了解更多

• 斯坦福数字大脑项目将构建人类大脑的预测模型（Wu Tsai 神经科学研究所，2026）
• 构建大脑的预测模型（斯坦福 YouTube）
• 构建人类大脑的 AI 模拟（From Our Neurons To Yours，2025）
• 神经科学家利用 AI 模拟大脑如何理解视觉世界（Wu Tsai 神经科学研究所，2024）
• 大脑的 AI 模型可在研究中充当数字孪生（斯坦福医学院，2025）
• Yamins 神经 AI 实验室
• Poldrack 实验室
• Dan Yamins 的 Substack
• Russ Poldrack 的 Substack

节目制作人员

本期节目由 14th Street Studios 的 Michael Osborne 制作，声音设计由 Mark Bell 负责。社交媒体策略由 Julia Diaz 负责，Nathan Collins 参与额外编辑。我们的标志由 Aimee Garza 设计。节目由斯坦福大学 Wu Tsai 神经科学研究所的 Nicholas Weiler 主持，并部分得到 Knight 大脑韧性计划的支持。 

分享节目：

如果你喜欢我们的节目，请花点时间在你常用的播客应用上给我们留下评价，并与你的朋友分享本期节目。这正是我们节目成长、将神经科学前沿的故事带给更广泛受众的方式。 

联系我们：

我们想听听你的神经元的声音！如果你愿意协助一些听众研究，请给我们发邮件，我们会带着一些后续问题与你联系。

文字稿

Nicholas Weiler（00:11）：

欢迎回到 From Our Neurons to Yours，这是斯坦福大学 Wu Tsai 神经科学研究所的播客，我们带你走进脑科学的前沿。我是你的主持人 Nicholas Weiler。

(00:29):

最近在节目中，我们为大家带来了许多关于精神病学前沿的故事。我们了解到，像抑郁症这样的疾病，历史上主要根据外在症状来诊断和治疗，而非真正基于对大脑内部发生情况的深入理解。但神经科学家现在开始更具体地了解这些疾病所涉及的实际大脑网络。我们有了新工具，比如经颅磁刺激，或许能够将这些网络调回健康状态。

(00:59):

问题在于，正如我们可能已经提过一两次的，大脑很复杂，仍然很难确切知道在这个复杂系统中该靶向哪些回路，或者如何在特定个体中很好地靶向它们。研究人员试图弥合这一差距的一种方法是，构建整个系统的数字模型，其详细程度足以表示不同大脑网络如何相互作用，以便我们理解疾病中发生了什么，并预测特定治疗实际会产生什么效果。

(01:28):

大约一年前，我们与斯坦福大学的Dan Yamins讨论了这个想法，即如何构建一个基于大脑数据训练的人类大脑基础模型，就像大型语言模型基于文本训练一样。从那时起，Dan和斯坦福大学的一群同事已经从设想转向行动。他们在Wu Tsai神经科学研究所发起了一项名为斯坦福数字大脑项目的新计划，将构建这样一个模型。

(01:53):

所以今天我们决定为大家带来两段对话。首先是去年我们对Dan的采访，他为我们阐述了这个宏大构想，什么是大脑基础模型以及它为何重要。然后在本集的后半部分，我们将带来与新计划负责人之一、认知神经科学家Russ Poldrack的对话。在第二段对话中，我们深入探讨实际构建这个东西需要什么，目前正在进行的实验如何捕获训练这些模型所需的那种大脑数据，以及为什么收集这些数据本身就已经是一项非凡的科学事业，远在任何人真正用它构建出模型之前。

(02:32):

为了引出去年与Dan的对话，我们刚刚在节目中与Laura Gwilliams进行了一次关于ChatGPT等大型语言模型并将其与我们大脑进行比较的对话。所以我首先问Dan，将他设想构建的东西与我们都已经习惯的这些大型语言模型进行比较是否恰当。

Dan Yamins（02:55）：

是的，我认为大型语言模型的类比相当不错。这个想法是捕获大脑数据，不是任何个体的记忆之类的数据，而更多是来自大脑的信息处理、决策和大脑回路等过程，并将这些捕获到模型中，有点像大型语言模型底层的模型，但现在经过训练，可以对人类大脑的某些过程做出预测并加以模仿。

Nicholas Weiler（03:30）：

所以那里的想法是，大型语言模型是在大量文本上训练的，然后它们可以从基本上任何输入泛化到合理的输出，而这个模型将在大量大脑数据上训练，它同样可以泛化，可以给你洞见并预测大脑在任何给定情况下会做什么？

Dan Yamins（03:53）：

我认为那是理想状态。它是否真的能做到还有待观察。大型语言模型在预测方面绝对不完美，所以我认为我们在这里很可能也不完美。但目标是迈出第一步，尝试在神经网络模型中捕捉大脑处理的模式。再说一次，不是像任何具体个人之类的东西，那在现阶段会远远超出我们的能力，而只是更基础地尝试捕捉大脑如何处理视觉输入、如何处理音频输入、如何对你移动四肢的方式排序，以表达你对你可能看到或听到的不同事物做出反应的决策，或实现某些目标。

(04:41):

这些算法目前可以说是写在大脑里的。大脑实现信息处理以及运动决策、记忆、注意以及诸如此类各种事物的过程和算法。大脑实现了这些。我们想要制作这些算法的主动副本。它不会是完美的副本，但它将尽我们所能，成为一种记录，并成为一个可运行的预测模型，对应大脑中有效实现的算法。这就是目标。

Nicholas Weiler（05:11）：

我很喜欢这个想法：“这是不是一种我们可以捕捉大脑正在运行的算法是什么或有哪些算法的方式？”我很想和你更深入地探讨细节。但首先，为什么是在神经科学的这个时刻，人们会用这样的模型做什么？

Dan Yamins（05:26）：

嗯，我们想做这件事的关键原因在于，不同于某种直接的 AI 目标，我们感兴趣的是帮助满足人类的需求。人类有真实的大脑，这些大脑通常运转得很好，但有时我们希望能有效地修复它们的一些问题。所以，以某些神经精神疾病的形式，以仅仅理解大脑如何运作从而帮助保持其健康的形式，核心目标是采用这种模型，帮助我们基本上实现生物医学成果。我们希望能够把该模型、这个数字大脑用作神经生物医学发现和诊断设计平台。

Nicholas Weiler（06:10）：

在我看来，从我们一直在交谈的所有人那里，神经科学中存在这样一个交叉点：我们正更好地理解大脑中某些回路如何运作，或者至少哪些回路似乎与某些疾病或大脑功能相关。我们也在开发越来越好的工具来刺激或抑制大脑回路，本质上就是把那些回路转向更健康的功能。所以现在看起来，你所说的这个 AI 组件、这些基础模型，也许给了我们这里的联系，让我们可以说：“那么，如果我们做了这种特定类型的刺激会发生什么？我们预期大脑会如何对此作出反应？这将如何影响大脑处理感官输入的方式或影响行为？”

Dan Yamins（06:57）：

是的，正是如此。所以如果你有一个数字大脑，它不会有性格之类的东西，但它能做到的是，你可以给它看图像，或者让它听声音，你可以让它发出运动指令，做大脑相当于移动手臂的事情。你可以让它分析它会如何记住某件事，或者它会关注什么。凭借这一点，你可以这样说：“好吧，假设我想问，‘大脑对一组诊断刺激的预测反应是什么，比如针对ADHD、癫痫或抑郁症？’”你可以用这个模型做出这些预测，而不必对任何真实的个体做任何事情，这样基本上你就可以快速、低成本地进行大量测试，并能够以更有效的方式分析来自个体的真实数据。

(07:50):

同样地，如果你想模拟一种精神科药物的效果，你可以问：“好吧，看，我们可以测量精神科药物是如何起作用的，”然后我们可以问：“就大脑处理信息的方式而言，这意味着什么，并做出预测，好吧，事后看来，如果我们用了这种药而不是那种药，或者如果我们根本没用任何药，会怎样？”这可以让我们基本上对大脑结果进行模拟，而不必真的占用人们的时间、精力和能量在实验室里做这些事情，而且这样做也相当具有干扰性。因此，大脑模型可以帮助我们以低成本和灵活的方式将这些过程自动化。

Nicholas Weiler（08:28）：

对。这让我想起Laura Gwilliams告诉我们的一个想法：有了语言模型，你实际上可以进入模型底层的计算神经网络架构，停用一些神经元——数字神经元——并观察效果，做这些数字损伤实验。所以我想象在这里也可以有类似的东西，你会说：“好吧，我们现在基本上已经下载了算法，”正如你所说，“或者也许把算法逆向工程成了这个数字模型。现在我们有了一个可以用作模型的系统，”再次像Laura所说的，一个模型生物。它是一个数字模型生物，你可以进入其中，拥有多得多的控制力，多得多的能力去修改任何你想要修改的东西，看看那会如何影响事物，无论是理解这些回路正常情况下在做什么，还是测试潜在疗法。

Dan Yamins（09:21）：

正是。是的。我的意思是，大脑就像一个网络，对吧？所以当你把信息输入进去时，它会通过系统不同部分引发一连串反应。而且在输出端，如果你沿着链条往回追溯，你可以看到事物来自哪里。基本上，数字大脑模型让你能够模拟这些通路，并从中学习到很多。例如，我不知道人们是否熟悉TMS技术，即经颅磁刺激。这是人们目前用来治疗难治性抑郁症的一种技术。那是一种设备，基本上向大脑的某个部分施加非常温和的磁脉冲，这似乎真的有助于重置一些神经回路，帮助人们从抑郁症中恢复。但这些工具虽然非常新颖、非常令人兴奋，人们目前却不知道如何准确地定位它们。

Nicholas Weiler（10:13）：

对。

Dan Yamins（10:14）：

那么，配置 TMS 设备以实现最佳效果、同时将干预降到最低的最优方法是什么，这是人们非常希望能知道如何去做的事情。一个模拟器模型，基本上就是一个数字大脑模型，可以用来支持这种最优治疗方案的设计策略。基本上，你想要的是耗时最少、对大脑干扰最小的治疗，同时又能真正有效地帮助重置神经回路，让人们摆脱抑郁循环，TMS 在一定程度上已经做到了这一点，但还有太多工作要做，才能把这些东西聚焦起来，以我们所能做到的最微创、最有效的方式真正帮助人们。

Nicholas Weiler（10:56）：

我很喜欢你用的“大脑模拟”这个说法。我觉得这是一种非常直观的思考方式。你是在模拟大脑可能如何运作。我想明确一点，作为一种全脑范围的模拟，这种东西目前还不存在。我知道你一直在谈论这个，斯坦福的 Andreas Tolias 等人也在谈论。我想稍微探讨一下这个问题：好吧，你会如何构建这样的东西？

(11:21):

但首先，也许是为了确保听众理解我们在谈论的是什么？什么是基础模型？这种生成式模型是什么？它会如何运作？我想知道，回过头去谈谈你多年来一直在做的大脑建模，以及神经科学家多年来在计算神经科学中所做的工作，是否有意义。你上次和我谈话时提到了一点，就是你观察到，当你训练计算神经网络模型执行某项任务时，它们表现得越好，它们的表现越像人类或越像大脑，这些模型的实际活动就越开始看起来像大脑中的等效活动。我想知道，从这类模型——神经科学已经使用了几十年的那类模型——到我们现在谈论的基础模型，即过去几年出现的这类架构，你跨越的是什么？

Dan Yamins（12:23）：

好吧，过去 10 年里真正令人兴奋的一件事是，最初为执行任务而创建的人工智能模型——视觉识别、听觉识别，甚至语言任务——已被证明是已知支持这些任务的大脑区域的相当好的定量模型。这在一定程度上一直是这个新兴的神经 AI 领域（神经科学 AI）的核心驱动成果。来自人工智能的模型最终成为大脑数据的惊人良好的定量预测器，其内部机制也是如此。基本上，你有一个神经网络，它被训练来执行某项任务，比如输入一张图像并报告出关于该图像的某些信息，比如其中某些物体的类别。

Nicholas Weiler（13:10）：

“这是猫还是狗？这是汽车还是建筑？”

Dan Yamins（13:13）：

是的，“这是猫还是狗？”或者，“猫在哪里？”或者，“狗是什么姿势？”或者，“手是什么姿势？”或者其他问题。人们在计算机视觉中尝试解决许多不同的任务。总之，事实证明计算机视觉模型具有内部层、状态之类的东西。你可以问，这些内部层在预测大脑中部、即执行该任务的大脑内部区域的神经反应方面有多好？而事实证明，也许令人惊讶的是，AI 模型在一种细粒度的定量方式上是相当好的大脑模型。

Nicholas Weiler（13:47）：

那么，人工神经元似乎表现得有点像生物神经元？

Dan Yamins（13:51）：

是的，没错。

Nicholas Weiler（13:52）：

或者也许计算在某种程度上是相似的？

Dan Yamins（13:54）：

关于计算相似意味着什么，有很多争论。所以我回避这种说法，但我要说的是，你可以像我们通常那样测量大脑数据，即测量神经元对刺激或在不同的条件下的反应，并且你可以把神经网络当作候选大脑来测量。然后你可以定量地问，AI 模型在描述大脑数据方面有多准确？而实际上，事实证明，好的 AI 模型是当今对真实大脑最好的、最先进的定量模型，远远领先。尽管它们没有以任何直接的方式在任何大脑数据上训练过，它们最终学到的东西使它们的内部结构在相当强的程度上、以相当好的可映射方式看起来像大脑的不同部分。

Nicholas Weiler（14:39）：

这是否向你表明，也许存在一种最优的方式来做到这一点，即大脑和 AI 模型正在趋同于完成这个特定任务的最佳方式？

Dan Yamins（14:50）：

是的。这表明，对于大脑需要完成的任务，并没有太多不同的解决方案。换一种说法，从进化意义上讲，大脑受到行为的强烈约束。所以作为人类，我们做很多具有挑战性的事情作为工作，你必须把这些工作做好。而可能的解决方案类型并没有那么多。所以如果你弄清楚了如何用 AI 解决它，那么你最终基本上不得不偶然发现类似大脑的解决方案。因此，这在某种程度上是一种趋同进化的原理。我认为这已被证明是人工神经网络与真实大脑之间联系的一个相当强大的驱动力。这是神经 AI 领域的核心基础原理。这就像是数字大脑工作能够真正蓬勃发展的前提条件。

Nicholas Weiler（15:39）：

那么跟我讲讲那个转变。我们是说，如果你训练一种通用 AI 模型，它有神经网络，在某种程度上是许多这类网络的基础架构。如果你训练它做任务，它开始看起来更像大脑的运作方式。那么跟我讲讲跃迁到现在，让我们实际上用真实的大脑数据训练那个模型。让我们专门训练它表现得像大脑。你谈论的这些模型有何不同，这给我们带来了什么额外价值？

Dan Yamins（16:08）：

嗯，你之前提到，当你和Laura交谈时，你了解到大型语言模型在某种程度上就像潜在的模型生物，但这些模型并不完全像大脑。我本来想打断你，但决定不这么做，不过我本来想问你，你怎么知道它们不像大脑？

Nicholas Weiler（16:24）：

对。

Dan Yamins（16:24）：

我的意思是，它们可能并不完全像大脑。这完全正确。但实际上，解读我刚才告诉你的关于神经AI的一种方式是，通过完成一项AI任务，你会得到惊人地像大脑的东西。而事实上，人们已经证明，LLMs是当今我们拥有的关于大脑语言区的最佳模型，远超其他。所以某种程度上，AI模型确实有点像大脑，但它们当然并不完全像。它们当然不是，除了它们是在硅基上运行等等之外，它们被优化的目标可能相当不同。大脑是由进化、由社会互动以及所有这些现实世界中的不同事物在亿万年间有效构建而成的。

(17:01):

AI模型也有某些相同的约束。它们被优化，它们被学习以某种方式解决类人的任务。预测网络上的文本在某种程度上包含了一些社会成分，包含了对世界的描述以及所有这些内容。所以这与大脑被训练的方式可能并非完全不同，但绝不是相同的。因此，从训练一个网络来解决任务，然后问它的神经网络内部是否像真实的大脑，到直接在大脑数据上训练神经网络，这个跨越就像是从理论科学走向经验科学的跨越。

(17:41):

当我们发现解决任务的神经网络看起来像大脑时，这给了我们一个关于大脑的理论。它表明大脑在某种程度上就像是我们发现神经网络擅长的那个任务所优化的样子。这真的很酷，非常令人兴奋，因为它告诉我们一个关于大脑为何如此、神经元为何如此的底层原理。但它没有做的是直接优化我们在大脑中真正发现的东西与神经网络之间的连接。这意味着这些模型作为正确的大脑模型存在一些局限性。自然会有。所以你所谈论的那个跨越，是试图通过直接建立那种联系并让模型尽可能像大脑，而不是专注于一个AI任务然后事后看它作为大脑模型有多好，来弥合那个差距。

Nicholas Weiler（18:28）：

这很有道理。所以我现在想回到我之前提出的那个问题。正如你所描述的，这作为一个整体并不存在。我认为其中的一些部分正在推进中。人们正在研究视觉系统或大脑其他系统的生成模型或基础模型之类的东西。要真正实现这一点需要什么？一个这样的模型需要包含什么才能变得有用？

Dan Yamins（18:53）：

嗯，正如你所说，其中一些片段一直是人们一直在研究的东西。整个神经 AI 领域在过去 15 年里一直在构建大脑不同部分的模型。要将其推进到这种更加生物学直接的关联，真正需要的是更多的大脑数据。我们一开始没有直接与大脑数据进行匹配的原因，正是因为我们根本没有足够的数据来做到这一点。所以人们可能熟悉这样一个概念：训练神经网络需要大量数据，对吧？大型语言模型实际上是在比任何一个人一生所见多出很大比例的文本数据上训练的，比如多出 10,000 倍左右。因此它们的模型非常渴求数据。我不认为我们提议在大脑数据上达到互联网的规模，那会很困难。

(19:38):

但我们现在所处的情况是，大幅扩展大脑数据收集的能力正在蓬勃发展，并以许多非常令人兴奋的方式发生。所以想法是收集这些数据，并且对迄今为止处于中等规模的现有模型进行更大规模的扩展，这是弥合这一差距的非常重要的一环，即从人们那里获得足够的数据，使模型有机会——正如我所说，不是像任何个体那样，而是捕捉到人们共同特征的足够信息，从而可以将其用作我前面提到的生物医学用途的模拟器。

Nicholas Weiler（20:13）：

我们谈论的是拥有一个庞大的队列，包含 fMRI 数据、其他类型的数据，而且可能还必须包括人们在看什么、他们在看什么样的视频、他们在做什么样的行为？所以我想我的问题是，这需要多么全面，才能捕捉到你感兴趣的那个算法的本质？

Dan Yamins（20:37）：

这是个好问题。我们会尽量做到尽可能全面。我们基本上想从高分辨率 MRI 记录以及另一种叫做 MEG 的技术中收集数据，MEG 有点像在头上戴一顶磁性帽子，是一种非侵入性技术，用于记录大脑的高频时间信号。因此，在 MRI 数据和 MEG 数据之间，你可以相当好地三角定位出反应是什么。正如你所说，那些会来自愿接受大脑记录的受试者，就像现在很多人所做的那样，会进入这个实验，被记录下来，只是观看刺激、做基本的视觉、听觉、记忆、注意力任务、运动任务，这些只是日常生活中的活动类型。

(21:26):

当然，我们希望它尽可能全面。所以我们针对的是作为人类似乎很容易的事情，比如理解你看到的东西，理解你听到的词语，能够移动手臂去抓东西、打开瓶子之类的，或者记住你刚听到的一些基本东西，而不是真正作为人类困难的事情。所以我不认为我们的模型会在复杂决策能力方面与真实人类相媲美，比如应对重大生活事件之类的。所以我们不是针对那种复杂程度，但在稍低一些的复杂程度上，相当全面。

Nicholas Weiler（22:07）：

但你大概能看出，看一部悲伤的电影会让你感到悲伤，对吧？

Dan Yamins（22:12）：

正是如此。

Nicholas Weiler（22:13）：

那么这些东西之间有什么联系呢？

Dan Yamins（22:15）：

对，正是如此。所以这些本质上是对人类而言稍微更自动一些的东西。我不认为我们能利用这个模型来当治疗师之类的，但我们或许能够用它来检测一些你会用来思考日常生活的核心要素。

Nicholas Weiler（22:36）：

我们时间快到了。我很想听你用大约一分钟的时间为我们描绘一下，10 年或 20 年后，当我们拥有了这些大脑基础模型、这些大型大脑模型时，运营一个神经科学实验室会是什么样子。

Dan Yamins（22:52）：

目前，神经科学正从一种由单个实验室驱动的、前理论阶段的科学，转变为一种更成熟的科学：一个观察的结果会强烈约束其他结果，项目规模也开始超出任何单个实验室所能完成的范围，而且你的理论与实际数据之间紧密耦合——这里的理论是基于神经网络的理论，而数据既包括你收集的数据，也包括你为弄清下一步该做什么而设计的实验。所以我希望发生的情况是，也许在未来 5 到 10 年，更多神经科学实验室会使用共享模型，并以更自组织但协作的方式为这些共享模型的创建贡献数据。

(23:47):

我还认为，人们提出的问题会更多地以将神经网络用作大脑假设的方式来表述。因此，理论可以先被用来提出关于你认为大脑如何运作的有趣问题，并以一种理论和预测的方式加以检验，而不是先获取数据再提出假设。我认为这会开始朝相反的方向转变一些。然后，也许对我来说最令人兴奋的是，我认为神经科学长期以来一直与其最终应用相当脱节。从长远来看，神经科学的全部目的就是有效地帮助人们的大脑。

Nicholas Weiler（24:24）：

对。我们都有大脑。我们希望它们运转良好。

Dan Yamins（24:26）：

我们希望保持它们健康，也希望它们运转良好。所以我认为，真正利用神经科学实验和模型来帮助进行治疗、诊断之类的事情，我认为这会开始变得更加现实。我希望这将成为最大的成果，因为那才是整个事业的意义所在。

Nicholas Weiler（24:44）：

太好了。Dan，这是一次非常引人入胜的对话。我很想继续聊下去。我想今天时间到了，但我很希望你能再来，继续讨论这些问题。非常感谢你的参与。

Dan Yamins（24:53）：

好的。非常感谢邀请我，也感谢你提出这么好的问题。

Nicholas Weiler（25:01）：

那是我去年与 Dan Yamins 的对话。正如我在开头提到的，我们现已在 Wu Tsai Neuro 启动了斯坦福数字大脑项目，以将这一愿景变为现实。这是一项艰巨的努力，汇集了来自校园各处的科学家，以采集迄今为止最详尽的人脑活动自然状态画像。

(25:21):

为了讨论目前的进展，我邀请了项目负责人之一 Russ Poldrack 来参加节目。Russ 是神经影像领域的专家。他是心理学系主任，也是斯坦福开放与可重复科学中心的负责人，并且深度参与了框架的构建和这些数据采集工作的组织。我首先请他向我们介绍一下团队正在规划的成像实验的规模。

Russ Poldrack（25:48）：

它在几个方面都很有雄心。其一是我们计划记录的数据量。我们现在正在筹备第一轮数据采集活动，目标是每人成像约 100 次，既使用高场功能磁共振成像，也使用名为 OPM-MEG 系统的脑磁图技术。已有研究对个体进行过超过 100 次的成像，比如 MRI。十年前我自己就做过一次，其他人也做过类似的事情。但即便是这一轮活动，据我所知，还没有人从个体身上以如此规模采集过这类数据。而这只是我们希望开展的约 10 轮活动中的第一轮，这些活动将考察心理功能的不同方面。因此，如果我们成功了，我们将拥有一个比现有任何数据集大几个数量级的数据集。

Nicholas Weiler（26:51）：

我想回到你正在结合使用的这些不同技术上，以及它们将教会我们什么。但看起来这些单项实验也会有些不同寻常，不像你可能从普通的认知神经科学实验中预期的那样。你能向我们描述一下这些实验实际上会是什么样子，以及它们与我们在大脑成像实验中经常看到的有何不同吗？

Russ Poldrack（27:16）：

当然。也许我先说说我们通常如何对人进行大脑成像实验，那就是把他们放进扫描仪里，然后给他们通常非常简化的任务。例如，我们可能会向他们展示单张图片，让他们说：“这是你之前见过的图片吗？”诸如此类。在我的实验室里，我们可能会让人选择动作，并偶尔让他们停止。但我们构建的实验受到非常严格的控制，目的是能够就特定大脑系统在实验过程中任一时刻可能在做什么提出非常具体的问题。

(27:49):

但是，为了构建我们希望通过这项研究得到的那类模型，我们需要一种不同类型的实验，这种实验要尽可能广泛地考察人类经验的各种形态。因此，我们不再想要在控制刺激方面把条件卡得很紧，而是真正想要给人们尽可能多样化的刺激，这样我们才能真正描绘出人类经验的范围，使我们的模型能够涵盖整个范围。因为如果模型只看到人类经验和人脑活动的一小部分，那它们就只能对那一小部分进行建模。所以我们需要能够捕捉广泛的范围。

(28:28):

我们要做的第一个实验是给人们看视频，让他们完成不同的任务，有时是需要注意屏幕不同部分的任务，有时是需要对先前图像进行某种记忆的任务，还会让他们有可能描述所看到的图像。你可能观看的视频种类非常广泛，我们现在正试图挑选能够真正覆盖这一范围的视频。而且你可能出于不同的原因观看不同的视频，我们想要捕捉人们可能用视频做的不同事情，而不是只让他们在一组受到严格控制的视频上做一个非常具体的孤立任务。

Nicholas Weiler（29:07）：

是的，这看起来非常巧妙。我一直在思考这个问题，我的意思是，你可以把视频看作是在现实生活中看东西的替代品，但即使你只把它看作是我们都会花时间看视频，我会知道，“我以前看过这个吗？”所以这里有一个记忆的方面，然后，“我需要记住这个视频，以便以后能描述它。”所以还有学习和记忆的另一个方面。然后是它给你的感受，其中有情感方面，也许还有你选择性地记住了它的什么。然后是语言部分，你实际上在描述这个东西，所以把你的经验和记忆转回语言和描述。

(29:44):

所以看起来它将会激活所有这些不同的网络。这正是Dan去年向我们描述这些模型的想法时谈到的，构建对大脑中正在发生的事情的整体理解的部分挑战在于，我们一直在研究的所有这些不同的大脑网络和系统一直都在活跃。它们都在相互影响。所以这试图探究的是，我们能否看到这些网络如何相互参与和互动，从而知道如果这个上升，是否会对大脑中的另一个系统产生下游影响？我理解得对吗？这是这里想法的一部分吗？

Russ Poldrack（30:22）：

是的，我们希望把大脑活动作为一个整体来看待，并理解它如何与人的经验中发生的事情、他们采取的行动种类相关联，最终目标是能够接受一个人所拥有的任何类型的经验，并预测他们在经历该经验时随时间变化的大脑活动模式。这就是这个模型的最终目标。

Nicholas Weiler（30:48）：

所以我知道你可能非常专注于让第一组实验顺利开展。你能让我们了解一下，你提到的这种更长期的系列研究将如何在此基础上展开吗？我知道你的团队对认知控制之类的东西感兴趣，而我并不认为这会深度参与第一组实验。那么，你计划开展的额外实验如何为这同一个基础模型增添不同方面的内容？

Russ Poldrack（31:12）：

是的，不，我们已经在考虑下一批研究将是什么了，我们希望下一批研究或许能让人们在接受扫描时做出更广泛的一整套决策。人们已经使用了一段时间、而我们现在正在大量思考如何加以利用的一个显而易见的平台，就是各种类型的电子游戏、模拟，以及人们经常为了娱乐而做的事情。如果你在玩一个涉及在某个空间中导航的游戏，或者你在使用驾驶模拟器，我们有各种方式可以让人们参与一整套非常广泛的行为，然后观察他们在所有这些不同类型的决策情境中，大脑系统如何激活和反应。

Nicholas Weiler（31:59）：

再说，谁不想躺着进扫描仪打电子游戏还能拿钱呢？听起来很棒。

Russ Poldrack（32:04）：

正是。

Nicholas Weiler（32:04）：

嗯，你将会对这些研究参与者提出相当多的要求。我感兴趣的一点是，计划是在相当少的人身上做这件事。我想知道，这是否是因为你会对每个人提出很多要求，而你未必能在100个人身上做到这一点？还是说这里还有别的什么原因，也许我们并不需要非常大的一组人？通常我们需要，因为我们需要统计功效，但我很好奇，这是实验设计带来的限制，还是说这也许是你设计这些实验方式的一个特点。

Russ Poldrack（32:38）：

这既是限制也是特点。它主要是一种限制，就吞吐量而言。所以如果我们有10台MRI扫描仪和一大群每天都能跑被试的人，那么理论上我们可以在一年内从100个人那里获得100次扫描。但尽管这是一个庞大的项目，它仍然受到诸如MRI扫描仪可用性之类因素的限制。所以现在的目标是在一年内，让大约10个人在每种模态——MRI和MEG——上各接受大约100次扫描。这意味着如果每次扫描大约一小时，他们就需要每周来大约四小时，进行两次MRI扫描、两次MEG扫描。所以这对将要参与的人来说是相当重大的投入。我们会为他们的时间付费，但这确实需要真正的投入。

(33:34):

我们关注个体的另一个原因是，尽管人类在大体上拥有相同的大脑组织，但每个人内部都有精细的组织结构。我们所知道的是，如果你把一群人放在一起，你会看到整体图景，但你看不到我们真正需要的那些细节，而这些细节对于做出关于个人的决策是必不可少的。例如，我们可以设想有一天在脑部疾病的背景下，你真的需要能够构建针对个人的模型。所以这就是为什么需要为每个人获取足够的数据，以便为这些个体构建真正稳健的模型。现在的想法是，一旦我们在若干人身上拥有了这些模型，我们就可以开始利用这些现有模型来适应新的人，而不一定需要那么多数据。这是最终希望。

Nicholas Weiler（34:28）：

在我们继续之前，Russ，你用了“针对个人的模型”这个说法，我想了解一下你指的是什么。我不想给人留下这样的印象，以为我们在谈论把某人的大脑上传到数字模型之类的事情。

Russ Poldrack（34:41）：

不，这是个好问题。目标实际上是开发能够预测大脑活动的模型。我们可以基于许多人的数据构建一个模型，这些模型在预测任何新人的数据方面还算可以。但如果我们想要能够真正精确地预测特定个体大脑活动的模型——比如出于临床目的——那么我们就需要使用那个人的大量数据来生成那个模型。所以当我说针对个人的模型时，我并不一定是指一个关于那个人在想什么的模型。我指的是一个试图基于那个特定的人尽可能好地预测大脑活动的模型。

Nicholas Weiler（35:25）：

对。整个想法的一部分是，我们不想提供通用的脑刺激。我们最终想要提供的是针对你特定大脑以及我们希望它表现更好的位置的刺激。这让我想起几个月前我们在节目中与你的同事Cory Shain的对话，当时我们讨论的是试图理解负责语言的脑网络，结果发现如果你对很多人取平均，你就会错过一个事实：语言网络不同组件所在的位置实际上存在个体差异，这些差异会在平均中丢失。人与人之间在这些网络如何运作以及某种语言处理可能发生的具体位置上存在变异性。所以如果你对太多人取平均，你实际上有丢失个体信息的风险。

Russ Poldrack（36:20）：

是的，这正是这里的理由。我们认为，我们确实需要这么多数据，才能构建那些针对个人的模型。

Nicholas Weiler（36:28）：

所以你提到了这两种将用于这些实验的不同成像技术，而且每位参与者都要在两种设备上完成所有任务。有fMRI，还有这个OPM-MEG。如果我没理解错的话，这两种仪器都属于世界上同类中最先进的设备，而且我认为它们以前从未以这种方式结合过。所以我很想听两点。第一，如果你能给听众简单回顾一下这两种不同的东西分别在测量什么，然后帮我们理解为什么把它们结合起来对这个数据集以及你将构建的模型会如此有价值。

Russ Poldrack（37:04）：

当然。好的。MRI系统和MEG系统都是用来测量大脑活动的，但它们的测量方式非常不同。MRI系统，我们称之为超高场MRI系统。磁体强度为7特斯拉。如果你去医院做个膝盖之类的MRI扫描，大多数扫描仪要么是1.5特斯拉，要么是3特斯拉。所以这是一个强得多的磁体。它的作用是让我们能获得精细得多的分辨率，能看到大脑中活动发生的位置，精细到一毫米级别甚至可能更小。MRI能帮助我们在相当高的空间分辨率下看到整个大脑。因为MRI测量的是血流。血流响应相对较慢，它在几秒钟内才显现出来，而神经元的实际活动大约发生在50毫秒内，时间尺度快得多。

(38:02):

而MEG的作用就是让我们能测量那个。它实际上是通过这个系统来测量的，这个光泵磁力仪系统。它基本上就是一堆小传感器，就放在头部外面。就像戴上一顶小头盔。每一个都在测量磁场的微小变化。基本上发生的情况是，当大脑中的神经元放电时，它们以协调的方式放电，产生这些电场，而任何电场都有伴随的磁场。这些都非常微小。它们比地球磁场小很多个数量级。但利用这项技术，把一个人放在一个磁屏蔽非常好的房间里，我们实际上能以非常快的时间尺度感知大脑活动。所以现在我们可以以毫秒级的时间尺度看到活动。它在空间定位上就没那么好了。所以这两种工具可以说是非常互补的，因为它们分别落在高空间分辨率与高时间分辨率这一权衡的不同位置上。

Nicholas Weiler（39:07）：

是的。只是为了让大家有个概念，我们说的是空间上的毫米级分辨率和时间上的毫秒级分辨率，那个毫秒级的时间分辨率已经非常接近神经元实际放电的速度了。为了确保说得清楚一点，你测量的那些立方毫米里可能有数千个细胞，因为神经元比那还要小。

Russ Poldrack（39:29）：

没错。大概有10万个左右。

Nicholas Weiler（39:32）：

对，大约10万个。所以你未必能细化到单个神经元的层面，但这可能也不是你所需要的。我们想理解的是参与其中的网络、各个不同的部分，而不是去理解这个神经元连接那个神经元之类的事情。那么，这对基于这个数据集构建实际模型来说，重要之处在哪里？

Russ Poldrack（39:55）：

是的。因为这两种技术基本上为我们提供了观察大脑的不同视角，我们认为，只采用其中一种视角，无法获得关于大脑如何运作的真正可靠的图景。例如，如果你是天文学家，你可能想观察来自天空的可见光，或者你可能想观察来自天空的红外光，它们会告诉你不同的信息。同样地，在这里，这两种不同的测量方法会告诉我们关于大脑如何运作的不同信息。而且我们相当确定，其中任何一种单独使用——因为每种工具都有偏差和伪影，会给图像带来某种影响——以至于当你用某一种工具看到某些东西时，你永远无法完全确定：这真的存在，还是由于图像中的某种伪影，或是该方法的某种已知偏差造成的？

Nicholas Weiler（40:45）：

对。这只是MRI的问题吗，是MRI有时会出现的伪影吗？

Russ Poldrack（40:50）：

正是。如果你能把两者结合起来……例如，有一个人们非常感兴趣测量的东西，它基本上与大脑中发生了多少兴奋有关，比如有多少神经元被激活，以及有多少抑制。我们称之为E-I平衡，即兴奋-抑制平衡。你可以尝试用功能性MRI或MEG来测量它，但每一方都存在是否能得到正确答案的疑问。如果你能把它们结合起来，那么只要它们告诉你相同的结果，你就可以更加确信你已经抵消了双方的问题。

Nicholas Weiler（41:23）：

对。有趣的是，这是两种基于磁的技术，但它们测量的是完全不同的东西：MRI测量的是这种缓慢的血流信号，我们理解它与大脑的响应有关。当某个区域活跃时，它需要向那里输送更多血液，为大脑的那部分提供更多氧气。这会在几秒钟内发生，但它是大脑活跃位置的可靠指标。而就OPM-MEG而言，正如你所说，它测量的是由大脑电信号引起的那些极其微小的磁波动。

(41:56):

我是说，它们非常微小，我们刚刚在我们的网站上做了一篇相关报道，我们在Wu Tsai Neuro的一个社区实验室安装了这套新系统，不得不建造整个——我想是13,000磅的磁屏蔽室，室中室，来保护这个极其灵敏的设备免受地球磁场的影响，免受从房间外经过的公交车的影响，否则就不可能测量这些极其微小的信号。

(42:24):

这是一个非常酷的系统。我不知道有没有人见过MEG，通常它是一个巨大的头盔状装置，里面装有超导冷却传感器，基本上能占满半个房间。而这个只是一个小巧的头戴设备，戴在头上，我相信最终它甚至能让人站起来四处走动。所以，能把这两个前沿系统结合起来，真的非常有意思。

(42:48):

在结合这些系统的过程中，正如我们所说，你们收集的数据集在范围和深度上将是独一无二的，堪称绝无仅有。而且你们将公开与科研界共享所有这些数据。能否谈谈这将如何运作，以及你设想科研界的其他成员会如何使用这些数据？

Russ Poldrack（43:09）：

是的。我和我的实验室长期以来一直是神经影像数据共享的坚定倡导者，并搭建了大量基础设施，既包括数据格式规范，也包括一个名为OpenNeuro的平台，人们可以在那里获取大量共享的神经影像数据。所以我们已经有丰富的经验，也知道该怎么做。这个数据集的一个特殊之处在于，对于我们成像的每个人，都有大量关于这一个人的数据。因此我们需要确保能够保护他们的隐私，确保数据绝无可能被追溯到个人。数据中其他可能包含更多可用于识别个人身份信息的方面，我们将以更受限的方式共享，确保获得数据的其他人会加以保护。但所有数据都将提供给其他研究人员。

(44:01):

最终目标是能够将数据提供给其他研究人员，让他们去训练自己的模型，因为这将是一个极其独特的数据集，而且该领域仍然非常缺乏数据。人们一直试图构建这类大脑模型，并发现如果拥有更多数据，模型能达到的水平远不止于此。他们离那个极限还很远。所以我们的想法是，我们将与其他研究人员共享这些数据。其他研究人员也会共享他们的数据。假设我们有100个人，每个人拥有不同数量的数据。我们可以开始设想，如何将所有这些数据汇集起来？然后我们就可以开始用它来测试我们能多好地将其适配到单个个体。这就是目标。

Nicholas Weiler（44:45）：

是的。我的意思是，即使撇开模型不谈，显然这是斯坦福数字大脑项目，最终目标是构建这个详细的人类大脑模型，正如我们与Dan深入讨论的那样，它将对研究人员和临床医生有用。但仅仅拥有这个数据集，我希望，对神经科学来说将具有相当的变革性。这是一种详细观察大脑内部相互作用的方式，此前从未见过。

(45:12):

我们来谈谈模型。那么你如何利用所有这些数据，假设你在每个实验活动中收集数据，这些数据如何汇入构建一个基础模型，使其在统计层面上能够预测，如果某人正在执行某个未包含在这个具体实验中的其他任务，我们预期会看到怎样的大脑活动？

Russ Poldrack（45:35）：

所以我们要做的第一件事就是对每种不同的数据类型进行大量处理，只是为了把它们准备好，使它们处于某种格式，并以某种方式被处理过，从而基本上可以拿来使用了。我们已经消除了诸如人们转头之类的影响。我们基本上让数据变得可以用于建模了，而这本身就是一项庞大的工程。幸运的是，我们在这方面也有很多经验。一旦有了这些，接下来的想法是：我们未必能掌握一个人在任意时刻所做的一切我们想知道的事情。因此，我们学到的一种训练模型的方法就是通过我们所说的自监督。就像人们使用的大语言模型一样，它们只是通过尝试预测所看文本中的下一个内容来训练的。

(46:22):

对于大脑数据，我们可以做的一件事就是尝试预测下一个毫秒或下一秒（如果是 MRI 的话）的下一个活动模式。这只是一个起点，目的是让模型理解大脑活动如何随时间变化。然后，在某种程度上我们知道这个人在做什么——我们知道他们在看什么视频，我们知道他们在玩什么游戏，我们记录了他们的行为，我们知道他们的眼睛看向哪里，诸如此类——我们也可以开始把这些信息输入模型。今天的模型能够把所有这些不同类型的信息、跨越不同的时间尺度、跨越不同的数据类型整合在一起，但归根结底它们的目标只是：“你能预测接下来会发生什么吗？”

(47:02):

一旦你有了能做到这一点的模型，那么你就可以开始说：“嘿，让我们假装我们完全不知道大脑在做什么。我们只有视频、行为以及他们的眼睛看向哪里。我们能否预测那时整个大脑活动会是什么样子？”因为这最终正是我们想做的。我们想知道，比如，如果我改变你正在思考的某些东西，那会如何改变你的大脑活动模式？或者最终，如果我们以某种特定方式刺激你的大脑，那会如何改变大脑活动模式？所以，我们就是这样走向那些终极模型的：先训练它们预测下一个内容，然后开始在更广泛的不同类型输入上这样做。

Nicholas Weiler（47:42）：

是的，我很喜欢你描述的方式。这个项目的目标是创建这样一个神经科学工具，让你拥有某种虚拟模型，一个你可以问“好吧，在这种情况下我会预期大脑做什么？”的东西。或者，比如，如果某人正在经历抑郁，而他们的大脑网络看起来是这样，我们和 Corey Keller 谈过脑刺激，也和 Leanne Williams 谈过检测与疾病相关的大脑活动模式。一旦我们能以更精确的方式做到这一点，你就可以用这个模型来说：“好吧，我预期，鉴于这个人似乎与其抑郁相关的特定大脑活动模式，我们可以给予这种模式的脑刺激，我们认为这将是帮助他们摆脱抑郁且副作用最小的最有效方式。”

(48:31):

但我也意识到，鉴于大家如今对 AI 的感受，我能想象人们可能会对构建基础模型这一想法感到有些恐惧——这些模型融入了大量关于我们大脑如何运作的信息，无论是隐私方面的担忧，还是说这究竟会赋予 AI 系统什么样的能力。你能帮我们打消这种顾虑吗？这和我们可能因科幻作品中看到的画面而产生的恐惧，以及对当今市面上某些大型语言模型系统的担忧，有什么不同？这是你担心的事情吗？如果不是，为什么不是？

Russ Poldrack（49:08）：

总的来说，我确实对 AI 系统的能力及其可能做的事情感到担忧。而且我们每天都能看到它可能出问题的新例子。我认为这里的一道防护栏在于，这个系统只是一个预测系统。我认为现在世界上大多数人担心的是那些能够真正走出去并采取行动的系统，也就是我们所说的智能体 AI 系统。而这只是一个预测系统。所以它没有机会走出去在世界上做事情，然后我们作为科学家会拿这些预测来使用。我们必须小心我们可能如何使用它们。但我并不像担心世界上智能体 AI 系统能做什么（比如入侵计算机之类的事情）那样担心这个。

Nicholas Weiler（49:57）：

我还有两个问题想问。我们一直在谈论这些实验将要涉及的一切。所有数据随后都会被带入一个模型。这是一个由来自校园各处近十几名研究人员组成的团队，他们参与其中的不同方面。我想知道你是否能让我们了解一下，我们去年和 Dan 谈过，现在这件事实际上正在实现。让所有这些不同的人一起合作使这个项目成为可能，需要付出什么？

Russ Poldrack（50:25）：

我认为把我们凝聚在一起的是能够参与一件可能具有如此变革性的事情的兴奋感。这是我们每个人可能长期以来都想要做某种版本或某一部分的事情，但我们从来没有资源去做。这需要大量工作。我们现在每周都花很多小时在它的不同部分上工作，无论是挑选要在扫描仪里给人们看的视频，还是创建在数据从扫描仪出来后管理数据的方法。所有这些都需要大量努力，因为这在各方面都是新的。现在，我们中的许多人各自可能只以两人或两三人一组的方式合作过，但从来没有一个这样规模、这样横跨校园广度的群体以这种方式聚在一起做一个项目。

Nicholas Weiler（51:15）：

Great. And so I know this last question's going to be sort of a crystal ball question. Science progresses at the speed that it progresses, but what kind of timeline are you envisioning for the next steps in these experiments and when we might start to see some of these models coming out and being used in research or even in the clinic?

Russ Poldrack (51:33):

I think we're hopeful that we'll start collecting data on the first campaign early in the coming year. That's an ambitious goal. We're hopeful that we can get there. Beyond that, the hope is that we go on for probably five more years and continue these data collection campaigns and hopefully ramp up the velocity of the data collection over time once we've kind of figured out how to do that. In terms of where we need to be to be able to have useful modeling outputs, by the time we have that full first dataset, we should be able to be getting some interesting things. Now I think some of the real power is going to come once we have multiple, what we call tranches, multiple different types of data. So it's probably going to be several years before we can fully flesh out the promise of this kind of very rich and highly diverse sort of dataset.

Nicholas Weiler (52:24):

Excellent. Well, as it moves forward, we'll keep having you and Dan and other members of the project come back on the show and tell us how it's going and what's next. So Russ Poldrack, thanks so much for coming on From Our Neurons to Yours. This has been fascinating.

Russ Poldrack (52:37):

Yeah, thanks. It was a pleasure.

Nicholas Weiler (52:41):

Thanks again so much to our guests, Dan Yamins and Russ Poldrack. Dan is a faculty scholar here at Wu Tsai Neuro and an associate professor of Computer Science and of Psychology at Stanford. Russ is the Albert Ray Lang Professor of Psychology and Director of the Center for Open and Reproducible Science at Stanford. To read more about their work and the Stanford Digital Brain Project, check out the links in the show notes. And I should say, the project is not yet recruiting research participants, but stay tuned. They will be soon.

(53:10):

If you enjoyed this episode, be sure to subscribe for more conversations from the frontiers of brain science. We also love hearing from you. If you have thoughts about the show or questions about the brain you'd like to hear us discuss in a future episode, send us an email at neuronspodcast@stanford.edu or leave us a comment on your favorite podcast platform. And if you're someone who's emailed us and I haven't gotten back to you yet, I am so sorry. I have a list of people I'm about to get back to. While you're at it, please give us a rating and share the show with your friends. It may seem like a small thing, but it is really tremendously valuable for us to be able to bring more listeners to the frontiers of neuroscience.

(53:47):

Coming up on From Our Neurons to Yours...

Ehsan Adeli (53:50):

We use body language every day. And we've all experienced this, someone may tell you just that, "I'm fine," but their posture, facial expression, movement, eye contact, or level of engagement may tell you something completely different. So behavior is an external manifestation of the internal state of the mind.

Nicholas Weiler (54:13):

From Our Neurons to Yours is produced by Michael Osborne at 14th Street Studios, with sound design by Morgan Honaker. Our social media strategy is by Julia Diaz. Additional editing by Nathan Collins. Our logo was designed by Aimee Garza. I'm Nicholas Weiler. Until next time.