4 июня Пекинский исследовательский институт искусственного интеллекта (BAAI) и Университет Цинхуа объявили о новом прогрессе в совместном исследовании памяти во сне. Соответствующие результаты были опубликованы в международном академическом журнале Science под названием «Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep». Исследование показывает, что реактивация памяти во сне участвует в регуляции динамики сна, предоставляя новые экспериментальные доказательства для понимания двунаправленного механизма взаимодействия «память-сон». Мультимодальная базовая модель для нейронауки Brainμ0, разработанная командой AI+нейронауки BAAI, обеспечила ключевую технологическую поддержку для мультимодального анализа данных памяти и сна, идентификации состояний сна и вспомогательной проверки научных гипотез в этом исследовании.

Действительно заслуживающим внимания ядром этого исследования является то, что базовые модели ИИ начинают проникать в глубокий анализ данных в механистических исследованиях нейронауки.

Связь между сном и памятью всегда была одной из сложных фундаментальных проблем в нейронауке. Традиционные исследования в основном доказывали, что сон способствует консолидации памяти, но долгое время не хватало четких механистических доказательств того, влияет ли сама мнемическая деятельность на структуру сна, переходы между стадиями сна и гомеостатическую регуляцию сна. Причина в том, что мозговая активность во время сна нестабильна: активность нейронов, связанных с памятью, сигналы ЭЭГ, данные визуализации и поведенческие состояния часто распределены по разным временным шкалам и модальностям данных. Исследователям необходимо идентифицировать сигнальные изменения, действительно связанные с реактивацией памяти, в долговременных, зашумленных экспериментальных данных от разных субъектов. Роль Brainμ0 в этом процессе заключается в объединении изначально разрозненных данных нейронауки в единую мультимодальную аналитическую платформу. Путем совместной обработки сигналов ЭЭГ, нейронной активности и сигналов, связанных с памятью, модель помогает исследовательской группе различать различные состояния сна, отслеживать характеристики мозговой активности во время реактивации памяти и предоставлять более четкие данные для последующей проверки причинно-следственных механизмов.

Технологическая ценность Brainμ0 в основном проявляется на двух уровнях: «унифицированное представление» и «кросс-модальный анализ».

Данные нейронауки по своей природе гетерогенны. Сигналы ЭЭG подчеркивают временную непрерывность, данные двухфотонной визуализации ближе к записи активности на клеточном уровне, высокоплотные нейронные зонды могут улавливать разряды популяций нейронов, а поведенческие данные имеют явные сценарные и задачные атрибуты. Традиционные методы анализа часто полагаются на ручное извлечение признаков и моделирование одной модальности, что легко приводит к потере информации при кросс-модальной интеграции. Подход мультимодальной базовой модели для нейронауки, представленный Brainμ0, заключается в отображении различных типов мозговых сигналов в более унифицированное пространство представлений, позволяя модели устанавливать связи между различными источниками данных. Для данного исследования памяти во сне такая способность помогает исследователям выявлять различия между «сном, сопровождающимся реактивацией памяти» и «сном, не сопровождающимся реактивацией памяти» из сложных данных и далее анализировать, как эти различия влияют на динамику сна. Другими словами, модель ИИ здесь выступает не просто как инструмент классификации, а как средство установления интерпретируемых связей между научными данными, помогая исследователям быстрее определять механистические гипотезы, заслуживающие проверки.

С точки зрения методологии исследований, это сотрудничество также демонстрирует, что AI for Science переходит от «вспомогательной обработки данных» к «участию в процессе научных открытий». Раньше применение ИИ в науках о жизни в основном ограничивалось распознаванием изображений, очисткой данных, автоматической разметкой и прогнозированием результатов. В таких сложных системных исследованиях, как нейронаука, настоящая сложность заключается в том, как превратить данные из множества источников в логическую цепочку доказательств, которую можно анализировать, сравнивать и проверять. Аналитический процесс с участием Brainμ0 охватывает интеграцию мультимодальных данных, идентификацию состояний, обнаружение закономерностей и вспомогательную проверку гипотез, позволяя модели ИИ встраиваться в ключевые этапы экспериментальной науки. Для исследований сна это означает, что ученые могут более систематически наблюдать, как мнемическая деятельность взаимодействует с изменениями состояний сна; для базовых моделей нейронауки это означает, что возможности модели больше не ограничиваются демонстрацией общего интеллекта, а начинают формировать научную инфраструктуру, ориентированную на реальные экспериментальные задачи.

Дальнейшее пространство для развития такого технологического подхода не ограничивается исследованиями сна и памяти. Долгосрочные вызовы, стоящие перед нейронаукой, включают когнитивные механизмы, эмоциональную регуляцию, нейродегенеративные заболевания, психические расстройства, интерфейсы мозг-компьютер и клиническую оценку функций мозга. Все эти направления сталкиваются с проблемами мультимодальных, кросс-масштабных и долговременных данных. Если Brainμ0 сможет продолжать расширять охват данных, повышать адаптивность к различным экспериментальным парадигмам и проходить проверку в реальных задачах большего числа исследовательских групп, у нее есть шанс стать универсальной аналитической платформой в нейронаучных исследованиях. Особенно в области раннего скрининга заболеваний, оценки функционального состояния мозга, декодирования нейронной активности и разработки персонализированных стратегий вмешательства мультимодальные базовые модели могут помочь исследователям сократить время от сбора данных до определения механизмов и повысить эффективность анализа сложных мозговых сигналов.

Публикация в Science обеспечила важную академическую поддержку этому результату, но его более глубокая научно-техническая ценность заключается в том, что китайские исследовательские группы ИИ продвигают возможности больших моделей в реальные сценарии фундаментальных нейронаучных исследований. Brainμ0 поддерживает не единичную алгоритмическую демонстрацию, а научно-исследовательский рабочий процесс, ориентированный на сложные нейронные данные: позволить ИИ понимать мультимодальные мозговые сигналы, помогать ученым проверять механистические гипотезы и продвигать исследования сна, памяти и когнитивных функций на более эффективный, управляемый данными этап.