At this point own MRI makes sense. - Google Is Mapping the Human Brain

### TL;DR 谷歌发布MoGen模型生成合成神经元，将脑连接组重建错误率降低4.4%，节省157人年校对时间；同时AI已能从fMRI扫描中解码思想，便携式脑传感器正在普及，脑隐私问题迫在眉睫。 ## 合成神经元的突破：AI训练AI 两周前，谷歌悄悄发表了一篇论文，描述了一种名为MoGen的新型AI模型，它能生成合成神经元。你现在观看的乒乓球游戏，正由培养皿中的一群脑细胞进行——不是受生物学启发的神经元，而是从零构建、统计精度足够高的脑细胞复制品，其他AI系统甚至将其用作真实神经元的替代品。谷歌利用这些合成神经元来训练AI，从而更快地解码真实大脑。AI制造假神经元以帮助其他AI理解真实神经元——这句话听起来像2050年科幻小说，却出自2026年4月16日的谷歌研究博客。 ## 连接组学：绘制大脑布线图 人脑约有860亿个神经元，每个通过突触与数千个相连，总连接数超过100万亿。连接组学——绘制所有神经细胞之间连接的图谱——目标是得到大脑的完整布线图。1986年发表的第一个完整连接组是一种只有302个神经元的蠕虫，研究人员耗时16年手工完成。果蝇大脑有16.6万个神经元，谷歌及其合作伙伴完成了果蝇全脑和中枢神经系统的连接组，这是AI与人类专家多年合作的成果。过程包括：将脑组织切片比千分之一头发丝还薄，用高速电子显微镜逐层成像，再将数千张图像堆叠，由AI重建隐藏的3D神经元——每个分支、每个连接、每个接触点。小鼠大脑体积是果蝇的1000倍，人脑是小鼠的1000倍。若用现有最佳AI完成果蝇连接组需数年，那么完成整个人类连接组所需时间将超过有记载的人类历史。谷歌AI试图缩小这一差距。 ## MoGen：合成神经元减少人工校正 为训练AI从显微镜图像中准确重建神经元，需要大量带标签的训练数据——由专家注释、人工校对验证的真实神经元，这个过程极其缓慢。谷歌的Pathfinder模型重建时会产生错误：两个相连的神经突被分开，或两个无关的被合并，都必须人工纠正。MoGen通过生成足够真实的合成神经元作为额外训练数据来改变这一状况。合成形状准确捕捉分支复杂性、几何精巧性和精确不规则性，且可无限生成。结果是重建错误率降低4.4%。在完整小鼠大脑规模下，这相当于节省了157人年的人工校对时间——来自一个模型、一篇论文、一篇大多数人扫过的博客文章。小鼠大脑仍远不及人脑，这只是开端。 ## 真实脑图谱的新发现 2024年，谷歌和哈佛在《科学》上发表论文，描述了小块人脑组织的重建。样本仅半粒米大小，需要1.4 PB数据（140万GB）。其中包含57,000个细胞、1.5亿个突触，以及研究人员从未见过的结构。共同领导项目的哈佛神经科学家Jeff Lichtman博士说，他职业生涯中从未见过类似的东西。他们发现内部存在“存储”：一些神经元的输出线（轴突）被打成结、环和螺旋，没有明显解释。研究人员称它们“神秘而美丽”。一些神经元对通过多达50个同步突触连接，程度异常。深层还存在定向神经元，此前从未被记录——当它们正确反应时收到可预测噪声信号，错误时收到随机噪声，它们不喜欢随机噪声。这些结构直到AI帮助绘制之后才被发现，且仅来自单个患者、单个大脑、单个区域的半粒米样本。将其扩展到整个器官、每一个活着的人，意义深远。 ## 从布线图到功能模拟 普林斯顿大学研究人员最近在小鼠视觉皮层1立方毫米中绘制了超过5亿个连接，同时记录了相同神经元的活动，因此同时拥有了布线图和实时电活动。一位研究人员说：“我们认为这些只是冰山一角。”谷歌研究还绘制了斑马鱼幼体的完整大脑和中枢神经系统——全部7万个神经元，在鱼对外围刺激做出反应时实时追踪。随后，HHMI Janelia的研究人员利用AI，仅凭连接组就构建了果蝇视觉系统的模拟：不需要实际神经活动测量，只需要布线图加上电路目标（检测运动），其他一切由AI自行推断。该模拟准确预测了64种神经元类型的行为，复现了过去20年二十多项实验研究的结果。一个AI看了布线图，弄清楚电路应该做什么，并预测了每个神经元的行为，匹配了它从未见过的二十年实验。研究人员说这弥合了连接组静态结构与现实生活计算动态之间的差距。他们接下来问：“这能扩展到小鼠吗？之后，能扩展到更大的生物吗？” ## 思想解码：从fMRI到便携式设备 同年，德克萨斯大学奥斯汀分校在《自然·神经科学》上发表论文，构建了称为语义解码器的AI系统。把一个人放进fMRI扫描仪，读取其大脑活动，AI将这些脑活动翻译成文本——不只是一个词或一个类别，而是连续语言段落。根据大脑血流模式实时生成此人听到、阅读或想象的复杂想法的主旨。主要研究员Alex Huth描述道：“如果参与者听到‘我连驾照都还没有’，解码版本可能会变成‘她甚至还没学会开车’——不是确切词语，而是含义、语义内容。”2025年，另一研究小组发表Brain LLM，将大脑记录直接与大型语言模型集成，从fMRI信号生成自然语言输出。它在意外文本上表现最佳，意味着脑信号提供了AI原本不具备的信息，解码器确实在“读取”某些东西。目前需要对特定个体数小时训练，无法在实验室外使用。但方向明确：语义解码器可迁移到功能性近红外光谱（fNIRS）——便携式可穿戴传感器测量相同底层信号。便携式脑部扫描是方向。神经技术市场从2022年98亿美元增长到2026年预计171亿美元。大型科技公司（Meta、苹果、索尼、微软）将神经传感器嵌入耳机、腕带和AR头戴设备。神经权利基金会白皮书审查30家神经技术公司，发现所有30家都保留对收集的神经数据的广泛权利。这些数据——关于大脑状态、注意力、情绪反应、脆弱时刻、决策疲劳——在法律上归收集它们的公司所有。随着AI解码能力提升，持有数据的公司将拥有从未有过的资源：一个关于你大脑如何工作的统计模型，来自你的大脑，却归别人所有。 ## 连接组与AI的未来 连接组学研究不仅为了理解人类，也关乎构建更好的AI。现代AI系统架构（神经网络、transformer等）最初受大脑启发，但这种启发是粗糙近似的。完整连接组将提供精确蓝图：860亿神经元如何连接，哪些电路结构产生记忆、注意力、决策等能力——一个经过4亿年进化的蓝图。过去十年AI突破来自将现有架构做大，但基本设计原则自90年代基本不变。完整连接组可能意味着新型计算机：用更少能量、以新方式学习。以20瓦功率运行（能耗不超过昏暗灯泡），产出尚无AI能匹敌的能力。普林斯顿大学利用小鼠连接组数据构建了数字孪生——足够精确的模拟，能生成可在实验室验证的可测试假设。一位研究员说：“一旦你能忠实地模拟大脑，下一个问题就是模拟是否会有意识。”他不知道答案，认为没人知道。构建这项技术的人描述时很谨慎：治疗阿尔茨海默病、恢复瘫痪者语言、理解神经系统疾病——这些都是真实且有益的。但同样的工具，若以便携形式应用，能从无法说话的中风患者解码语言，也将能解码任何脑信号可被捕获的人的语言。同样的绘图技术若达到足够规模，能揭示癫痫背后的布线，也将揭示记忆、个性、偏好和信念背后的布线。 ## 隐私的终极问题 如果AI能绘制你大脑中的每个神经元并追踪每个连接，究竟还剩下什么是隐私？还剩下什么是属于你的？这不再是未来时态——从半粒米大脑的惊人结构，到已能解码思想的fMRI，再到正在普及的便携传感器，每一步都在逼近那个问题。研究神经隐私的科学家对此并不隐晦。 Source: https://youtu.be/CdJjph8-2Oc