NeuroAI：一场真正的交叉学科革命，还是给 Neuroscience 换了个更贵的名字？

一句话结论：NeuroAI 不是骗局，但“NeuroAI”这个词确实正在成为一个极其好用的学术包装纸。

真正有价值的 NeuroAI，不是“我用了一个 neural network，所以我做 NeuroAI”，而是让自然智能与人工智能之间产生可检验、可迭代、双向的信息流：脑科学能够改变 AI 的模型、学习规则、归纳偏置或 agent 设计；AI 又能够产生关于脑计算机制的新假设，并接受神经数据和行为数据的严格检验。

1. NeuroAI 到底是什么？

“NeuroAI”并没有一个所有研究者都认可的严格定义。2024 年发表的一篇 NeuroAI trainee 视角文章明确指出，这个领域仍缺乏统一的定义和方法论，并采取了一个比较务实的定义：NeuroAI 是 neuroscience 与 artificial intelligence 的协同交叉，包括 brain-inspired AI，也包括 AI-oriented neuroscience。¹

另一篇关于 human-like agents 的理论框架则把 NeuroAI 看成一个连续谱：一端是受到神经科学轻度启发的 AI，另一端则是与真实脑的算法、结构或表征存在高度对应的模型。它至少可以包含四类工作：

用脑科学建立更具生物合理性的 AI；
用 AI/计算模型提出关于脑计算的假设；
用神经数据训练、约束或检验 AI 模型；
通过脑科学产生的数据、任务和 benchmark，反过来推动人工智能。²

因此，NeuroAI 本质上不是一个单一技术，而是一种研究关系。

更准确地说：

NeuroAI = Natural Intelligence ↔ Artificial Intelligence

这里的双向箭头很重要。

如果一个研究只有：

fMRI → Transformer → classification accuracy

那么它当然可能是很好的 neuroscience，但它并不自动成为 NeuroAI。

如果研究是：

neural data → infer computational principle → build AI model → model makes novel prediction → biological experiment tests prediction

这才更接近 NeuroAI 的核心精神。

2. 这个词从哪里来？

2.1 其实 NeuroAI 一点也不新

如果把 NeuroAI 理解为“脑科学与 AI 的双向影响”，那么它几乎和现代 AI 一样古老。

1943 年，McCulloch 和 Pitts 提出了形式化神经元模型；Hebb 随后提出突触可塑性思想。1950 年代，Rosenblatt 的 perceptron 明确受到生物神经系统启发。

换句话说：

Artificial Neural Network 这个名字本身就已经承认：它来自对 biological neural network 的抽象。

2024 年 Samuel Gershman 对这一历史进行了重新审视，并指出一个容易被 NeuroAI 叙事夸大的事实：虽然 neuroscience 对 AI 的早期发展确实有重要影响，但历史上的信息流并不是简单的“神经科学不断启发 AI”。在很多时期，AI/计算理论反过来对 neuroscience 的影响实际上更大。³

因此，今天所谓 NeuroAI 更像是：

把一个断断续续存在了几十年的研究传统，重新组织成一个具有共同身份、共同资金来源、共同会议和共同职业路径的领域。

2.2 2010s：deep learning 让这个关系重新变得有趣

深度学习革命之后，一个关键问题出现了：

为什么一个通过梯度下降训练出来的 artificial neural network，会产生与视觉皮层类似的表征层级？

尤其是在视觉领域，CNN 与腹侧视觉通路之间的表征相似性研究，让“用 AI 模型作为脑模型”逐渐成为一个独立且强大的研究范式。

2017 年，Hassabis、Kumaran、Summerfield 和 Botvinick 在 Neuron 发表的综述明确提出：更好地理解 biological brains 可能对构建 intelligent machines 至关重要。⁴

这实际上为今天的 NeuroAI 奠定了一个重要思想：

AI 不只是 neuroscience 的分析工具，也可以成为 neuroscience 的 computational hypothesis。

2.3 2020s：从“brain-inspired AI”升级为“science of intelligence”

真正的变化发生在近几年。

2022–2023 年，Alexandre Zador、Bruno Ölveczky、Brian Richards、Surya Ganguli、Demis Hassabis、Yann LeCun、Kwabena Boahen、Matthew Botvinick、Claudia Clopath 等研究者推动了 NeuroAI 的系统化倡议。

其中 2023 年发表于 Nature Communications 的文章提出了一个非常有意思的目标：

Embodied Turing Test

也就是说，与其让 AI 只在 chess、Go、language benchmark 上表现得像人，不如要求 AI 在真实的 sensorimotor environment 中表现出与动物相似的能力。⁵

这意味着 NeuroAI 开始从：

“神经网络像不像脑？”

转向：

“我们能不能用 neuroscience 的原则构造真正具有 biological intelligence 特征的 agent？”

这其实是一个更野心勃勃的问题。

3. 今天的 NeuroAI，大致可以分成哪几条路线？

如果把现在的研究版图粗略压缩，可以看到至少五条主线。

3.1 Brain → AI：从神经计算中寻找新的 AI 原理

这是最传统意义上的 NeuroAI。

研究者关注：

dendritic computation
synaptic plasticity
neuromodulation
recurrent computation
sparse coding
predictive processing
continual learning
energy efficiency
embodied intelligence
developmental learning

核心问题是：

大脑到底用了什么计算策略，使得它可以用如此少的能量、如此少的训练数据，完成如此强大的泛化？

这类问题非常重要，因为现代 AI 有一个尴尬的事实：

GPT-4/5 级别的模型可以吞掉互联网，但一个小孩只需要几年就能学会走路、看物体、理解因果关系和进行复杂社会交互。

这意味着 biological intelligence 仍然可能隐藏着大量我们没有解决的 engineering principles。

3.2 AI → Brain：把 AI 模型当成“计算假设”

这是目前 computational neuroscience 中非常强的一条路线。

例如：

image → CNN/ViT → intermediate representation

然后比较：

image → retina → V1 → V2 → IT

研究者可以问：

哪种 architecture 最接近视觉皮层？
hierarchical representation 是否真的存在？
recurrent processing 是否必要？
self-supervised learning 是否比 supervised learning 更符合视觉系统？
什么样的 training objective 最能解释神经表征？

Stanford NeuroAI Lab 的核心理念就非常典型：

通过研究 brain 如何解决 computational challenges 来改善 AI，同时通过改善 AI 来获得更好的 brain models。⁶

这是一种真正的“双向闭环”。

3.3 AI for Neuroscience：AI 作为神经科学基础设施

这一部分可能是目前增长最快的。

例如：

neural decoding
spike sorting
cell segmentation
connectomics
behavioral tracking
neural population analysis
multimodal data integration
automated experiment analysis
scientific agents

Nature Reviews Neuroscience 2025 年关于 NeuroAI 的文章把 Cellpose、whole-brain annotation、RoboEM、behavioral analysis 等都视为 AI 正在改变 neuroscience workflow 的例子。⁷

这一方向非常现实。

AI 未必告诉你“意识是什么”，但它已经非常擅长：

把过去一个博士生需要做三个月的 annotation / segmentation / decoding 工作压缩到几个小时。

这本身就是革命。

3.4 Brain Foundation Models：NeuroAI 的“LLM 时刻”？

2024–2026 年一个明显趋势是：

把 foundation model 的思想从 language / vision 推向 neural data。

于是出现：

neural activity foundation models
brain foundation models
EEG foundation models
fMRI foundation models
multimodal brain models

一个非常具有代表性的工作是 2025 年 Nature 发表的 Foundation model of neural activity predicts response to new stimulus types。它展示了 foundation-model 思路如何用于 neural activity，并尝试让模型对训练阶段未见过的新刺激类型产生预测。⁷

与此同时，越来越多工作开始讨论：

brain foundation model 是否能够跨 subject、跨 session、跨 task、跨 modality 泛化？

这将直接影响未来的 neuroimaging / BCI / computational neuroscience。

但这里必须泼一盆冷水：

“把 Transformer 用在 EEG/fMRI 上”并不等于出现了 GPT of the brain。

Neural data 最大的问题仍然是：

数据规模远小于互联网；
subject variability 极大；
recording modality 不统一；
signal-to-noise ratio 低；
experimental paradigms 高度异质；
ground truth 极其有限。

所以现在所谓 brain foundation models 仍处于非常早期的阶段。已有综述明确把 data quality、generalization、training efficiency、interpretability 和 robustness 列为核心挑战。⁸

3.5 NeuroAI × Embodied AI：可能才是最值得长期关注的方向

如果你问我：

“未来十年 NeuroAI 最可能真正产生新东西的地方在哪里？”

我会认真考虑：

embodied intelligence。

因为动物智能本来就是：

brain + body + environment + learning

而不是：

brain + benchmark dataset。

Zador 等人的 NeuroAI 路线强调 embodied Turing test，就是在挑战当前 AI 过度依赖语言和静态 benchmark 的现状。⁵

2026 年 NeuroAI 领域又出现了一个新的方向：developmental alignment。相关工作指出，当前 AI 往往直接模拟成年智能的“终态”，却忽略了儿童如何通过身体、环境、学习目标和神经结构的发展逐渐获得智能。⁹

这个问题很重要：

如果 intelligence 本质上是一个 developmental process，而不是一个 pretrained model，那么我们现在的 foundation model 范式可能从根上就少了某个变量。

4. 当前已经有哪些真正值得关注的成果？

不要把 NeuroAI 的成果理解成“已经造出了人工大脑”。

目前更可靠的成果主要集中在以下几类。

4.1 AI 模型已经成为神经表征研究的重要 computational microscope

尤其在视觉系统中，deep neural networks 已经成为研究 sensory cortex 的重要模型。

研究者可以：

训练一个视觉模型；
比较不同 layer 与不同脑区的表征；
找出 architecture、objective 与 neural representation 的对应关系；
进一步改变模型；
对生物系统提出新预测。

这种研究模式最大的价值在于：

从“相关性描述”走向“计算机制假设”。

这对视觉 neuroscience 尤其重要。

4.2 AI 正在把 neuroscience 从“小样本手工科学”推向“大规模数据科学”

Cellpose、connectomics automation、behavioral tracking、large-scale neural analysis 等工作已经证明：

neuroscience 最大的瓶颈之一不再只是“有没有数据”，而是“有没有能力处理这些数据”。⁷

例如整个动物脑的连接组、数万神经元的活动、连续数周的行为数据，都不是传统手工分析能够处理的。

这意味着未来 neuroscience researcher 的工作可能越来越像：

experiment design + data engineering + computational modeling + AI-assisted discovery

而不是：

experiment → SPSS → figure → paper。

4.3 Neural decoding 已经进入真正的 neurotechnology

BCI 是 NeuroAI 最容易产生现实技术价值的方向之一。

2023 年 Nature 的 speech neuroprosthesis 工作已经展示了高性能的 neural decoding，可以把皮层信号转换为语言输出并控制 avatar。⁷

2025 年又出现了 instantaneous voice-synthesis neuroprosthesis 等工作。

这里 AI 并不是“论文里的装饰”。

如果没有现代 machine learning：

很多 neural decoding 根本做不到实时、鲁棒和高维。

所以：

NeuroAI 的技术价值在 BCI、neuroprosthetics 和 clinical neurotechnology 中已经非常真实。

4.4 AI 也开始反过来研究“AI 自己的大脑”

这是另一个非常有趣的方向。

如果一个 deep network 真的产生了某种形式的 representation、memory、planning 或 reasoning，那么我们可以把它当作一个实验对象：

AI neuroscience

研究者开始使用：

representational analysis
causal intervention
lesioning
probing
mechanistic interpretability
behavioral experiments

来研究 artificial agents。

这使 neuroscience 的研究对象第一次出现了一个非常奇怪的新类别：

不是 biological brain，而是人工构造出来的 computational system。

这可能是未来 NeuroAI 最重要的概念变化之一。

5. 谁是这个领域真正值得关注的人？

下面不是“谁最有名”的排行榜，而是按照研究范式来划分。

5.1 Dan Yamins — Stanford

如果你对：

视觉 + deep learning + computational neuroscience

感兴趣，Dan Yamins 是非常值得关注的人。

Stanford NeuroAI Lab 明确把 neuroscience、AI、psychology 和 large-scale data analysis 放在一起，并以 reverse-engineering brain algorithms 为核心目标。⁶

他的研究尤其关注：

visual cortex
deep neural networks
object recognition
representation
neural network models of sensory cortex

这条路线与你如果从视觉认知 neuroscience 转向 NeuroAI 的路径高度相关。

5.2 Andreas Tolias — Stanford

Tolias Lab 正在探索一个非常激进的方向：

建立类似 foundation model 的视觉脑模型。

其目标不是只用一个模型去解释一个实验，而是希望构建能够捕捉 biological visual processing 基本规律的大规模模型，同时将其作为 computational neuroscience 工具和 AI inspiration。¹⁰

如果你关心：

vision + neural data + large-scale models

这个方向值得长期跟踪。

5.3 Kanaka Rajan — Harvard

Kanaka Rajan 的研究非常典型地体现了：

computational neuroscience → AI → reverse engineering brain

她明确把 NeuroAI 定义为：

使用实验数据和 computational models 理解 biological brain 的 operating principles。

其研究尤其关注：

neural dynamics
learning
memory
decision making
biologically constrained artificial systems

并且强调从人工系统中“reverse engineer”生物系统。¹¹

5.4 SueYeon Chung — Harvard

如果你喜欢：

mathematical neuroscience + physics + representation learning

那么 SueYeon Chung 非常值得关注。

她研究 neural population code 的几何结构，并把：

statistical physics
manifold theory
neuroscience
machine learning

结合起来。¹²

这类研究很容易被低估。

因为它不像“训练一个 70B model”那么 flashy，但真正的问题是：

为什么一个 neural population 能够高效地表示复杂变量？

这恰恰是 neuroscience 和 AI 可以共享的核心问题。

5.5 Haim Sompolinsky — Harvard

如果把 NeuroAI 往 theoretical neuroscience 的方向追溯，Haim Sompolinsky 是非常重要的人物。

他的研究涉及：

neural network dynamics
statistical physics
computation
learning
high-dimensional systems

Harvard 的 Kempner Institute 已经把 natural intelligence 和 artificial intelligence 放在同一个研究框架下，而 Sompolinsky 是其中非常重要的理论传统代表。¹³

5.6 Josh Tenenbaum / Samuel Gershman 等：computational cognitive science 路线

另一条 NeuroAI 路线不是从 neurons 出发，而是：

cognition → computation → AI

例如：

Bayesian inference
causal learning
concept learning
compositionality
reasoning
decision making

这一派更关心：

“什么样的 computational principles 能解释人类智能？”

而不是：

“这个神经元到底什么时候 spike？”

对于想从 cognitive neuroscience 转向 AI 的人来说，这条路线尤其值得关注。

5.7 Demis Hassabis / DeepMind：工业界的巨大影响

如果只看 academic labs，会低估 NeuroAI 的工业影响。

DeepMind 很早就系统讨论 neuroscience-inspired AI。2017 年的 Neuron 综述就是非常重要的历史节点。⁴

DeepMind 的 AlphaGo、AlphaZero、reinforcement learning、world models 等虽然不能简单归类为 NeuroAI，但它们不断重新提出一个问题：

哪些 biological intelligence principles 对人工智能仍然有用？

这也是为什么 NeuroAI 很难完全脱离 frontier AI。

6. Harvard、Stanford 为什么如此重要？

因为 NeuroAI 真正需要的不是一个“AI faculty + 一个 neuroscience faculty”。

它需要：

一个完整的 scientific ecosystem。

Harvard 的 Kempner Institute 就是典型例子。

2025 年 Frontiers in NeuroAI symposium 聚集了超过 1,000 名来自 37 个国家的研究人员和 trainees，涵盖 neuroscience、psychology、machine learning、computer science、physics 和 robotics。¹⁴

2026 年 Kempner 又与 Hebrew University 的 Edmond and Lily Safra Center for Brain Sciences 建立 NeuroAI 合作。官方描述的目标就是研究 biological 与 artificial systems 中 intelligence 的共同原则。¹³

Stanford 也形成了类似生态：

Stanford NeuroAI Lab
Stanford AI Lab
Wu Tsai Neurosciences Institute
HAI
Neuroengineering
large-scale neuroimaging / neurophysiology

Stanford 甚至持续提供 AI + neuroscience 的交叉资助项目。¹⁵

所以真正值得注意的不是：

“Harvard 有几个 NeuroAI professor？”

而是：

这些学校正在把 NeuroAI 从一个 lab-level research topic 变成 institutional research category。

这意味着它很可能不是一个短期 buzzword。

7. 但是，现在开始辛辣一点。

7.1 “NeuroAI”当然有很大的噱头成分

我们先说最不舒服的事实：

很多所谓 NeuroAI，本质上只是 neuroscience + machine learning，然后给自己加了一个更昂贵的名字。

例如：

“我们用 transformer 对 EEG 做 classification。”

然后：

“This work contributes to NeuroAI.”

不。

你只是用了 transformer。

如果你的 scientific question 完全没有改变，那么：

你不是在做 NeuroAI，你是在用 AI 做 neuroscience。

这当然可以是很好的研究。

但不要把“用了 AI”误写成“研究了 intelligence”。

7.2 “Neural network”和“neural science”从来不是同义词

这是这个领域最常见的语言游戏。

Artificial neural network：

matrix multiplication + nonlinear activation + optimization

Biological neural network：

neurons + dendrites + synapses + neurotransmitters + neuromodulation + recurrent dynamics + development + body + environment

二者之间有巨大鸿沟。

所以：

“CNN 的 layer 2 对应 V2，因此 CNN 解释了视觉皮层。”

这种话如果没有非常严格的 causal evidence，基本上属于高级版 reverse correlation。

8. 第二个问题：AI 正在吃掉 neuroscience 的方法优势

这一点对年轻研究者尤其重要。

过去 neuroscience 有一项非常宝贵的技能：

我会分析 neural data。

但现在：

preprocessing 可以自动化；
segmentation 可以自动化；
decoding 可以自动化；
behavioral tracking 可以自动化；
literature search 可以 agent 化；
coding 可以让 LLM 生成；
statistical analysis 越来越标准化。

于是：

“会跑分析”正在快速贬值。

如果一个人的核心竞争力是：

“我会 AFNI + SPM + MATLAB + Python。”

这已经不再是一个很安全的职业壁垒。

因为 AI 最擅长的就是：

把 procedural knowledge 自动化。

9. 那么什么技能不会这么快贬值？

答案非常残酷：

9.1 能提出好问题

不是：

“Can we classify X using a Transformer?”

而是：

“What computational principle would make X possible?”

前者是 method question。

后者是 scientific question。

AI 可以帮你解决前者。

后者仍然需要人。

9.2 能建立 computational theory

未来最值钱的人未必是：

“最会训练模型的人。”

而可能是：

知道为什么应该训练这个模型的人。

例如：

为什么 recurrent dynamics 应该存在？

为什么 sparse coding 是合理的？

为什么 biological learning 不需要 backpropagation？

为什么 infant learning 与 foundation-model pretraining 有本质区别？

这些都是理论问题。

而不是 API 问题。

9.3 能设计实验验证模型

这是 neuroscience 相对于纯 AI researcher 的巨大优势。

AI researcher 可以说：

“我的 model predicts X。”

真正的 NeuroAI researcher 应该继续问：

“那 biological system 是否真的表现出 X？”

然后：

“如果不表现出来，模型哪里错了？”

最终形成：

model → prediction → experiment → revision

这才是真正有科学价值的闭环。

10. 如果你的背景与本文作者相似，应该怎么办？

假设你是：

neuroscience / neuroengineering PhD

visual neuroscience background

fMRI

computational analysis

对 AI 感兴趣

那么我会给一个非常明确的建议：

不要把自己训练成“会一点 neuroscience 的 ML engineer”。

也不要训练成“会一点 ML 的 fMRI analyst”。

你的目标应该是成为一个能在 neuroscience、computation 和 AI 三个层面来回移动的人。

这三者可以画成：

              AI / ML
             /      \
            /        \
           /          \
          /            \
   Neuroscience ---- Computation

最有价值的位置，不是在三个圆的边缘。

而是在中间。

11. 对视觉 neuroscience 背景的人，最值得走的路线是什么？

我反而不建议你立刻跳去：

LLM / NLP / generic deep learning

因为你会直接进入一个极其拥挤的竞争市场。

你已经有一个非常宝贵的资产：

视觉系统的 domain knowledge。

所以更合理的路线是：

Visual Neuroscience
        ↓
Computational Neuroscience
        ↓
Neural Representation
        ↓
Deep Neural Network Models
        ↓
Large-scale Neural Data
        ↓
NeuroAI / Brain Foundation Models

也就是说：

不要抛掉 neuroscience 去追 AI。

而是：

把 neuroscience 变成你进入 AI 的 moat。

12. 对 fMRI researcher 的一个特别残酷的提醒

如果你的核心 skill 是：

preprocessing → GLM → ROI → activation map

那么 AI 时代的职业风险其实比较高。

因为这一整套 workflow：

highly standardized；
highly documented；
highly automatable；
relatively low theoretical barrier。

但如果你能进一步进入：

neural representation
computational modeling
generative modeling
multimodal learning
brain foundation models
causal modeling

你的竞争力会完全不同。

特别是：

从“分析 activation”转向“建模 representation”。

这是一个非常重要的范式变化。

13. 但千万不要犯另一个错误：追热点追到失去 neuroscience

这是很多 NeuroAI 学生最容易犯的错误。

2024：

“Foundation Models!”

2025：

“Multimodal LLM!”

2026：

“Agentic AI!”

2027：

“World Models!”

然后每年换一个关键词。

最后 PhD 五年过去：

你会 17 种 architecture，但没有一个真正属于你的 scientific question。

这是学术职业中最危险的状态。

14. 一个更可靠的职业策略

我建议把自己的能力分成三层。

Layer 1：硬核基础

必须非常扎实：

probability
statistics
linear algebra
optimization
machine learning
deep learning
computational neuroscience
neuroscience

尤其不要把：

“我会 PyTorch”

当成 machine learning 能力。

真正的 ML 能力包括：

objective function → inductive bias → optimization → generalization → representation → evaluation

Layer 2：一个非常深的 domain

例如：

visual neuroscience

你应该知道：

retina
V1
ventral stream
dorsal stream
receptive fields
population coding
predictive coding
visual attention
mental imagery
cortical hierarchy

直到你能够看到一个 AI model，然后问：

“这个模型到底对应了视觉系统的什么 computational principle？”

Layer 3：一个能改变研究范式的技术

例如：

foundation models
self-supervised learning
generative models
multimodal models
mechanistic interpretability
neural decoding
causal representation learning
embodied AI

注意：

选一个深入。

不要变成：

“我知道 30 个 buzzwords。”

15. 我认为未来 NeuroAI 最值得下注的三个方向

如果让我现在押注，而不是回顾已有文献，我会选：

15.1 Neural foundation models

尤其是：

cross-subject + cross-session + multimodal

如果未来真的出现：

“pretrained model of neural activity”

它可能成为 neuroscience 类似 GPT / ImageNet 的基础设施。

但这个方向最大的问题不是 architecture。

而是：

data。

谁能获得大规模、高质量、标准化、可共享的 neural data，谁就有机会建立真正的 foundation model。

15.2 Mechanistic NeuroAI

不是：

model predicts neural data

而是：

model contains a computational mechanism that explains neural data.

例如：

Neural data
     ↓
Hypothesis
     ↓
Computational model
     ↓
Emergent behavior
     ↓
Neural prediction
     ↓
Experiment

这比单纯 decoding 更有长期科学价值。

15.3 Embodied / Developmental Intelligence

这可能是最长期的赌注。

因为现在的 AI 最大的问题之一是：

它们非常擅长从大量数据中学习，却未必真的像 biological agents 那样从世界中学习。

婴儿：

看 → 摸 → 动 → 失败 → 再尝试 → 建立世界模型

这与：

download 10 trillion tokens → gradient descent

是完全不同的 learning regime。

如果 NeuroAI 能把：

development + embodiment + neuroscience + AI

真正结合起来，它可能成为下一代 AI 的重要思想来源。

2026 年已经出现明确主张从 developmental process 研究 intelligence 的工作。⁹

16. 所以，NeuroAI 是不是一个好听的噱头？

我的答案是：

一半是，一半不是。

它是噱头的地方

“NeuroAI”正在被用于包装：

AI for neuroscience；
deep learning for neuroimaging；
neural decoding；
brain-inspired AI；
computational neuroscience；
BCI；
cognitive modeling；

这些原本已经存在的研究。

所以你完全应该警惕：

换了一个名字 ≠ 产生了一个新科学。

它不是噱头的地方

但与此同时，过去十年发生了一件真正重要的事情：

AI 第一次拥有了足够强大的能力，可以成为 neuroscience 的 computational model，而 neuroscience 也第一次拥有越来越大规模的数据，可以反过来约束 AI。

于是出现了一个真正有潜力的闭环：

          ┌───────────────┐
          │  Neuroscience │
          └───────┬───────┘
                  │
             hypotheses
                  ↓
          ┌───────────────┐
          │      AI       │
          └───────┬───────┘
                  │
           predictions
                  ↓
          ┌───────────────┐
          │  Experiment   │
          └───────┬───────┘
                  │
              new data
                  ↓
          ┌───────────────┐
          │  Neuroscience │
          └───────────────┘

如果这个循环真的成立：

那它就不是 buzzword，而是一种新的 scientific methodology。

17. 最后，给年轻研究者的一些不太好听的建议

第一条：不要为了“NeuroAI”三个字换研究方向

如果你现在已经在做 neuroscience：

不要因为 LinkedIn 上突然出现大量 “NeuroAI Scientist” 就把自己的研究全部推倒重来。

真正重要的是：

你的 scientific identity。

第二条：不要成为 AI API researcher

如果你的研究能力可以被概括成：

“给我一个 dataset，我能用 transformer 把 accuracy 提升 3%。”

你的职业壁垒会越来越低。

因为：

AI 会越来越擅长帮你做这件事。

第三条：不要把“AI + neuroscience”当作 research question

这是最常见的错误。

“AI + neuroscience”不是问题。

它只是一个 intersection。

真正的问题应该是：

How does the brain learn?

How does the brain represent latent variables?

Why are biological representations so data efficient?

How does recurrent computation support perception?

How does intelligence emerge through development?

这些才是问题。

AI 只是你解决问题的一种语言。

第四条：尽量成为“提出假设的人”

未来科研生态很可能越来越像：

Human
  ↓
Question
  ↓
Hypothesis
  ↓
AI agent
  ↓
Analysis / Simulation / Literature
  ↓
Experiment
  ↓
Human interpretation

所以人类 researcher 的价值会越来越集中在：

question selection + hypothesis formation + experimental design + interpretation

而不是：

“我花了两个星期写了 800 行 preprocessing code。”

18. 最终判断

如果让我用一句比较辛辣的话总结：

NeuroAI 是一个真实存在的研究方向，但它也是一个极其适合学术营销的词。

你应该同时相信两件看似矛盾的事情：

NeuroAI 很可能成为未来 neuroscience / AI 最重要的交叉领域之一；
今天大量自称 NeuroAI 的工作，未来回头看可能只是“deep learning for neuroscience”的一次品牌升级。

真正决定一个研究是不是 NeuroAI 的，不是：

你用了多少 GPU。

也不是：

你的 paper title 里有没有 NeuroAI。

而是：

你是否真的在研究 natural intelligence 与 artificial intelligence 之间可以互相约束、互相启发、互相验证的 computational principles。

19. 如果你真的想走这条路，我会建议你把自己训练成这样的人

最终目标不是：

Neuroscientist who knows AI

也不是：

AI researcher who happens to have fMRI data

而是：

A computational scientist who understands biological intelligence deeply enough to formulate AI problems differently.

这两者看起来只差几个词。

实际上是完全不同的职业身份。

而对于一个具有 neuroscience / neuroengineering / visual neuroscience 背景的人来说，这反而可能是一个相当好的历史窗口。

因为 AI 正在变得越来越强。

而 neuroscience 最稀缺的资源不是 GPU。

是：

真正理解 biological intelligence 的人。

所以，不要急着把自己变成下一个 ML engineer。

让 AI 变成你的工具，让 neuroscience 变成你的 domain advantage，让 computation 成为连接二者的语言。

如果最后 NeuroAI 证明只是一个漂亮的 buzzword，你至少仍然拥有 computational neuroscience 的基本盘。

但如果 NeuroAI 真的成为下一代 AI 的重要理论来源——

你会站在一个非常有利的位置。

参考资料

建议进一步阅读

Nature Reviews Neuroscience: The emergence of NeuroAI: bridging neuroscience and artificial intelligence
Nature Machine Intelligence: The new NeuroAI
Nature Communications: Catalyzing next-generation Artificial Intelligence through NeuroAI
Nature Communications: Trainees’ perspectives and recommendations for catalyzing the next generation of NeuroAI researchers
Stanford NeuroAI Lab
Harvard Kempner Institute

Sadeh, S., Clopath, C. et al. Trainees’ perspectives and recommendations for catalyzing the next generation of NeuroAI researchers. Nature Communications, 2024. ↩
Kriegeskorte, N. et al. A rubric for human-like agents and NeuroAI. Philosophical Transactions of the Royal Society B, 2022. ↩
Gershman, S. J. What have we learned about artificial intelligence from studying the brain? Biological Cybernetics, 2024. ↩
Hassabis, D., Kumaran, D., Summerfield, C., Botvinick, M. Neuroscience-Inspired Artificial Intelligence. Neuron, 2017. ↩ ↩²
Zador, A. et al. Catalyzing next-generation Artificial Intelligence through NeuroAI. Nature Communications, 2023. ↩ ↩²
Stanford NeuroAI Lab. Research. Stanford University. ↩ ↩²
Sadeh, S., Clopath, C. The emergence of NeuroAI: bridging neuroscience and artificial intelligence. Nature Reviews Neuroscience, 2025. ↩ ↩² ↩³ ↩⁴
Zhou, X. et al. Brain Foundation Models: A Survey on Advancements in Neural Signal Processing and Brain Discovery, 2025. ↩
Advancing NeuroAI through developmental alignment. Neuron, 2026. ↩ ↩²
Stanford University. Marlowe Computing Spotlight: Andreas Tolias Lab, 2026. ↩
Harvard Medical School. Kanaka Rajan Lab: NeuroAI. ↩
Harvard University. SueYeon Chung — NeuroAI and Geometric Data Analysis Lab. ↩
Harvard Kempner Institute. Kempner Institute and ELSC announce NeuroAI collaboration, 2026. ↩ ↩²
Harvard Kempner Institute. NeuroAI Takes the Stage at Kempner Institute Symposium, 2025. ↩
Stanford Wu Tsai Neurosciences Institute. AI and Neuroscience Grants. ↩

NeuroAI：一场真正的交叉学科革命，还是给 Neuroscience 换了个更贵的名字？

1. NeuroAI 到底是什么？

2. 这个词从哪里来？

2.1 其实 NeuroAI 一点也不新

2.2 2010s：deep learning 让这个关系重新变得有趣

2.3 2020s：从“brain-inspired AI”升级为“science of intelligence”

3. 今天的 NeuroAI，大致可以分成哪几条路线？

3.1 Brain → AI：从神经计算中寻找新的 AI 原理

3.2 AI → Brain：把 AI 模型当成“计算假设”

3.3 AI for Neuroscience：AI 作为神经科学基础设施

3.4 Brain Foundation Models：NeuroAI 的“LLM 时刻”？

3.5 NeuroAI × Embodied AI：可能才是最值得长期关注的方向

4. 当前已经有哪些真正值得关注的成果？

4.1 AI 模型已经成为神经表征研究的重要 computational microscope

4.2 AI 正在把 neuroscience 从“小样本手工科学”推向“大规模数据科学”

4.3 Neural decoding 已经进入真正的 neurotechnology

4.4 AI 也开始反过来研究“AI 自己的大脑”

5. 谁是这个领域真正值得关注的人？

5.1 Dan Yamins — Stanford

5.2 Andreas Tolias — Stanford

5.3 Kanaka Rajan — Harvard

5.4 SueYeon Chung — Harvard

5.5 Haim Sompolinsky — Harvard

5.6 Josh Tenenbaum / Samuel Gershman 等：computational cognitive science 路线

5.7 Demis Hassabis / DeepMind：工业界的巨大影响

6. Harvard、Stanford 为什么如此重要？

7. 但是，现在开始辛辣一点。

7.1 “NeuroAI”当然有很大的噱头成分

7.2 “Neural network”和“neural science”从来不是同义词

8. 第二个问题：AI 正在吃掉 neuroscience 的方法优势

9. 那么什么技能不会这么快贬值？

9.1 能提出好问题

9.2 能建立 computational theory

9.3 能设计实验验证模型

10. 如果你的背景与本文作者相似，应该怎么办？

11. 对视觉 neuroscience 背景的人，最值得走的路线是什么？

12. 对 fMRI researcher 的一个特别残酷的提醒

13. 但千万不要犯另一个错误：追热点追到失去 neuroscience

14. 一个更可靠的职业策略

Layer 1：硬核基础

Layer 2：一个非常深的 domain

Layer 3：一个能改变研究范式的技术

15. 我认为未来 NeuroAI 最值得下注的三个方向

15.1 Neural foundation models

15.2 Mechanistic NeuroAI

15.3 Embodied / Developmental Intelligence

16. 所以，NeuroAI 是不是一个好听的噱头？

它是噱头的地方

它不是噱头的地方

17. 最后，给年轻研究者的一些不太好听的建议

第一条：不要为了“NeuroAI”三个字换研究方向

第二条：不要成为 AI API researcher

第三条：不要把“AI + neuroscience”当作 research question

第四条：尽量成为“提出假设的人”

18. 最终判断

19. 如果你真的想走这条路，我会建议你把自己训练成这样的人

A computational scientist who understands biological intelligence deeply enough to formulate AI problems differently.

参考资料

建议进一步阅读

Footnotes