AI会取代神经科学家吗？AI如何重塑大脑研究

人类大脑包含大约860亿个神经元，每个神经元形成数千个突触连接，这些连接在经验的影响下不断重塑自身。理解这个器官可以说是人类有史以来承担过的最复杂的科学挑战——比绘制基因组更复杂，比理解量子尺度的宇宙更复杂，比我们迄今建造的任何计算系统都更复杂。如今，人工智能被要求来破解这一密码。神经科学家的整体人工智能接触率达到54%——在所有科学领域中名列前茅。[事实] 但在你认为这意味着大脑研究人员正在被取代之前，请仔细审视这些数字。

自动化风险仅为24%，不到接触率数字的一半。[事实] 这个差距揭示了人工智能在神经科学中的实际用途：它是自显微镜以来最强大的研究工具，而非研究人员的替代品。这一模式在将海量数据与深厚概念框架结合的学科中始终如一——高接触率、适度风险、不断加速的生产力。将神经科学与数据录入等领域进行比较——后者的接触率与风险率趋于一致——大脑研究的战略位置立刻变得清晰：这是增强领域，而非被替代的领域。

大脑数据分析中的人工智能革命

分析神经影像数据和神经活动模式的自动化率高达68%——是任何科学领域中任务层面自动化率最高的之一。[事实] 考虑到所涉及的数据量，这并不令人惊讶。单次功能性磁共振成像会话在一小时内以每两秒一次的频率，跨越数十万个体素产生数千兆字节的原始数据。高密度脑电图阵列在128或256个通道上每秒产生数百万个数据点。小鼠大脑中的钙成像创造出任何人类终其一生都无法手动分析的时间序列数据集——单次实验可以在数周内跨多个会话同时记录数万个神经元。双光子显微镜产生数太字节的三维视频。膜片钳电生理学产生需要详细参数提取的密集电信号轨迹。

人工智能已经改变了这一瓶颈。深度学习模型现在能以超越人类的一致性从核磁共振扫描中分割大脑区域。卷积神经网络能识别预测行为、情绪状态和神经系统状况的神经活动模式。[主张] 无监督聚类算法能在单细胞转录组数据中找到人类定义的分类学所遗漏的细胞类型。在连接组数据上训练的Transformer模型能从神经元形态预测突触连通性。过去需要博士后数月手工处理的工作现在可以在几小时内完成，这意味着同一位博士后在单个论文期间可以进行十倍的分析、检验十倍的假设、提出十倍的问题。

撰写研究出版物和申请课题经费的自动化率为52%。[事实] 人工智能写作助手能起草综合数千篇论文的文献综述，按期刊规范构建方法学部分，甚至以适合图例说明和补充材料格式的方式生成初步结果分析。但智识核心——提出假设、解读结果对我们理解意识、记忆或疾病的意义、决定哪些发现值得强调而哪些需要谨慎警示——仍然属于神经科学家的领域。人工智能可以生成草稿；科学家仍然需要知道这份草稿应该表达什么意思。

设计和开展实验室实验的自动化率仅为20%。[事实] 这里才是神经科学中不可化约的人类核心所在。在一个每个被回答的问题都会揭示出五个新问题的领域中，决定要提出哪些问题。设计一个新颖的行为范式来检验关于记忆巩固的理论，其中该范式需要控制你能说出名字的十五个混杂变量以及另外十五个无法命名的变量。当电极阵列在实验中途失效时进行故障排查，你有一个小时来决定是放弃记录会话还是继续采集降质数据。注意到动物在对照条件下的行为出乎意料地与先前群组不同，并意识到这个异常现象可能比最初的假设更有趣。意识到光遗传学刺激正在产生与预测相反的效应，并在飞行中转向一个更好地符合观察结果的不同理论框架。

脑机接口前沿

神经科学正在被改变的一个领域——其方式超越了数据分析——是脑机接口，在这一领域，人工智能是底层基础，而非分析工具。从运动皮层解码意图语音需要实时将放电模式转化为音素的神经网络。恢复瘫痪患者的运动需要将皮层活动映射到机械臂轨迹的解码器。这些应用正在将神经科学家拖入机器学习领域，无论他们是否计划如此，它们正在临床神经学、计算机科学和生物工程交叉点创造全新的子专业。[主张] 构建这些系统的神经科学家通常从事着现代科学中最具跨学科性质的工作，而对这种专业知识的需求远超供给。

一个被放大而非被取代的领域

目前大约有22,100名神经科学家在职，中位年薪为99,640美元。[事实] 美国劳工统计局预测2034年前增长+7%。[事实] 这一增长反映了神经科学与人工智能本身交叉扩大的趋势——脑机接口推动新的临床应用、神经形态计算为受生物启发的硬件设计创造需求，以及对阿尔茨海默症、帕金森症、精神分裂症、抑郁症以及现有治疗方法仍然无法有效解决的一长串精神疾病的更好治疗手段的日益增长的临床需求。

这个领域没有错过这一讽刺意味：人工智能既是现代神经科学的研究对象，也是研究工具。研究人员在研究大脑中的神经网络的同时，使用人工神经网络来分析他们的数据。概念在两个方向上流动——来自生物神经计算的洞见告知人工智能架构，而人工智能工具揭示大脑数据中的模式，重塑我们对生物智能的理解。[主张] Transformer架构从神经注意力机制中借鉴了概念性元素；深度学习的分层特征提取受到视觉皮层的启发；心理学中发展的强化学习理论现在既描述生物多巴胺系统，也描述基于硅的奖励模型。这两个领域正在以一种使理解人工智能的神经科学家对人工智能研究更有价值、理解神经科学的人工智能研究人员对大脑研究更有价值的方式共同演进。

到2028年，整体接触率预计将达到68%，自动化风险为36%。[推定] 接触率的增加几乎完全由数据分析、计算建模以及整合影像、行为、遗传学和电生理学的多模态数据集中不断扩展的人工智能能力驱动。风险增加是温和的，反映了常规分析任务自动化程度的提高，而非对研究事业本身的威胁。增长发生在这个领域过去二十年一直前进的方向上——走向更多计算、更多数据、更复杂的工具——只是以加速的步伐。

经费和发表格局

神经科学作为职业的实际现实还涉及经费周期、发表模式和实验室领导技能，这些都是人工智能短期内无法掌握的。经营一个成功的神经科学实验室需要撰写与数千份其他申请竞争的R01经费申请，管理一支具有不同职业目标的博士后和研究生团队，驾驭大型合作联盟的政治动态，以及在哪些研究方向值得投入五到十年努力方面做出战略决策。这些技能主要通过导师制度传授，经数十年精进，没有人工智能替代品——它们涉及解读领域动态、理解评审者会有什么回应，以及知道什么时候一个研究方向是真正有前景的，而不是充斥着收益递减的过度竞争。[主张]

在人工智能时代取得成功的神经科学家是那些将技术流畅性与战略判断力结合起来的人。只懂湿实验室技术的人将落后。只懂计算方法的人将缺乏产生突破性见解的生物学直觉。那些将两者融为一体、能够领导来自两个世界的专家团队的人，将成为下一代的首席研究员。

这对你的神经科学职业意味着什么

如果你是神经科学家，人工智能能力不再是可选项——它正在成为和了解湿实验室同样基础性的要求。将要蓬勃发展的研究人员是那些能够_设计创意实验_并_运用人工智能工具_从所得数据中提取最大洞见的人。入门门槛已经改变：仅仅了解外科技术或熟悉共聚焦显微镜已经不够。你还需要能够对行为数据训练模型、为影像分析微调视觉Transformer，或者至少与能做到这些的计算同事有效合作。

好消息是，神经科学试图回答的问题——意识如何产生？记忆如何形成和退化？为什么大脑会发展出精神疾病？一个受精卵如何发展成一个能思考、感受、记忆的器官？——如此深刻复杂，以至于更强大的分析工具只会创造出更多工作，而非更少。人工智能帮助揭开的每个答案都会揭示出十个需要人类洞见才能提出的新问题。这个领域并不缺少问题；它正在遇到需要更好工具和更好思考者来解决的更难问题。

学习Python。熟悉机器学习框架，尤其是在研究应用中占主导地位的PyTorch和JAX。但永远不要停止用你自己的眼睛凝视原始数据，因为大脑科学的下一个突破将来自一位神经科学家，他注意到了算法未被训练去寻找的东西——一种行为异常、一个事实证明是真实生物信号的记录伪影、一种以没有人有勇气突出表明的方式与主流理论相矛盾的规律。这些认知的瞬间创造范式转变，它们始终顽固地属于人类。

查看神经科学家的详细自动化数据

---

_基于Anthropic 2026年经济影响研究、Eloundou等人（2023年）、Brynjolfsson等人（2025年）以及美国劳工统计局2024-2034年职业预测数据的人工智能辅助分析。_

更新历史

• 2026-04-04：初始发布，包含2025年自动化指标和美国劳工统计局2024-34年预测。
• 2026-05-18：扩展了对数据量驱动因素、脑机接口应用、人工智能-神经科学共同演进以及实验室领导技能的分析。补充了Transformer架构和生物学直觉的详细内容。