導(dǎo)語

繼「神經(jīng)動力學(xué)模型」與「計算神經(jīng)科學(xué)」讀書會后，集智俱樂部聯(lián)合來自數(shù)學(xué)、物理學(xué)、生物學(xué)、神經(jīng)科學(xué)和計算機的一線研究者共同發(fā)起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現(xiàn)。重點探討物理規(guī)律與人工智能如何幫助我們認識神經(jīng)動力學(xué)，以及神經(jīng)活動跨尺度的計算與演化如何構(gòu)建微觀與宏觀、結(jié)構(gòu)與功能之間的橋梁。

大腦如何從微觀神經(jīng)元到宏觀腦區(qū)實現(xiàn)跨尺度協(xié)作，并涌現(xiàn)出記憶與意識？本期讀書會，我們將從多尺度腦網(wǎng)絡(luò)連接建模出發(fā)探索AI如何融合腦科學(xué)知識，破解多尺度腦網(wǎng)絡(luò)的因果密碼，揭開跨層次信息流動的奧秘。

分享簡介

腦網(wǎng)絡(luò)的組織具有明顯的多尺度特征：在腦科學(xué)研究中，理解腦網(wǎng)絡(luò)內(nèi)如何跨越不同尺度的連接與互動，始終是重要的科學(xué)問題之一。從單個神經(jīng)元的微觀突觸，到腦區(qū)之間的中觀網(wǎng)絡(luò)，再到全腦范圍的宏觀動力學(xué)，大腦呈現(xiàn)出多層次的網(wǎng)絡(luò)結(jié)構(gòu)與時序活動。不同層次的腦網(wǎng)絡(luò)連接也展示了不同的意義。結(jié)構(gòu)連接（SC）描述了神經(jīng)元/腦區(qū)之間的解剖性連線。功能連接（FC）描述了神經(jīng)信號在時間上的協(xié)變關(guān)系。有效連接（EC）則更進一步，揭示信息流動的方向和機制。而無論是記憶與意識等高級功能，還是腦疾病的診斷與干預(yù)，往往都依賴于腦區(qū)間的有向信息流。對腦內(nèi)因果關(guān)系的建模一直是很有價值的問題，但傳統(tǒng)的建模方法往往只聚焦于某一單一尺度，難以解釋跨尺度的相互作用與復(fù)雜涌現(xiàn)機制。近年來，人工智能的蓬勃發(fā)展為跨尺度連接建模提供了新的契機。通過結(jié)合腦科學(xué)先驗知識與數(shù)據(jù)驅(qū)動的建模方法，人工智能能夠自動學(xué)習(xí)不同尺度下的潛在因果關(guān)系，并量化跨尺度的動力學(xué)模式。本期讀書會，我們將從不同層級的腦網(wǎng)絡(luò)連接出發(fā)，通過多層神經(jīng)網(wǎng)絡(luò)、跨模態(tài)建模與對齊、因果推斷與AI可解釋性分析，討論多尺度腦網(wǎng)絡(luò)鏈接建模的意義與可行性。

核心關(guān)注問題

1. 不同層次的腦網(wǎng)絡(luò)連接怎么定義，有怎樣的意義，如何分析？

2. 數(shù)據(jù)驅(qū)動與模型驅(qū)動的建模方法有何優(yōu)劣，怎么把AI用于建模大腦？

3. 當(dāng)沒有 ground truth 腦連接時，如何驗證模型訓(xùn)練的充分性與合理性？

分享大綱

1. 多尺度腦網(wǎng)絡(luò)的研究背景與孿生腦發(fā)展歷程

腦網(wǎng)絡(luò)的多尺度特征：從神經(jīng)元、腦區(qū)到全腦動力學(xué)的層級結(jié)構(gòu)

不同腦網(wǎng)絡(luò)連接的定義與區(qū)別

孿生腦（Surrogate Brain）的起源與演變：從生理仿真到AI建模

1. 人工智能賦能的契機與因果推斷

傳統(tǒng)建模的局限：模型驅(qū)動與數(shù)據(jù)驅(qū)動的優(yōu)劣

基于虛擬擾動的因果連接推斷

可解釋的神經(jīng)動力學(xué)建模方法

1. 實驗驗證與多尺度擴展：從腦電到神經(jīng)元網(wǎng)絡(luò)

EEG尺度：基于電信號的時間因果建模與動態(tài)有效連接推斷

神經(jīng)元尺度：單細胞/微電極陣列的孿生腦建模

未來方向：AI驅(qū)動的跨尺度一體化建模、因果可解釋性與虛擬干預(yù)仿真

主講人介紹

李宗晟，香港中文大學(xué)（深圳）在讀博士，師從南方科技大學(xué)劉泉影教授，本科畢業(yè)于大連理工大學(xué)，碩士畢業(yè)于南洋理工大學(xué)。在廣東省智能科學(xué)與技術(shù)研究院陳洛南老師的實驗室完成科研助理的短暫輪轉(zhuǎn)后，現(xiàn)聚焦于人工智能與神經(jīng)計算方向。研究興趣包括 AI 孿生腦建模，神經(jīng)數(shù)據(jù)解碼，情緒動力學(xué)等。

參與時間

2025年10月25日（周六）晚上19:00-21:00（固定時間，記得關(guān)注獲取每周分享信息～）

報名加入社群交流

https://pattern.swarma.org/study_group_issue/978?from=wechat

掃碼參與，加入社群，獲取系列讀書會永久回看權(quán)限，與社區(qū)的一線科研工作者溝通交流，共同溯源復(fù)雜科學(xué)的思想脈絡(luò)。

領(lǐng)域必讀文獻

Friston 是最早明確區(qū)分了功能連接與有效連接的學(xué)者。這兩篇文章分別完成了：提出了兩者的差異，系統(tǒng)性的闡述了不同層次連接的區(qū)別。是本專題討論的科學(xué)問題的核心背景。

1. Friston, K. J. (1994). Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping, 2(1–2), 56–78. Friston (2011). Functional and effective connectivity: a review. Brain Connectivity, 1(1), 13–36.

這篇文章提出了用人工智能做AI孿生腦，并用虛擬擾動構(gòu)建全腦連接組的通用框架。

1. Luo, Z., Peng, K., Liang, Z. et al. Mapping effective connectivity by virtually perturbing a surrogate brain. Nat Methods22, 1376–1385 (2025).

這篇文章提供了一種可解釋性更強的人工智能腦網(wǎng)絡(luò)建模腦網(wǎng)絡(luò)的方法。

1. Lu, Z., Zhang, W., Le, T., Wang, H., Sümbül, U., SheaBrown, E. T., & Mi, L. (2025, January). NetFormer: An interpretable model for recovering dynamical connectivity in neuronal population dynamics. In The Thirteenth International Conference on Learning Representations.

1. Kim, S. et al. Whole-brain mapping of effective connectivity by fMRI with cortex-wide patterned optogenetics. Neuron111, 1732–1747 (2023).

2. Park, H.-J., & Friston, K. Structural and functional brain networks: from connections to cognition. Science 342, 1238411 (2013).

3. Seguin, C., Sporns, O., & Zalesky, A. Brain network communication: concepts, models and applications. Nat. Rev. Neurosci. 24, 557–574 (2023).

4. Friston, K.?J., Kahan, J., Biswal, B. & Razi, A. A DCM for resting state fMRI. NeuroImage 94, 396–407 (2014).

5. Lappalainen, J.K., Tschopp, F.D., Prakhya, S. et al. Connectome-constrained networks predict neural activity across the fly visual system. Nature634, 1132–1140 (2024).

6. Stepaniants, George, Bingni W. Brunton, and J. Nathan Kutz. "Inferring causal networks of dynamical systems through transient dynamics and perturbation." Physical Review E 102.4 (2020): 042309.

7. Randi, Francesco, Anuj K. Sharma, Sophie Dvali, Andrew M. Leifer, et al. “Neural Signal Propagation Atlas of Caenorhabditis elegans.” Nature, vol. 623, 2023, pp. 406–414. DOI:10.1038/s41586-023-06683-4.

開放招募：

本文簡要綜述了用于評估結(jié)構(gòu)–功能關(guān)系的動力學(xué)建模方法，為理解腦網(wǎng)絡(luò)中解剖約束與功能活動之間的耦合提供了理論框架，是開展多尺度連接建模的重要參考。

1. Luppi, A. I., Cabral, J., Cofre, R., Deco, G., & Kringelbach, M. L. (2022). Dynamical models to evaluate structure–function relationships in network neuroscience. Nature Reviews Neuroscience, 23(12), 767–768.

本文系統(tǒng)總結(jié)了多尺度腦網(wǎng)絡(luò)的建模思路，從微觀到宏觀層次揭示大腦組織的層級特征，為探索跨尺度因果機制提供了理論與方法論背景。

1. Betzel, Richard F., Andrea Avena-Koenigsberger, and Olaf Sporns. "Colloquium: Multiscale modeling of brain network organization." Reviews of Modern Physics 94.3 (2022): 031002.

計算神經(jīng)科學(xué)第三季讀書會

從單個神經(jīng)元的放電到全腦范圍的意識涌現(xiàn)，理解智能的本質(zhì)與演化始終是一個關(guān)于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學(xué)過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰(zhàn)：局部的神經(jīng)活動如何整合為統(tǒng)一的體驗？局域的網(wǎng)絡(luò)連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯(lián)合來自數(shù)學(xué)、物理學(xué)、生物學(xué)、神經(jīng)科學(xué)和計算機的一線研究者共同發(fā)起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現(xiàn)。重點探討物理規(guī)律與人工智能如何幫助我們認識神經(jīng)動力學(xué)，以及神經(jīng)活動跨尺度的計算與演化如何構(gòu)建微觀與宏觀、結(jié)構(gòu)與功能之間的橋梁。

詳情請見：