在华盛顿特区举行的神经科学学会（SfN）年度会议上，围绕“人工智能能否真正解释大脑工作原理”的争论正酣。与此同时，一项基于小鼠大脑的大规模研究可能已给出初步答案：向模型增加更多参数并未提升其性能，唯有数据量的增加带来了帮助。
这一发现来自OmniMouse研究。研究团队利用涵盖73只小鼠、310万个神经元及1500亿个神经信号的空前数据集训练大型神经网络。结果显示，模型性能随数据量增加而提升，但在参数数量达到一定阈值后，继续增加参数并未产生有意义的改进。这与支撑语言模型发展的“AI扩展定律”——即更多参数和算力带来更好结果——背道而驰。
神经科学界的昂贵豪赌
自然语言处理领域的基础模型方法正被移植到脑科学研究中。其逻辑在于：若模型能基于海量神经记录准确预测大脑对新刺激的反应，则意味着它可能习得了大脑计算的根本规律。
巨额投资印证了这一趋势。Meta AI研究部门向斯坦福大学捐赠1500万美元，旨在收集1.5万小时高分辨率功能性磁共振成像（fMRI）数据，以构建人脑“数字孪生”。2026年3月，Meta发布TRIBE v2大脑模型，该系统基于25名参与者超450小时的fMRI记录训练，并在720名参与者超1100小时的数据中完成评估，实现了对未见刺激的零样本预测。
此外，贝勒医学院、斯坦福大学和艾伦研究所合作的研究于2025年4月发表在《自然》杂志上。其开发的基础模型在高级视觉脑区的预测精度较此前领先模型提升25%至46%，并成功预测了小鼠视觉皮层的紫外线敏感性，后经活体实验证实。
扩展定律的失效与背离
OmniMouse研究揭示了大脑数据与语言或图像数据的根本差异。在标准AI扩展中，性能随数据和参数同步增长；而在大脑建模中，参数扩展曲线趋于平坦。这表明神经元电信号的组织方式可能缺乏语言模型所依赖的那种奖励参数增加的统计规律性。
2026年对BrainLM的评估进一步加剧了这一担忧。该模型利用6700小时fMRI数据训练，测试显示，拥有6.5亿参数的大版本表现不如1.11亿参数的小版本，且两者均被一个简单的线性模型超越。
预测并非解释
即将在SfN会议上进行公开辩论的华盛顿大学计算神经科学家Bing Wen Brunton指出，预测与解释截然不同。一个能准确预测视觉皮层反应的模型，仅揭示了输入输出间的模式，并未阐明背后的机制，如电路计算、细胞特性或进化约束。
约翰霍普金斯大学John Krakauer将此形容为“我们需要去理解的第二大脑”，布朗大学Ellie Pavlick则称之为“两个黑箱”。Brunton强调，忽略身体对大脑塑造作用的模型在结构上是不完整的，正如将蠕虫连接组移植到机器人身上无法复现蠕虫行为一样。
乐观派的反驳与局限
Amaranth Foundation NeuroAI研究员Patrick Mineault持相反观点。他认为，正如早期语言模型因缺乏“理解”而受质疑，但最终涌现出强大能力一样，当前大脑模型的局限性可能是技术发展阶段性问题，而非根本天花板。Tolias实验室通过数据驱动模型发现新现象并经实验证实，即为有力例证。
纽约大学Grace Lindsay指出，当前预测准确率仍有巨大提升空间，现有基准主要集中于视觉皮层，远非终点。斯坦福大学Daniel Yamins则认为，任务训练模型提供机制假设，基础模型提供测试规模，二者结合可能更具潜力。
临床意义与经济账
这场辩论具有明确的临床指向。准确的脑响应预测模型可大幅加速帕金森病、抑郁症等神经刺激疗法的个体校准过程，甚至辅助精神药物开发。然而，若OmniMouse的结论成立，即进步依赖于更丰富的数据而非更大的模型，行业经济学将被颠覆：神经记录成本远高于文本数据，这意味着通往机制理解的道路将更加昂贵且艰难。
SfN会议期间，Brunton与Mineault将面对面阐述各自立场。核心问题在于：该领域是在构建对大脑的真正理解，还是在构建越来越精确的“潮汐表”——准确、有用，却对驱动水的理论一无所知。
Brunton与Mineault的双视角论文已发表在《神经科学杂志》第46卷第45期。神经科学学会年度会议于2026年11月14日至18日在华盛顿特区举行。