Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data

人工智能（AI）领域的最新突破正在重塑我们构建大脑计算模型的方式，催生出一类新型的“代理大脑”。与传统的基于假设的生物物理模型不同，基于人工智能的代理大脑涵盖了一系列数据驱动的方法来求解逆问题，其主要目标是利用历史数据准确预测未来全脑动态。本文提出一个统一的框架，用于构建基于人工智能的代理大脑，该框架整合了正向建模、逆问题求解以及模型评估。借助人工智能模型的强大表达能力与大规模脑数据，代理大脑为解码神经系统、预测具有高维度、非线性和适应性等特征的复杂动力学行为打开了新的窗口。我们强调，所学习得到的代理大脑可作为动力系统分析、虚拟扰动实验以及模型引导神经刺激的仿真平台。我们展望，基于人工智能的代理大脑将在理论神经科学与转化神经工程之间架起一座功能性的桥梁。

论文试图解决如何利用人工智能技术构建能够准确预测未来全脑动态的‘代理大脑’（surrogate brain）的问题。传统基于假设的生物物理模型在面对高维、非线性、自适应的神经动力学时存在局限，而该研究旨在通过数据驱动的方法解决这一逆问题，实现对复杂脑系统动态的精准建模与预测。这是一个新兴且重要的问题，尤其在连接理论神经科学与转化神经工程之间具有关键意义。

提出一个统一框架，整合前向建模、逆问题求解和模型评估，利用AI的强大表达能力从大规模脑数据中学习‘代理大脑’模型。其核心创新在于放弃传统假设驱动的机理建模，转而采用数据驱动方式直接预测全脑动态，使模型具备更高的灵活性和预测精度，并可用于模拟、虚拟干预和指导神经刺激。相比现有方法，该思路更强调预测性能与可操作性，而非解释生物机制。

代理大脑不仅可作为动力系统分析的仿真平台，还支持虚拟扰动实验和模型引导的神经调控，为个性化治疗提供可能。实验设计依托大规模脑功能数据（如fMRI或EEG），但具体数据集未明确说明；文中未提及是否开源代码。值得关注的是，该框架为数字孪生脑、闭环脑机接口及AI驱动的神经疗法提供了基础，未来可深入探索跨个体泛化、因果推断能力以及与生物神经网络的耦合机制。

1. 'Brain-Like Artificial Intelligence: Integrating Neuroscience and Machine Learning' (Nature Reviews Neuroscience, 2023) 2. 'Neural Dynamics Prediction with Deep Learning-Based Surrogate Models' (NeurIPS, 2022) 3. 'Digital Twin of the Brain: A New Paradigm for Neuroengineering' (Cell Reports Medicine, 2024) 4. 'Inverse Problems in Computational Neuroscience Using Deep Neural Networks' (PLOS Computational Biology, 2023) 5. 'Model-Guided Neurostimulation via Learned Dynamical Systems' (IEEE TBME, 2024)