发布时间：2026-07-14
近日，中国科学院脑科学与智能技术卓越创新中心领衔，联合上海AI实验室和广东省智能科学与技术研究院组成的研究团队，发布AGI脑机理发现ΣBrains-Lab系统阶段性突破 - 数字斑马鱼和脑科学智能体两大系统，在国际上首次建立基于底层架构的脊椎动物数字脑，打通从视觉刺激输入、全脑神经元动态响应到动物运动指令输出的闭环仿真，实现自主开展脑科学机理研究。
数字斑马鱼系统构建了一套由“数字脑、具身模型和虚拟环境”组成的完整仿真系统。其中，数字脑可以预测真实斑马鱼的全脑神经元活动，具身模型能够执行尾部、胸鳍、嘴巴和眼睛等多个身体部位的协调运动，高精度流体仿真引擎则负责计算鱼体与周围水流的双向物理作用。在这一数字环境中，数字斑马鱼成功复现捕食、逃跑、溯流、视动等行为，为探究智能如何从真实生物结构与动力学过程中产生，提供了可反复运行、干预和验证的数字化参照系。与数字斑马鱼配套的脑科学智能体-智算脑，是一个面向神经科学发现的领域专用多智能体框架 - AI神经科学家。智算脑配套AI智能体分析管线，能自动处理数据，分析总结，生成报告，接近神经科学专家科研能力。
上述两大系统为建立脑科学研究新范式“ΣBrains-Lab”奠定了基础。该范式以“生物脑-数字脑-智算脑”联动为核心：生物脑提供湿实验数据与机理验证，数字脑开展in silico实验与因果预测，智算脑负责分析总结与假说生成。三者实时闭环迭代，为脑科学建立一个可编程、可干预、可重复、可加速的“数字实验场”，使因果关系验证从“年”级缩短到“天”级；同时，它首次在“脑-身体-环境”完整闭环模式下，为通用人工智能（AGI）提供了真实生物智能的数字化参照系。
近年来，脑科学与人工智能加速交叉融合，“数字脑”正成为全球前沿科技竞争的新赛道。从欧洲的蓝脑计划到美国DeepMind的孪生脑研究，科学家试图通过数字化手段重建脑结构与动力学过程，进而理解智能如何从神经系统中产生。
然而，当前脑科学研究面临多重挑战。一方面，目前生物实验以开环为主导，实验周期长，所产生的数据规模庞大、模态复杂，往往涉及分子、神经元形态、联接结构、神经活动和动物行为等多个层次。不同尺度、不同模态数据需要跨学科协作才能完成解析，目前仍缺少贯穿全链条神经科学研究的统一分析工具。另一方面，国际上目前数字脑建模受限于神经元及其联接重构规模不足、模态不足、或基于假设驱动而非数据驱动等制约因素，已有模型未能覆盖全脑尺度，或主要由预设假设驱动等，难以充分利用真实生物数据刻画复杂的全脑动力学模式。与此同时，如果数字脑脱离身体及其所在环境，就很难完整复现生物智能中“感知-决策-行动-反馈”的闭环过程。
因此，选择怎样的模式动物，成为数字脑研究的关键起点。
今年，国外Eon Systems发布的基于神经联接结构数据的具身数字果蝇引发国际广泛关注。果蝇作为无脊椎模式动物，拥有深厚的神经科学研究积累。本成果研究团队则选择了进化上与人类更近的脊椎动物斑马鱼作为攻坚切入点，希望以此探索脊椎动物全脑活动、身体控制与环境交互的基本机制，并创建脑科学研究新范式。
幼年斑马鱼身体透明、神经系统规模适中（全脑约10万个神经元），是目前唯一能在活体状态下观察“全脑单细胞活动和形态”的脊椎模式动物。这使得科学家有机会在全脑尺度上同时研究每个神经元发放模式，并追踪感觉输入、全脑神经活动与行为输出之间的因果关系。
中国科学院脑科学与智能技术卓越创新中心研究员 杜久林（兼上海人工智能实验室AI4Neuroscience首席科学家），以斑马鱼为模式动物，长期深耕脑科学和类脑研究，带领团队前期已积累了国际上最完备的斑马鱼跨尺度、多模态高质量AI-ready数据集，包括全脑神经元介观联接图谱、全脑神经元活动等数据，为从结构约束和功能训练两个角度构建数字斑马鱼奠定了基石。
斑马鱼全脑神经元活动与介观联接
真实全脑的神经元活动（左），数字脑预测的全脑神经元活动（右）
数字斑马鱼首先需要一个能够产生动态响应的数字脑。团队以真实斑马鱼的全脑介观神经联接图谱为结构基础，并通过多场景下全脑神经元活动的训练，在国际上首次构建出具有底层架构约束的脊椎动物数字脑，实现了斑马鱼全脑神经元活动和动物行为的预测模拟。
在性能方面，该模型的预测表现超越当前最佳深度学习模型，与真实神经活动的时空相关系数达到0.818。这一数据表明，面对外界刺激，数字脑不仅能预测真实斑马鱼全脑神经元活动随时间的演变规律，还能在空间维度上还原不同脑区及神经元的响应模式。
与单纯追求预测效果的黑箱模型不同，该数字脑以真实介观联接组为结构约束，在获得预测性能的同时，兼具高精度与生物学可解释性。研究者不仅可以观察模型给出的预测结果，还可以进一步追踪相关信号在大脑神经网络中的传递过程，分析特定神经元、联接和脑区在动物行为形成过程中的作用，并回到真实斑马鱼中进行验证。
更重要的是，该模型首次实现了从视觉刺激输入、全脑神经元动态响应到运动指令输出的闭环仿真，行为预测准确率超过69%。数字脑不再只是被动复现一段神经活动，而是开始承担从感知外界、形成动态响应到产生运动控制信号的完整闭环过程。
真实智能并非由孤立的大脑产生，而是形成于脑、身体与环境的连续交互之中。因此，团队并未止步于数字脑建模，而是进一步构建了高保真的斑马鱼具身模型。该模型可以模拟尾部、胸鳍、嘴巴和眼睛等多个部位的协调运动，而不只是实现斑马鱼游动时的尾部摆动。
多部位、多自由度的身体模型，为捕食、逃跑、溯流等复杂行为的仿真提供了基础。但只有身体仍然不够：斑马鱼生活在水中，其每一次摆尾都会改变周围水流，水流又会反过来影响鱼体的姿态、方向和速度。如果忽略这些作用，数字斑马鱼的运动就难以真实反映生物体与物理环境的相互影响。
为此，团队进一步自主研发了高精度流体仿真引擎，对鱼体与周围流体之间的相互作用进行精细的流体力学模拟，实现了鱼体运动与水流变化的双向耦合。
至此，数字斑马鱼拥有了三个相互联接的部分：数字脑感知刺激、产生神经活动并输出运动指令；具身模型将运动指令转化为尾部、胸鳍等身体部位的协调动作；流体仿真引擎计算鱼体运动引发的水流变化，以及水流对鱼体产生的反作用。
物理引擎的流体力学模拟
基于具身模型与流体仿真引擎，数字斑马鱼可以复刻真实斑马鱼的捕食、逃跑、溯流等复杂行为。
数字斑马鱼的捕食、逃跑、溯流行为
在虚拟环境下，团队采用湿实验广泛使用的旋转光栅作为视觉刺激进行了虚拟实验。光栅进入数字斑马鱼的视野后，数字脑感知外界刺激并产生全脑神经元动态响应，继而输出运动指令，驱动尾部摆动。最终，数字斑马鱼产生了与真实斑马鱼一致的视动反应，朝光栅运动的方向游动。
这条鱼在数字世界中的每一次“看见”和“游动”，由此被连入同一条闭环：外界刺激改变数字脑的神经元活动，神经元活动产生运动指令，身体运动改变周围水流，身体与环境相互作用后形成新的感觉反馈。
光栅刺激下的数字脑神经元活动（左下）与虚拟斑马鱼行为（右）
建立数字斑马鱼，只是数字实验场的第一步。要让这一系统真正服务于科学发现，还需要能够理解神经科学问题、调用专业工具并完成复杂分析的脑科学智能体。
针对这一需求，团队进一步构建了智算脑（SeekBrain）- 面向神经科学发现的领域专用多智能体框架。它不同于通用代码生成的智能体，而是深度整合了神经科学知识库和自主构建的多模态数据分析工具链，能够独立完成从科学假设、数据预处理、多模态分析、统计推断到学术报告的完整科研闭环。
神经科学研究天然具有多尺度、多模态特征。研究对象既可能是分子与细胞，也可能是神经结构与功能、局部回路与全脑活动，最终还需要与动物行为建立联系。不同尺度的数据通常由不同设备、实验方法和分析工具产生，彼此之间存在较高的协同门槛。
智算脑打破了从分子到细胞、从结构到功能、从环路到行为的跨尺度数据壁垒，帮助研究者从数据碎片中破译大脑智能的机理。
为检验智算脑在真实神经科学任务中的能力，团队以正刊级真实科研任务为蓝本，构建了首个面向神经科学研究的评测基准BrainArena。评测结果显示，在多模态分析任务中，智算脑独立输出的结论与人类专家平均结论一致性超75%，其表现超越了通用智能体 Claude Code (Claude Opus 4.7) 和Codex (GPT 5.5)。这里的“75%”指智算脑结论与人类专家平均结论之间的一致性，不等同于传统分类任务中的准确率，也不意味着其可以取代人类神经科学家。它所体现的，是领域专用智能体在复杂、多模态真实科研任务中接近专家分析结论的能力。
智算脑在BrainArena中自主生成的分析图表
智算脑的目标并不止于复现已有分析或完成评测任务。团队进一步将其用于真实科研数据，希望检验AI智能体能否从开放数据中寻找新的科学线索。
智算脑自主学习了国际脑实验室（International Brain Laboratory）公开的小鼠决策数据，对刺激、决策、反馈、转轮速度及速率五个维度的脑区解码图谱进行联合降维分析。智算脑自动分析提取出一个脑区层面的共享轴——即各成分共享一个与运动相关的低秩主轴，并通过零假设检验和基于秩的稳健性检验加以验证。随后，它进一步将与运动相关的成分和任务特异性成分进行了解耦。一方面印证了“大脑广泛区域的神经活动与运动信号之间存在高关联性”的前人发现；另一方面，在剔除这一共享主成分后，各认知成分的残差网络依然保留特异性的脑区分布特征，为理解决策机制提供了新线索。
从公开数据学习、完成多模态分析、识别跨任务规律，再对规律来源作出归因，意味着智算脑开始从“完成给定任务”走向“寻找潜在机制”。这也为AI智能体参与神经科学发现提供了新的实践路径。
智算脑自主生成小鼠决策数据分析图表
本次阶段性成果的背后，是杜久林研究员首次提出的ΣBrains-Lab系统，核心是通过“生物脑-数字脑-智算脑”闭环联动，实现脑科学智能实验新范式。在这一范式中，三种“脑”分别承担不同角色：生物脑提供真实的神经结构、神经活动和行为数据，也是重要科学结论最终接受实验验证的基础；数字脑根据真实数据重建脑动力学过程，在可控的虚拟环境中开展重复实验、变量干预和因果预测；智算脑则围绕科学问题组织多模态分析、提出或细化假设、调用专业工具并寻找潜在机制。
三者并非彼此独立，而是形成数据迭代、虚实对照、闭环验证的动态循环体系：生物脑产生的数据用于构建和校准数字脑；智算脑利用真实数据和数字实验提出问题、开展分析；数字脑在不同条件下进行可重复、可干预的实验，形成的关键结论再回到真实生物脑中验证；新的实验数据又迭代进化数字脑与智算脑。
ΣBrains-Lab系统面向脑科学实验低通量、长周期、强依赖人工经验的流程瓶颈，力求形成从真实数据、虚拟仿真到智能分析的实时闭环。依托可编程、可干预、可重复和可加速的数字实验环境，原本需要数年周期完成的神经机制实验工作，可压缩至天级完成，极大提升脑科学研究效率与精准度。
与此同时，“三脑”联动为AGI发展提供了全新的生物启发路径。当前，主流AI多基于海量数据与任务拟合习得智能，而真实生物智能源于脑结构、躯体形态与环境的长期动态交互。本次构建的数字斑马鱼体系，首次在脊椎模式动物层面实现感觉输入、全脑神经活动、运动输出、躯体结构与物理环境的全链路联动仿真，为解析生物智能生成机理提供了可重复、可干预、可溯源的数字化参照底座。
这正是“以脑启智、以智验脑”的双向过程：一方面，从生物脑中寻找可以启发通用智能的新机制；另一方面，利用人工智能和数字仿真工具提出假设、分析数据，并回到真实生物系统中进行验证，加速脑科学发现。
近期，团队将聚焦攻关三脑联动系统，实现脑科学研究链路的闭环演进，赋能人类研究者贯穿三脑循环全过程。该系统有望推动脑科学研究范式的革新，缩短脑机制发现周期，为类脑智能研究提供基础支撑，也为AI for Science进入神经科学提供可验证、可迭代的新型基础设施。
该系列研究成果是在杜久林研究员整体规划与指导下，由中国科学院脑科学与智能技术卓越创新中心（成员包括杜旭飞、李玉玺、钱昱、赵允浩、汪玙璠、李福宁、陈铭权、袁彧涵、丛林、吕威、祖嘉良、李莎、陈丽君、邓秋穗、龚雨晨、管思源等）、上海人工智能实验室（成员包括宋纯锋、刘绵莘、伍佳敏、郑啟豪、孙一介、向佩珊）和广东省智能科学与技术研究院（成员包括王超名、刘冠廷）联合团队完成。感谢中国科学院、科技部、基金委、上海市科委和经信委等项目资助。
该系列研究成果将于7月17日在世界人工智能大会(WAIC2026)上正式发布。
附件下载： 
