Google 联合哈佛推出 ZAPBench：用 7 万神经元全脑数据预测脑电

ZAPBench 是 Google Research 联合 HHMI Janelia 与哈佛大学在 ICLR 2025 发布的开源神经活动基准，专门用来测试 AI 模型预测全脑神经元放电动态的能力。

它为研究人员提供了一套单细胞分辨率的斑马鱼全脑动态数据集，核心任务很简单：就像大语言模型预测下一个 token 一样，让 AI 根据此前观察到的一段脑活动视频，预测接下来 30 秒内整颗大脑约 7 万个神经元的放电情况。

7 万个神经元如何被完整记录

传统的神经科学研究大多只盯着极小一块脑区，比如小鼠视觉皮层基准 Dynamic Sensorium 覆盖的脑区连 0.1% 都不到。但真实的捕食、避障等复杂行为，往往需要感觉、决策、运动控制等全脑多个区域协同工作。

研究团队选择 6 天大的幼年斑马鱼作为对象，原因在于它身体几乎全透明，且已经具备在暗流中游动、捕食和学习的能力。合作团队利用光片显微镜搭配 GCaMP 钙荧光指示剂，通过激光逐层扫描，记录了鱼脑内钙离子进入活跃神经元时亮起的荧光信号。

在长达 2 小时的全脑 3D 录制过程中，斑马鱼置身于虚拟现实环境中，眼前会播放 9 类模拟自然环境的动态视觉刺激，比如模拟水底光影流动的黑白条纹。团队同步在鱼尾贴上电极，记录它尝试顶着虚拟水流游动时的肌肉反应。

开源的数据集包含两种格式：一种是原始的光片显微镜 3D 体积视频，另一种是通过体素分割将每个神经元提取出来后的连续时间序列，每一行对应一个独立细胞在 2 小时内的活动强弱。

模型如何预测未来 30 秒

ZAPBench 设立的评测指标是平均绝对误差（MAE），用来衡量预测出的神经活动与真实记录之间的差距。

基线测试显示出几个明确的规律。首先是上下文长度至关重要，输入模型参考的历史活动片段越长，模型对未来 30 秒的预测就越准确。

其次，直接用 3D 体积视频训练的模型，在部分测试中的表现超过了经过提炼的单细胞时间序列模型。研究人员推测，这可能是因为 3D 视频天然保留了神经元之间的空间几何关联。

测试中也暴露了局限：模型在预测某些特定脑区时出错概率明显更高，说明各脑区的动态复杂程度差异很大；不过模型在面对较低分辨率输入时，依然表现得相对稳健。

目前该数据集聚焦于动态生理信号，研究团队正在补齐这尾斑马鱼完整的物理结构连接组（connectome），未来两者结合后，模型将能结合解剖结构做更精准的推断。

为什么重要

对于从事计算神经科学和时空序列建模的研究者来说，ZAPBench 值得第一时间上手。它第一次把全脑尺度的单细胞动态数据整理成标准 ML 任务，省去了繁琐的显微镜原始数据清洗成本。

我们认为，这项工作的聪明之处在于它跳出了局部神经回路的修修补补，直接把大模型预测范式搬到了完整的脊椎动物大脑上。虽然斑马鱼离哺乳动物仍有距离，且当前缺少物理突触连接先验，但它为验证通用时空架构是否真正理解生命系统动态，提供了一块不可多得的开源试验田。