Google 聯合哈佛推出 ZAPBench：用 7 萬神經元全腦資料預測腦電

ZAPBench 是 Google Research 聯合 HHMI Janelia 與哈佛大學在 ICLR 2025 釋出的開源神經活動基準，專門用來測試 AI 模型預測全腦神經元放電動態的能力。

它為研究人員提供了一套單細胞解析度的斑馬魚全腦動態資料集，核心任務很簡單：就像大語言模型預測下一個 token 一樣，讓 AI 根據此前觀察到的一段腦活動影片，預測接下來 30 秒內整顆大腦約 7 萬個神經元的放電情況。

7 萬個神經元如何被完整記錄

傳統的神經科學研究大多隻盯著極小一塊腦區，比如小鼠視覺皮層基準 Dynamic Sensorium 覆蓋的腦區連 0.1% 都不到。但真實的捕食、避障等複雜行為，往往需要感覺、決策、運動控制等全腦多個區域協同工作。

研究團隊選擇 6 天大的幼年斑馬魚作為物件，原因在於它身體幾乎全透明，且已經具備在暗流中游動、捕食和學習的能力。合作團隊利用光片顯微鏡搭配 GCaMP 鈣熒光指示劑，通過雷射逐層掃描，記錄了魚腦內鈣離子進入活躍神經元時亮起的熒光訊號。

在長達 2 小時的全腦 3D 錄製過程中，斑馬魚置身於虛擬現實環境中，眼前會播放 9 類模擬自然環境的動態視覺刺激，比如模擬水底光影流動的黑白條紋。團隊同步在魚尾貼上電極，記錄它嘗試頂著虛擬水流遊動時的肌肉反應。

開源的資料集包含兩種格式：一種是原始的光片顯微鏡 3D 體積影片，另一種是通過體素分割將每個神經元提取出來後的連續時間序列，每一行對應一個獨立細胞在 2 小時內的活動強弱。

模型如何預測未來 30 秒

ZAPBench 設立的評測指標是平均絕對誤差（MAE），用來衡量預測出的神經活動與真實記錄之間的差距。

基線測試顯示出幾個明確的規律。首先是上下文長度至關重要，輸入模型參考的歷史活動片段越長，模型對未來 30 秒的預測就越準確。

其次，直接用 3D 體積影片訓練的模型，在部分測試中的表現超過了經過提煉的單細胞時間序列模型。研究人員推測，這可能是因為 3D 影片天然保留了神經元之間的空間幾何關聯。

測試中也暴露了侷限：模型在預測某些特定腦區時出錯機率明顯更高，說明各腦區的動態複雜程度差異很大；不過模型在面對較低解析度輸入時，依然表現得相對穩健。

目前該資料集聚焦於動態生理訊號，研究團隊正在補齊這尾斑馬魚完整的物理結構連線組（connectome），未來兩者結合後，模型將能結合解剖結構做更精準的推斷。

為什麼重要

對於從事計算神經科學和時空序列建模的研究者來說，ZAPBench 值得第一時間上手。它第一次把全腦尺度的單細胞動態資料整理成標準 ML 任務，省去了繁瑣的顯微鏡原始資料清洗成本。

我們認為，這項工作的聰明之處在於它跳出了局部神經迴路的修修補補，直接把大模型預測範式搬到了完整的脊椎動物大腦上。雖然斑馬魚離哺乳動物仍有距離，且當前缺少物理突觸連線先驗，但它為驗證通用時空架構是否真正理解生命系統動態，提供了一塊不可多得的開源試驗田。