倫敦大學學院新突破：僅憑小鼠大腦訊號，演算法重建出 10 秒影片

想知道別人或者動物眼前看到了什麼，過去最前沿的做法是把受試者塞進笨重的 fMRI 機器裡，從模糊的血流訊號中倒推一些像打了馬賽克的輪廓。

現在，研究人員把這個探頭直接插到了單個腦細胞上。3 月 10 日，倫敦大學學院（UCL）桑斯伯裡韋康姆中心的 Joel Bauer 博士團隊在學術期刊《eLife》發表最新成果：他們僅憑小鼠視覺皮層的單細胞腦活動記錄，成功讓演算法重建出了小鼠此前看過的 10 秒影片片段。

拋棄大機器，直接數單個神經元的閃爍

這項實驗的核心改變在於觀測尺度。以往依賴的人體 fMRI（功能性磁共振成像）只能看到大片腦區每秒鐘的血流變化，雖然無創，但空間解析度太粗糙。

UCL 團隊改用雙光子等微觀成像技術，通過監測區域性鈣離子濃度的躍升，記錄下小鼠視覺皮層中成百上千個單個神經元何時被點亮。這就好比從看整個城市的用電總量，精細到了監控每一盞路燈的開關。

團隊借用了 2023 年 Sensorium 競賽中開發的一個動態神經編碼模型，並對其進行了關鍵改良。模型不僅要計算影片幀與腦細胞放電的對應關係，還專門把小鼠的身體狀態算了進去，包括小鼠的身體移動和瞳孔放大程度。說白了，大腦接收畫面從不是孤立運轉的，小鼠是緊張還是跑動，都會直接改寫神經訊號的強度。

從一張白紙，反向算出 10 秒動態畫面

具體的解碼演算法走得相當巧妙。研究人員先假設小鼠看的是一張純空白螢幕，計算出此時神經元應該有的反應，然後把它與真實測到的小鼠腦訊號做差值比對。

接著，演算法像調整引數一樣，根據這個差值逐步迭代修改空白影片裡的每個畫素點。一輪輪微調下來，輸出的畫面最終和小鼠眼前看到的場景無限貼近。

當這套模型訓練完成後，面對一段小鼠全新看過、演算法從未見過的 10 秒影片，僅靠小鼠的腦訊號，系統就端出了高水準的動態還原畫面。經過畫素級的時間和空間相關性對比，重建影片和原影片在動作發生的時間點上幾乎完全同步。實驗還確認，記錄追蹤的單個神經元越多，畫面的復原準確度就越高。

Bauer 博士指出，現在的技術重點仍是提升畫質解析度和擴大視野範圍。但更有趣的發現是，還原出來的影片和真實畫面之間的偏差，往往不能簡單歸咎為演算法誤差。大腦在把視網膜訊號傳到視覺皮層時，本來就會主動修飾、扭曲和補充資訊。這套工具能幫科學家看清現實世界是如何一步步被生物大腦腦補成主觀感知的。

為什麼重要

在神經科學和腦機介面領域，這篇論文邁出了很有說服力的一步。它證明了不靠黑盒猜測，單憑高精度的單細胞生理活動結合身體狀態資料，深度學習模型已經有能力端到端還原連續的動態時空視覺。

我們覺得這項研究最聰明的地方，在於沒有盲目堆疊生成式大模型去腦補畫面，而是用編碼模型的反向更新，逼著畫素去匹配真實的生物放電。這就保證了還原出來的畫面是忠於腦訊號的，而不是 AI 憑藉常識幻覺畫出來的假象。另外，把瞳孔和動作這類內部狀態納入視覺解碼，踩中了具身感知的核心邏輯。

但普通讀者不用擔心有人會突然偷看你的夢境。目前單細胞記錄必須藉助侵入式的光學成像技術，只能在實驗室環境下的實驗動物身上施展，根本無法直接搬到人類大腦。而且 10 秒片段在複雜動態場景下的清晰度依然有限。

看起來，它眼下最大的價值不是充當意念錄影機，而是作為一把解剖大腦認知機制的手術刀。對於計算機視覺和下一代類腦架構的研發者來說，這套方法或許能第一次用可量化的資料回答：生物大腦在把外界光訊號變成意識畫面的流水線上，究竟偷工減料了什麼，又自主增添了什麼。