香港中文大学、港大联合哈佛、卡内基梅隆这些顶尖高校，最近搞出个大新闻。

他们的新模型BraInCoRL登上了NeurIPS2025，只用100张图就能预测人的脑活动，还不用反复微调。

这事儿放在以前，神经科学界的人想都不敢想。

传统想做脑编码模型，得给每个人扫几千张图的脑活动数据。

我之前查过fMRI设备，一台就要上千万，扫一次还得半个多小时。

被试得盯着几千张图不动，累不说，次数多了数据还容易不准。

更麻烦的是，每个人的大脑精细功能都不一样，别人的模型换个人就没用，还得重新扫重新训。

有神经科医生朋友说，临床想用上这技术，光数据采集就卡了大半的路，毕竟没多少患者能扛住多次扫描。

就是因为这些麻烦，港中文的喻牧泉、港大的罗逸飞这些学者才想着搞个新方法。

他们牵头的团队，把每个脑体素都当成独立的任务来处理，这思路一开始听着挺怪，后来发现是真的妙。

传统脑编码：又费钱又费时间的“老大难”

人类的高级视觉皮层，比如管认人脸的FFA区、管认场景的PPA区，位置大致差不多，但精细结构差太多。

想给某个人做精准的脑编码模型，就得用fMRI扫几千张图，记录他的神经响应。

如此看来，这不仅费钱，还特别费时间。

之前有研究团队做实验，一个被试的数据集采集完，前后得花好几个月。

更无奈的是，就算花了这么多功夫，这个模型也只能给这一个人用，换个人就得重来。

主流的“图像特征+线性回归”方法，看着好用，跨被试泛化能力是真差。

后来也有Transformer架构的模型尝试解决，但还是得微调，没摆脱对大量数据的依赖。

这就像定制衣服，每个人都得重新量尺寸裁布料，效率低得不行。

临床场景里，癫痫患者术前需要定位脑功能区，总不能让他们反复做扫描。

3TfMRI设备的扫描过程本身就有一定压迫感，多次扫描只会增加患者的不适感，数据质量也难以保证。

这也是为什么传统脑编码模型喊了这么多年，却一直没能大规模落地临床。

BraInCoRL逆袭：100张图+不用微调的神操作

就在大家都头疼的时候，BraInCoRL横空出世，直接把这个“老大难”问题给解决了。

这个模型的核心思路，是把每个脑体素当成一个独立的任务。

本来想，这么多体素，不得训到天荒地老，后来发现他们用了元学习和上下文学习的结合。

训练的时候，模型从很多人的脑数据里，学那些通用的视觉和神经映射规律。

等到用的时候，只需要给100张新被试的图像和对应的脑活动数据当参考，不用任何微调，直接就能生成专属的编码器。

这操作就像老师教了通用的解题方法，学生做几道例题就能解新题，不用再从头学起。

模型的架构分了三部分，视觉特征编码器用了CLIP的预训练模型，上下文推理模块靠Transformer找规律，最后体素级预测器针对性输出，三者配合得是真默契。

三阶段训练策略也很有讲究，先预处理多被试数据去除噪声，再随机采样体素任务训练共性，最后优化上下文学习能力。

这套流程走下来，模型的稳定性和泛化能力都得到了保障。

它在NSD数据集上的表现，是真的亮眼。

只用100张图，预测精度就和传统用9000张图训出来的差不多，不管是认人脸、认场景还是认食物的脑区，预测效果都很稳定。

更难得的是跨设备能力，在BOLD5000数据集上，就算扫描仪和刺激协议和训练集不一样，也能准确预测。

这意味着不同实验室的设备数据可以互通，不用再为了统一设备而额外投入。

通过UMAP可视化，能看到体素权重按语义聚类，人脸归人脸，食物归食物，多个被试都能复现这种规律。

分析注意力机制的时候发现，预测人脸区域响应，模型会自动关注人脸图像，这逻辑和人脑的反应是一致的，可解释性拉满了。

最让我觉得惊喜的是，它还支持自然语言驱动。

比如输入“一张人脸的照片”这样的文本，通过CLIP转换成图像嵌入，就能零样本预测整个视觉皮层的激活图。

毫无疑问，这给脑科学研究打开了新思路，不用再费劲找大量图像，用文字就能探查大脑活动。

研究人员想知道大脑对“奔跑的动物”的响应，不用再辛苦搜集几百张相关图片，只需要输入对应的文本提示，就能快速得到激活图。

这个模型的意义远不止在实验室里。

它大幅降低了个体化脑编码模型的构建门槛，不管是视觉假体还是脑机接口，都能更快适配用户。

之前了解到，元学习在脑机接口领域已经有应用，这次BraInCoRL把它拓展到视觉皮层编码，相当于给相关研究提供了可复用的方法论。

临床方面，脑损伤患者的功能评估也能受益，通过文本指令快速预测脑活动，判断损伤区域和功能保留情况，减少扫描次数对患者来说就是实实在在的福利。

BraInCoRL首次把上下文学习引入计算神经科学，不仅解决了传统模型的数据依赖问题，还提升了可解释性和泛化能力。

能在NeurIPS这样的顶会上发表，足以证明它的含金量。

随着技术的进一步完善，相信用不了多久，我们就能在更多临床和科研场景中看到它的身影。

脑科学的个体化应用时代，怕是要提前到来了，而这一切，都源于科研人员对“少样本、高效率”的不懈追求。