近亿级人脑细胞喂出初代模型，北大PI想造人脑版GPT

人脑最大的悖论是：我们的大脑不够聪明，去理解如此聪明的大脑。成年人脑只有两个拳头大小，却容纳了近860亿个神经元及同等数量的非神经元细胞，织成庞大繁复的脑网络，承载全部智能、情感、记忆和自我意识。

AI能做得更好吗？这是卢萌过去15年一直想做的事。从2011年赴剑桥大学读博，到2024年回国前担任高级研究员，他主攻神经退行性疾病研究，搭建过不少细胞模型和分析算法，也借助成像技术追踪疾病进程中或用药后的细胞内部结构变化。

但他随后意识到，这类研究如同手持绣花针，只能锚定极小的微观尺度，难以窥见人脑全貌，更无法还原疾病发生、扩散的完整过程。卢萌由此产生一个想法：如果能逐层打通分子、细胞、脑区直至全脑的多尺度信息，或许可以搭建一套完整理解大脑的研究体系。

这需要海量数据和大规模算力。2017年左右，卢萌就尝试将AI引入神经科学研究，但彼时AI能力还停留在计算机视觉阶段，难以支撑跨尺度人脑建模。直到大语言模型出现，他发现Transformer的自注意力机制与生物信息高度契合。

用他的话说：把细胞比作长句子，每个基因就是一个词，细胞所处环境就是上下文，而上下文决定了基因表达水平、细胞在组织内的状态。大模型和生物信息底层原理相通，这为搭建跨尺度人脑模型创造了技术机会。

2024年回北大担任助理教授后，卢萌正式启动这项工作，并担任AI4S公司格原万维（LattixOrigin）的首席科学家。近期，格原万维已完成近千万美元种子轮融资，投资方包括顺为资本、云沐资本、Xirius和中关村资本。本轮资金将用于搭建干湿实验验证闭环，以及购买算力、组建团队等。

卢萌坦言，想将这套跨尺度解析人脑的构想落地，仅凭高校实验室资源很难维持。算力、顶尖跨学科人才成本水涨船高，模型训练、搭建干湿实验闭环，每一步都需要持续资金投入。这也是他选择吸纳外部资金的重要原因。

先做数据，再做模型

2024年入职北大后，卢萌先花了两年多时间打磨数据集。脑疾病药物研发的核心瓶颈是模型与真实人脑不匹配：传统方法靠动物实验推测人类大脑变化，但两者生理系统差异巨大，大量在动物身上有效的靶点，到人体就失效。例如，小鼠不会自发患上阿尔茨海默症，哪怕人为转入致病基因，也只能模拟部分症状。

在他看来，想更好地开展脑科学研究、开发脑疾病药物，就要以真实人脑数据为底层支点，做人脑基础模型。早期团队其实有些低估了项目难度——脑科学领域无法像做动物实验那样规模化采集人脑样本，大多只能从医院获取，全球公开的人脑研究数据一直非常零散、总量有限，且缺少统一质控和标注标准。

团队整合了包括跨国联合科研项目BICCN（大脑细胞普查网络）等200余项研究，全部原始数据总量近亿级的人脑细胞，规模上位居全球前列。横向对比，2023年BICCN在《Science》上发表的核心研究成果的数据量为330万，艾伦研究所（Allen Institute）最大的人脑数据集SEA-AD（2026）为600万。

数据类型也较广泛，包含超过4000名供体、年龄跨度为0-96岁，覆盖全脑165个脑区以及神经元、胶质细胞、血管细胞等全部细胞类型。这个量级、丰富度已可供先训练初代DigitalBrain-M1人脑基础模型，探索人脑共通的底层机制和约束。后续团队计划推进与国内外顶级医院等医疗机构的合作，进一步补充中国人脑数据等特色数据。

简单的数据收集、汇总，门槛确实较低。但团队做了专业的数据精炼：参考艾伦金标准的标注体系，对各项研究进行统一的去批次、降噪、补充元信息、对齐到同一个表征空间，产出AI-ready的标准化人脑数据集，形成训练底座。

同时开发了独有的基因检索功能。过去研究人员只能了解某个基因在局部脑区的表达，还得先找到原始切片图或表达矩阵，再自己写代码处理，耗时长，结论也未必清晰。在格原万维的系统中，可以像打车软件一样直接检索任意基因在全脑各脑区各类细胞中的准确表达情况，还可选择疾病和年龄条件。这就像给人脑构建了一个谷歌地图，精准了解基因坐标。目前，已将近1700万个细胞的标准化数据开源，供全球研究者免费检索使用。

标准化工作的繁琐之处在于需逐份核对数据集。虽然自动化批量处理算法也能做，但无法解决全部问题，例如部分数据集存在文件名与内部数据不匹配、重复标注、标注错误等问题。在海量数据点里定位错误来源，就像从成千上万个零件里排查故障零件。为保质量，团队会逐一做人工复核校验。

M1相当于GPT-2

模型不会自动实现跨尺度推理。预训练阶段，它输出的是表征嵌入，即将基因、细胞的生物学信息编码成数字向量。生物学上越相似的东西，在这个向量空间里离得越近。但这是模型理解生物信息的基础产物，还不能直接用来做疾病推演、靶点预测等复杂任务。

有意思的是，用DigitalBrain-M1的表征分析脑区之间的功能关联，结果和传统影像组学（fMRI）的观测高度匹配。最典型的是BA23和BA32两个脑区，它们都在大脑内侧的扣带回上，BA32在前，BA23在后，隔得不算近。但功能上，它们同属默认模式网络，负责回忆、内省、自我价值评判等活动。DigitalBrain-M1只看成千上万个细胞的基因表达，没见过脑影像信息，却能识别出这两个脑区存在功能关联，这说明模型捕捉到跨层级脑网络的底层生物学规律。当然，目前达成的还只是部分脑区的匹配，全脑范围的精准匹配还做不到。

后续迭代的思路是构建AI4S的Scaling Law，不断扩大数据集规模，提高算力和参数量。卢萌把DigitalBrain-M1比作GPT-2：GPT-2最初只是一个可以续写文本的模型，但其真正的价值在于走上了Scaling Law的正确路线，只是能力不够颠覆。后续GPT-4、GPT-5随着规模放大，涌现出的推理能力、多模态能力，使模型能够落地到很多小模型阶段预想不到的应用场景。M2已经启动研发，目标是涌现出更强的多尺度人脑解析能力。

要实现这些目标，需要打造两套闭环：对外联合医院共建数据集，联合高校构建干湿实验闭环。AI4S和纯AIGC不太一样，前者必须依靠真实实验数据来迭代模型。但传统科研小作坊模式的数据产出效率远远不够，所以需要依靠自动化和机器人，以工业级规模生产生物学数据，支撑Scaling Law落地。

脑机接口是远期场景

除新药研发外，脑机接口是公司规划的远期落地场景。从生物学的基本原理而言，所有层级的结构和动力学都由最底层的基因表达决定，这也是格原万维的出发点。脑机接口的核心，其实就是找到精准靶点，用合适的模式做刺激调控。而找靶点、预测刺激效果，恰恰是模型能发挥作用的地方。

以抑郁症、精神分裂症这类精神疾病为例。依托完整的分子信息，模型可以推演大脑的连接网络，再基于网络做预测、模拟扰动，评估特定基因背景下的患病概率；或定位网络里比较脆弱的节点，研究怎么调控才能降低发病风险。相当于告诉你刺激哪里、怎么刺激。脑机接口可以调用人脑基模优化自身模型，格原万维也希望获取脑机接口的实测数据，迭代自己的模型。

一些脑机接口、脑影像公司虽也在做人脑基础模型，但主要基于影像数据做训练，分辨率为毫米级，能看脑区整体情况，但缺乏最底层的单细胞、基因表达这类微观分子信息；一些虚拟细胞企业尝试做类似的事，但主要聚焦在实验室条件下的细胞扰动训练，缺乏真实细胞的人脑层级信息。以人脑细胞为基础，构建基于基因表达的层级涌现模型，是格原万维独特的地方。

想要真正落地在脑机接口场景，DigitalBrain还需要补齐两项能力：首先是从现在的局部匹配到实现完整、精准的全脑脑网络涌现能力；其次是动态状态空间，也就是时间序列预测能力，不只是预测静态的脑区关联，还要能预测施加刺激、扰动之后，脑网络的状态怎么随时间变化，比如刺激之后效果能持续多久，不同频率、不同强度的刺激有什么不同效果。