Em 4 de junho, a pesquisa sobre memória do sono conduzida conjuntamente pelo Instituto de Inteligência Artificial de Pequim (BAAI) e pela Universidade de Tsinghua alcançou novos progressos, com os resultados relacionados, "Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep", publicados na revista acadêmica internacional Science. O estudo revela que a reativação da memória durante o sono participa da regulação da dinâmica do sono, fornecendo novas evidências experimentais para a compreensão do mecanismo de interação bidirecional "memória-sono"; o modelo de base multimodal para neurociência Brainμ0, desenvolvido pela equipe de IA+Neurociência do BAAI, forneceu suporte técnico fundamental para a análise de dados multimodais de memória-sono, identificação de estados de sono e validação auxiliar de hipóteses científicas na pesquisa.
O verdadeiro destaque deste estudo é que modelos de base de IA começaram a entrar na análise profunda de dados de mecanismos de neurociência.
A relação entre sono e memória sempre foi uma questão fundamental de alta dificuldade na neurociência. Pesquisas tradicionais provam mais que o sono ajuda na consolidação da memória, mas se a própria atividade de memória pode, por sua vez, influenciar a estrutura do sono, a transição de estados de sono e a regulação homeostática do sono, carece há muito tempo de evidências mecanísticas suficientemente claras. A razão é que a atividade cerebral durante o sono não é estável; as atividades neuronais relacionadas à memória, sinais eletroencefalográficos (EEG), dados de imagem e estados comportamentais geralmente se distribuem em diferentes escalas de tempo e diferentes modalidades de dados. Os pesquisadores precisam identificar, em dados experimentais de longo prazo, alto ruído e entre indivíduos, as mudanças de sinal realmente relacionadas à reativação da memória. O papel do Brainμ0 neste processo é integrar dados neurocientíficos originalmente dispersos em um quadro de análise multimodal unificado. Através do processamento conjunto de EEG, atividade neural e sinais relacionados à memória, ele auxilia a equipe de pesquisa a distinguir diferentes estados de sono, rastrear as características da atividade cerebral quando ocorre a reativação da memória e fornecer pistas de dados mais claras para a verificação subsequente de mecanismos causais.
O valor técnico do Brainμ0 concentra-se principalmente em dois níveis: "representação unificada" e "análise cross-modal".
Os dados de neurociência são naturalmente heterogêneos. Os sinais de EEG enfatizam a continuidade temporal, os dados de imagem de dois fótons estão mais próximos de registros de atividade em escala celular, as sondas neurais de alta densidade podem capturar a descarga de populações neuronais, e os dados comportamentais têm atributos de cena e tarefa óbvios. Os métodos tradicionais de análise geralmente dependem de extração manual de características e modelagem de modalidade única, sendo propensos à perda de informações durante a integração cross-modal. A abordagem do modelo de base multimodal para neurociência representada pelo Brainμ0 é mapear diferentes tipos de sinais cerebrais para um espaço de representação mais unificado, permitindo que o modelo estabeleça associações entre diferentes fontes de dados. Para esta pesquisa sobre memória do sono, essa capacidade pode ajudar os pesquisadores a identificar, a partir de dados complexos, as diferenças entre "sono acompanhado de reativação da memória" e "sono não acompanhado de reativação da memória", e analisar ainda mais como essas diferenças afetam a dinâmica do sono. Em outras palavras, o modelo de IA aqui não é simplesmente uma ferramenta de classificação, mas estabelece conexões interpretáveis entre dados científicos, ajudando os pesquisadores a localizar mais rapidamente hipóteses mecanísticas que valem a pena ser verificadas.
Do ponto de vista metodológico da pesquisa, esta colaboração também demonstra que a IA para a Ciência está passando de "auxiliar no processamento de dados" para "participar do fluxo de descoberta científica". No passado, as aplicações da IA nas ciências da vida concentravam-se mais em etapas como reconhecimento de imagem, limpeza de dados, anotação automática e previsão de resultados; em estudos de sistemas complexos como a neurociência, a verdadeira dificuldade é como transformar dados de múltiplas fontes em uma cadeia de evidências que possa ser raciocinada, comparada e verificada. O fluxo de análise no qual o Brainμ0 participa cobre a integração de dados multimodais, identificação de estados, descoberta de padrões e validação auxiliar de hipóteses, permitindo que o modelo de IA se integre nas etapas-chave da ciência experimental. Para a pesquisa do sono, isso significa que os pesquisadores podem observar mais sistematicamente como a atividade de memória interage com as mudanças no estado do sono; para os modelos de base em neurociência, isso significa que a capacidade do modelo não se limita mais a demonstrações de inteligência geral, mas começa a formar uma infraestrutura de pesquisa voltada para problemas experimentais reais.
O espaço subsequente para esse tipo de rota técnica não se limita apenas à pesquisa do sono e da memória. Os desafios de longo prazo enfrentados pela neurociência incluem múltiplas direções, como mecanismos cognitivos, regulação emocional, doenças neurodegenerativas, doenças psiquiátricas, interfaces cérebro-máquina e avaliação clínica da função cerebral. Todas essas direções apresentam problemas de dados multimodais, multiescala e de longo prazo. Se o Brainμ0 puder continuar expandindo a cobertura de dados, melhorar a capacidade de adaptação a paradigmas experimentais transversais e completar a verificação em tarefas reais de mais equipes de pesquisa, ele tem o potencial de se tornar uma base de análise universal na pesquisa em neurociência. Especialmente na triagem precoce de doenças, avaliação do estado funcional cerebral, decodificação da atividade neural e design de estratégias de intervenção individualizadas, modelos de base multimodais podem ajudar os pesquisadores a encurtar o ciclo desde a coleta de dados até o julgamento mecanístico, aumentando a eficiência da análise de sinais cerebrais complexos.
A publicação na Science fornece um importante endosso acadêmico para este resultado, mas seu valor científico e tecnológico mais profundo reside no fato de que as equipes de pesquisa chinesas de IA estão impulsionando as capacidades dos grandes modelos para cenários reais de pesquisa básica em neurociência. O que o Brainμ0 suporta não é uma demonstração de algoritmo único, mas um fluxo de trabalho de pesquisa voltado para dados neurais complexos: fazer a IA entender sinais cerebrais multimodais, ajudar os cientistas a verificar hipóteses mecanísticas e impulsionar a pesquisa sobre sono, memória e cognição para uma fase de condução de dados mais eficiente.