Generative AI as a transformational logic for cognitive neuroscience
Christian Beste, Shervin Safavi
Communications Biology · Perspective · 2026-07-08
OVERVIEW
论文概览
一篇方法论观点：主张从静态条件对比转向学习不同任务、情境与个体之间神经状态的生成式变换，并用反事实模拟提出机制假设。
ABSTRACT
中文摘要
文章指出，认知神经科学长期依赖条件对比和相关映射，往往能定位差异，却难以描述一个神经状态如何转化为另一个状态。作者提出“生成—变换逻辑”：训练生成模型学习跨任务、情境、时间和个体的神经状态映射，再利用模型合成未观测状态、执行反事实操纵并检验潜在机制。这一框架强调多模态数据、个体差异、动态过程和可干预表征，同时要求模型预测回到实验中验证。文章将生成式 AI 定位为假设生成与实验设计工具，而不只是高性能分类器。
RESEARCH RELEVANCE
与你研究的关系
它为你的统一脑编解码模型提供总体科学目标：共享空间的价值不只在重建，还在可控地改变状态并产生可验证的神经科学预测。
LIMITATIONS
局限与核查重点
这是观点文章而非新的实证结果；反事实是否具有生物学有效性取决于数据覆盖、因果假设和外部实验验证。
SOURCE
来源与原文
Communications Biology · Perspective · 2026-07-08
Christian Beste, Shervin Safavi. Generative AI as a transformational logic for cognitive neuroscience. Communications Biology · Perspective · 2026-07-08. https://www.nature.com/articles/s42003-026-10642-w