研究论文
AI 神经科学家：面向神经影像的 LLM 智能体
论文提出结合大模型与神经影像工具集的智能体，支持自然语言完成质控、建模与可视化，并在 fNIRS 数据上自建基准评估。
2026.09.23 · 周三约 2 分钟阅读
近日发表于 arXiv 的一项研究提出名为「AI Neuroscientist」的交互式智能体系统，把大语言模型与神经影像分析工具集成在一起，让没有编程背景的研究者也能用自然语言完成数据探索。该工作来自 cs.AI 类目（编号 2609.25254v1），核心定位是为小规模数据探索提供一种替代传统脚本流水线的透明交互方案。
系统设计与核心能力
研究团队将一个大语言模型与一套神经影像工具集进行整合，使智能体能够完成三类典型任务：
- 质量控制（quality control），对原始信号做基础筛查；
- 建模（modeling），按研究者用自然语言指定的参数运行分析；
- 可视化（visualization），输出可解读的图表结果。
研究者只需用日常语言描述分析需求，即可驱动整条流水线运行，无需手动编写脚本。这种「自然语言即接口」的设计降低了非计算背景研究者使用神经影像工具的门槛。
评估方式与初步结果
论文以功能性近红外光谱（fNIRS）数据作为主要验证场景。作者自建了一个 fNIRS 评测基准套件，并将 AI Neuroscientist 与带有代码沙箱的通用 LLM 智能体进行对比，重点考察两者在指定分析任务上的完成质量与稳定性。但摘要中未披露具体数值结果，详细的 benchmark 数据需要查阅正文与方法章节。
局限与后续工作
作者明确指出，目前系统的覆盖面仍有限，主要集中于 fNIRS 一种模态。后续工作将沿两个方向展开：
- 将架构推广到功能磁共振成像（fMRI）等更多神经影像模态；
- 扩展 fNIRS 评测基准，覆盖更多任务类型。
整体来看，该工作属于将 LLM 智能体范式下沉到具体科研领域的一次尝试，技术框架并不算激进，但其面向小规模数据探索的「透明、交互」定位，对希望降低分析门槛的神经影像实验室具有实际参考价值。