美国佛罗里达国际大学、得克萨斯大学奥斯汀分校、牛津大学和麦吉尔大学研究团队在《Nature Communications》发表NiCLIP研究，尝试用机器学习从脑部激活图推断相关的认知任务、概念和领域。论文发布日期为2026年10月13日，处于最近7天范围内。原始论文：NiCLIP：用于从脑激活图预测文本的神经影像对比式语言—图像预训练模型
一、研究做了什么
NiCLIP是一种对比式语言—图像预训练模型，使用超过2.3万篇文章进行训练，把神经影像中的脑激活模式与自然语言中的认知任务、概念和研究领域联系起来。研究目标不是直接读取个人思想，而是改善传统功能解码方法对脑区功能和文献语义的概括能力。
二、模型如何建立关联
研究团队将脑激活图作为输入，并使用经过整理的认知本体，把任务、概念和领域进行更精确的映射。论文摘要称，使用全文文章以及经过筛选的任务—概念—领域关系时，模型表现更好。这说明训练数据的语义完整度和标签体系，可能与模型结构本身同样重要。
三、目前观察到的结果
在人类连接组计划的群体层面脑激活图上，NiCLIP能够预测多个领域的认知任务，包括情绪、语言和运动等，并对杏仁核、海马体以及颞顶联合区等脑区的功能角色给出较细致的描述。需要注意的是，研究摘要没有提供本文页面中可核验的统一性能数字，因此不能据此宣称模型已经达到临床或通用脑机接口水平。
四、关键限制是什么
模型面对带有较多噪声的个体层面激活图时能力受限。群体平均图通常更稳定，而单个受试者的脑信号、扫描条件和个体差异会增加不确定性。因此，NiCLIP目前更适合作为科研中的假设生成和功能解码辅助工具，不能简单理解为能够可靠地从个人脑扫描结果还原具体思想或意图。
五、行业和研究意义
这项工作展示了机器学习如何把神经影像分析从“脑区对应哪些行为”推进到“脑激活模式对应哪些语言化认知概念”。其价值一方面在于帮助研究人员整理跨论文、跨任务的功能语义关系，另一方面也提示未来系统必须同时处理数据质量、个体泛化和认知标签定义问题。对于医疗和脑机接口应用，仍需要更多独立数据、明确的误差评估以及对隐私和误读风险的约束。
总结
NiCLIP的主要进展是把对比式语言—图像学习用于脑激活图的功能解码，并在群体层面展示了从激活模式预测认知任务和概念的可行性。但论文同时承认个体层面噪声会削弱效果，且当前可核验摘要未给出足以支持临床应用的统一指标。因此，这更应被看作神经科学研究工具的一次扩展，而不是成熟的个人思想读取技术。
事件及资料日期：论文发表于2026年10月13日；资料查阅日期为2026年10月16日。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
