6月4日，北京智源人工智能研究院与清华大学联合开展的睡眠记忆研究取得新进展，相关成果“Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep”发表于国际学术期刊Science。该研究揭示睡眠中的记忆重激活参与调控睡眠动态，为理解“记忆—睡眠”双向作用机制提供了新的实验证据;智源研究院AI+神经科学团队研发的脑科学多模态基础模型Brainμ0，为研究中的记忆—睡眠多模态数据分析、睡眠状态识别和科学假设辅助验证提供了关键技术支撑。

这项研究真正值得关注的核心，是AI基础模型开始进入脑科学机制研究的深层数据分析环节。

睡眠与记忆之间的关系，一直是神经科学中难度较高的基础问题。传统研究更多证明睡眠有助于记忆巩固，但记忆活动本身是否会反过来影响睡眠结构、睡眠状态转换和睡眠稳态调节，长期缺少足够清晰的机制证据。原因在于，睡眠过程中的脑活动并不稳定，记忆相关神经元活动、脑电信号、成像数据和行为状态往往分布在不同时间尺度和不同数据模态中，科研人员需要在长时程、高噪声、跨个体的实验数据中识别真正与记忆重激活相关的信号变化。Brainμ0在这一过程中承担的作用，是把原本分散的神经科学数据纳入统一的多模态分析框架，通过对脑电、神经活动和记忆相关信号的联合处理，辅助研究团队区分不同睡眠状态，追踪记忆重激活发生时的脑活动特征，并为后续因果机制验证提供更清晰的数据线索。

Brainμ0的技术价值，集中体现在“统一表征”和“跨模态分析”两个层面。

脑科学数据天然具有异构特征。脑电信号强调时间连续性，双光子成像数据更接近细胞尺度活动记录，高密度神经探针能够捕捉神经元群体放电，行为数据又带有明显的场景和任务属性。传统分析方法往往依赖人工特征提取和单一模态建模，容易在跨模态整合时损失信息。Brainμ0所代表的脑科学多模态基础模型路线，是将不同类型脑信号映射到更统一的表征空间，使模型能够在不同数据来源之间建立关联。对于此次睡眠记忆研究而言，这种能力可以帮助科研人员从复杂数据中识别“伴随记忆重激活的睡眠”和“非伴随记忆重激活的睡眠”之间的差异，并进一步分析这些差异如何影响睡眠动态。换句话说，AI模型在这里并不是简单做分类工具，而是在科学数据之间建立可解释的连接，帮助研究人员更快定位值得验证的机制假设。

从科研方法看，这项合作也体现出AI for Science正在从“辅助处理数据”走向“参与科学发现流程”。过去，AI在生命科学中的应用更多集中在图像识别、数据清洗、自动标注和结果预测等环节;而在脑科学这类复杂系统研究中，真正的难点是如何把多来源数据变成可推理、可比较、可验证的证据链。Brainμ0参与的分析流程覆盖了多模态数据整合、状态识别、模式发现和假设辅助验证，使AI模型能够嵌入实验科学的关键步骤。对于睡眠研究而言，这意味着科研人员可以更系统地观察记忆活动如何与睡眠状态变化相互作用;对于脑科学基础模型而言，这意味着模型能力不再停留在通用智能展示，而是开始面向真实实验问题形成科研基础设施。

这类技术路线的后续空间，不只在睡眠和记忆研究。脑科学面对的长期挑战包括认知机制、情绪调控、神经退行性疾病、精神疾病、脑机接口和临床脑功能评估等多个方向，这些方向都存在多模态、跨尺度、长时程数据难题。如果Brainμ0能够继续扩展数据覆盖范围、提高跨实验范式适配能力，并在更多科研团队的真实任务中完成验证，它有机会成为脑科学研究中的通用分析底座。尤其在疾病早筛、脑功能状态评估、神经活动解码和个体化干预策略设计中，多模态基础模型可能帮助科研人员缩短从数据采集到机制判断的周期，提高复杂脑信号分析的效率。

Science发表为这项成果提供了重要学术背书，但其更深层的科创价值在于，中国AI研究团队正在把大模型能力推进到脑科学基础研究的真实场景中。Brainμ0所支撑的不是单一算法演示，而是一种面向复杂神经数据的科研工作流：让AI理解多模态脑信号，帮助科学家验证机制假设，并推动睡眠、记忆和认知研究进入更高效的数据驱动阶段。