睡眠與記憶的相互作用，是神經科學長期關注的重要問題。過去大量研究表明，睡眠能夠促進記憶鞏固；但反過來，作為睡眠中大腦活動的重要組分，記憶重放是否也會影響睡眠結構，尤其是記憶內容如何適應性參與睡眠穩態調控，仍有待進一步闡明。這一問題的關鍵，在于如何從睡眠活動、記憶活動等多模態、長時程數據中，捕捉記憶相關神經活動與睡眠狀態變化之間的因果關系，并進一步驗證其潛在調控作用。

2026年6月4日，北京智源人工智能研究院與清華大學聯合開展的研究圍繞這一問題取得新進展。相關成果“Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep”在國際學術期刊《科學》（Science）發表。北京智源人工智能研究院悟界·Brainμ模型團隊負責人雷博研究員與清華大學生命學院鐘毅教授為本文的共同通訊作者。

研究表明，睡眠中的記憶重激活參與調控睡眠動態，為理解“記憶-睡眠”雙向作用機制提供了新的實驗證據。作為本研究中的數據分析的技術支撐，智源研究院AI+神經科學團隊研發的腦科學多模態基礎模型Brainμ0，為研究中的記憶-睡眠多模態數據分析、輔助科學家假設驗證、睡眠狀態識別等關鍵分析環節提供了支撐，也展示了AI for neuroscience基礎模型參與復雜生命科學基礎研究的潛力。

1、智源自研神經科學基礎模型Brainμ，面向神經科學多模態數據的AI分析基座

現代神經科學數據進入多模態、高通量、長時程的記錄的時代，隨之而來的多源神經數據異質性強、統一表征與聯合分析難度高，已成為基礎研究中的共性挑戰。針對這一需求，智源研究院研發了腦科學多模態基礎模型Brainμ0。其核心模塊Brainμ Tokenizer可將神經科學基礎研究中EEG、雙光子鈣成像數據、Neuropixels等不同類型的神經信號轉化為對齊的神經活動表征token，使多模態數據能夠在統一框架下進行分析。結合配套的基礎模型解碼器，Brainμ0可支持跨個體、跨場景的數據標注、特定神經活動事件識別、神經活動預測、跨模態對齊等神經科學基礎研究任務。

Brainμ Tokenizer (Mouse) 結構示意圖

（圖源：AI生成）

2、從“睡眠促進記憶”到“記憶反向調控睡眠”：AI基礎模型輔助神經科學假設驗證

基于Brainμ模型的多模態神經信號編解碼能力，研究團隊提出了使用神經科學基礎模型輔助假設驗證與信號因果推斷的 “AI+基礎研究”新思路。在本次刊發于Science的記憶調控睡眠活動的研究中，Brainμ0被用于處理與建模分析睡眠 EEG 信號與記憶相關單細胞雙光子鈣成像信號。模型不僅幫助研究人員確認記憶活動的神經信號可以有效預測睡眠相位變化的發生，也同時可以輔助區分“伴隨記憶重激活的睡眠”（Memory Reactivation Sleep, MRS）與“非伴隨記憶重激活的睡眠”（Non-MRS），為數據驅動的神經科學假設驗證提供輔助。在整個研究中，Brainμ在零樣本（Zero-shot）場景下，實現了跨個體、跨場景數據分析與驗證，體現了基礎模型在神經科學數據分析中的泛化潛力。

研究團隊首次證實睡眠中負向記憶再激活會加劇睡眠碎片化、提升機體警覺性，正向記憶再激活則可顯著增強睡眠連續性與抗干擾能力。該發現推動了對睡眠調控的認識：睡眠并非單一的被動恢復過程，也可能受到既往經驗和記憶內容的動態影響。不僅為睡眠-記憶雙向調控機制建立了全新科學框架，也為抑郁、焦慮等精神疾病伴發的睡眠障礙提供了全新的機制視角與治療思路。

Brainμ模型輔助神經科學家驗證記憶活動與睡眠動態性關系

3、從機制驗證到自動化分析：Brainμ構建“AI+神經科學家”新范式

除本次研究中的假設驗證和神經信號分析場景外，Brainμ0模型已在多個神經科學前沿實驗室的真實科研場景中開展應用，輔助神經科學家進行跨物種、跨模態的數據分析與科學假設驗證，覆蓋記憶、情緒、腦疾病等相關神經科學研究方向。

在智源研究院與北京生命科學研究所（NIBS）的聯合研究中，Brainμ0被應用于小鼠睡眠神經活動數據自動化分析。現有小鼠睡眠自動分析算法在面對新的實驗范式或新轉基因品系時，常會出現性能下降的情況，限制了其在真實科研場景中的穩定應用。相比以往面向單一任務或單一數據類型的小模型，Brainμ0的訓練數據覆蓋超過 7 萬晚睡眠記錄，并納入不同轉基因背景、任務范式、腦區及其他模態數據，因此具備更強的跨個體、跨任務、跨模態泛化能力()。在與北生所劉清華團隊的合作中，Brainμ0用于不同轉基因品系小鼠長期睡眠數據的自動化分析，并通過了超過3000晚睡眠數據的“模型+人類專家”雙向驗證。同時研究團隊聯合華為，使用昇騰超節點()以及全棧AI4S能力對Brainμ模型完成了深度的推理適配與優化，已經持續支持了超10個月的自動化分析。相關分析不僅實現了Zero-shot跨品系泛化，且10個月的數據分析結果均與專業睡眠神經科學博士研究生分析結果保持較高一致性。

Brainμ輔助跨場景、跨個體的小鼠睡眠自動化分型

（圖源：AI生成）

Brainμ基于多模態基礎模型的構架設計，具備靈活的下游任務適配能力，可面向不同實驗范式和數據模型提供統一的神經信號表征以及基于大語言模型的推理分析。面向未來，智源研究院將持續推進Brainμ等科學智能基礎模型的研發與落地，直面腦科學領域高復雜度、多模態、跨尺度的數據挑戰，探索AI與神經科學基礎研究深度融合的新范式，推動人工智能成為助力復雜生命科學問題解析和基礎研究突破的重要工具。