神经科学领域长期面临一个核心挑战：如何从复杂的神经环路中解码大脑的智能算法。尽管深度学习模型已能模拟脑活动，但其泛化能力受限，难以适应新刺激类型。这一问题在视觉皮层研究中尤为突出——传统模型对自然视频的响应预测尚可，但遇到合成或参数化刺激（如Gabor斑、随机点阵）时表现骤降。此外，跨个体、跨脑区的神经活动差异使得模型难以通用化。

为突破这些限制，来自Baylor College of Medicine的Eric Y. Wang团队联合MICrONS联盟，在《Nature》发表了开创性研究。他们构建了首个小鼠视觉皮层基础模型，通过整合大规模数据集（8只小鼠、900分钟记录、66,000神经元），实现了跨个体、跨刺激域的高精度预测，并首次将功能响应与解剖特征（如细胞类型、突触连接）直接关联。

研究采用四大关键技术：1）多模态数据采集（14只小鼠的视觉皮层响应，含自然视频与参数化刺激）；2）模块化神经网络架构（含视角校正、行为调制、核心计算和读出模块）；3）基于Poisson损失函数的动态响应预测；4）MICrONS数据集验证（结合70,000神经元的功能记录与纳米级解剖数据）。

研究结果分为四部分：

1. ??动态功能模型性能验证??
   模型在自然视频测试中较前代提升25-46%准确率（CC_norm），且高阶视觉区（如AL、RL）预测性能与V1相当。消融实验显示，3D卷积核与行为调制模块分别贡献0.88%和2.8%性能增益。

2. ??跨个体与跨刺激域泛化??
   基础核心（foundation core）迁移至新个体时，仅需30分钟训练数据即可达到0.65 CC_norm，优于独立训练的个体模型（需60分钟）。在未训练的刺激域（如漂移Gabor滤波器），模型仍保持55%以上的预测精度。

3. ??经典调谐特性的精准复现??
   通过方向性粉红噪声刺激，模型估算的取向选择指数（OSI）与真实神经元的误差仅4°（强调谐神经元）。空间调谐分析中，偏好位置预测误差仅0.02屏幕宽度（约2°视野）。

4. ??解剖特征的函数预测??
   在MICrONS数据集中，模型读出的512维功能条形码（functional barcode）成功预测兴奋性神经元类型（平衡准确率68% vs. 随机基线25%），并揭示树突形态差异（如L5ET细胞的特异性）。

讨论指出，该模型标志着神经科学进入“基础模型时代”：其核心突破在于通过共享表征学习，将异构数据（跨个体、跨模态）统一为可扩展的计算框架。这不仅解放了实验资源（如减少参数化刺激的活体测试），更揭示了功能-结构关联的新规律（如突触连接偏好性）。未来，扩展至自由行为、全脑尺度的多模态模型，或将最终破解自然智能的算法密码。