睡眠与记忆的相互作用，是神经科学长期关注的重要问题。过去大量研究表明，睡眠能够促进记忆巩固；但反过来，作为睡眠中大脑活动的重要组分，记忆重放是否也会影响睡眠结构，尤其是记忆内容如何适应性参与睡眠稳态调控，仍有待进一步阐明。这一问题的关键，在于如何从睡眠活动、记忆活动等多模态、长时程数据中，捕捉记忆相关神经活动与睡眠状态变化之间的因果关系，并进一步验证其潜在调控作用。
2026年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研究围绕这一问题取得新进展。相关成果“Memory Reactivation Underlies Experience-Dependent Adaptive Regulation of Sleep”在国际学术期刊《科学》（Science）发表。北京智源人工智能研究院悟界·Brainμ模型团队负责人雷博研究员与清华大学生命学院钟毅教授为本文的共同通讯作者。
研究表明，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。作为本研究中的数据分析的技术支撑，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、辅助科学家假设验证、睡眠状态识别等关键分析环节提供了支撑，也展示了AI for neuroscience基础模型参与复杂生命科学基础研究的潜力。
1. 智源自研神经科学基础模型Brainμ，面向神经科学多模态数据的AI分析基座
现代神经科学数据进入多模态、高通量、长时程的记录的时代，随之而来的多源神经数据异质性强、统一表征与联合分析难度高，已成为基础研究中的共性挑战。针对这一需求，智源研究院研发了脑科学多模态基础模型Brainμ0。其核心模块Brainμ Tokenizer可将神经科学基础研究中EEG、双光子钙成像数据、Neuropixels等不同类型的神经信号转化为对齐的神经活动表征token，使多模态数据能够在统一框架下进行分析。结合配套的基础模型解码器，Brainμ0可支持跨个体、跨场景的数据标注、特定神经活动事件识别、神经活动预测、跨模态对齐等神经科学基础研究任务。
图1 Brainμ Tokenizer (Mouse) 结构示意图
（图源：AI生成）
2. 从“睡眠促进记忆”到“记忆反向调控睡眠”： AI基础模型辅助神经科学假设验证
基于Brainμ模型的多模态神经信号编解码能力，研究团队提出了使用神经科学基础模型辅助假设验证与信号因果推断的 “AI+基础研究”新思路。在本次刊发于Science的记忆调控睡眠活动的研究中，Brainμ0被用于处理与建模分析睡眠 EEG 信号与记忆相关单细胞双光子钙成像信号。模型不仅帮助研究人员确认记忆活动的神经信号可以有效预测睡眠相位变化的发生，也同时可以辅助区分“伴随记忆重激活的睡眠”（Memory Reactivation Sleep, MRS）与“非伴随记忆重激活的睡眠”（Non-MRS），为数据驱动的神经科学假设验证提供辅助。在整个研究中，Brainμ在零样本（Zero-shot）场景下，实现了跨个体、跨场景数据分析与验证，体现了基础模型在神经科学数据分析中的泛化潜力。
研究团队首次证实睡眠中负向记忆再激活会加剧睡眠碎片化、提升机体警觉性，正向记忆再激活则可显著增强睡眠连续性与抗干扰能力。该发现推动了对睡眠调控的认识：睡眠并非单一的被动恢复过程，也可能受到既往经验和记忆内容的动态影响。不仅为睡眠-记忆双向调控机制建立了全新科学框架，也为抑郁、焦虑等精神疾病伴发的睡眠障碍提供了全新的机制视角与治疗思路。
图2 Brainμ模型辅助神经科学家验证记忆活动与睡眠动态性关系
3. 从机制验证到自动化分析：Brainμ构建“AI+神经科学家”新范式
除本次研究中的假设验证和神经信号分析场景外，Brainμ0模型已在多个神经科学前沿实验室的真实科研场景中开展应用，辅助神经科学家进行跨物种、跨模态的数据分析与科学假设验证，覆盖记忆、情绪、脑疾病等相关神经科学研究方向。
在智源研究院与北京生命科学研究所（NIBS）的联合研究中，Brainμ0被应用于小鼠睡眠神经活动数据自动化分析。现有小鼠睡眠自动分析算法在面对新的实验范式或新转基因品系时，常会出现性能下降的情况，限制了其在真实科研场景中的稳定应用。相比以往面向单一任务或单一数据类型的小模型，Brainμ0的训练数据覆盖超过 7 万晚睡眠记录，并纳入不同转基因背景、任务范式、脑区及其他模态数据，因此具备更强的跨个体、跨任务、跨模态泛化能力。在与北生所刘清华团队的合作中，Brainμ0用于不同转基因品系小鼠长期睡眠数据的自动化分析，并通过了超过3000晚睡眠数据的“模型+人类专家”双向验证。同时研究团队联合华为，使用昇腾超节点以及全栈AI4S能力对Brainμ模型完成了深度的推理适配与优化，已经持续支持了超10个月的自动化分析。相关分析不仅实现了Zero-shot跨品系泛化，且10个月的数据分析结果均与专业睡眠神经科学博士研究生分析结果保持较高一致性。
图3 Brainμ辅助跨场景、跨个体的小鼠睡眠自动化分型
（图源：AI生成）
Brainμ基于多模态基础模型的构架设计，具备灵活的下游任务适配能力，可面向不同实验范式和数据模型提供统一的神经信号表征以及基于大语言模型的推理分析。面向未来，智源研究院将持续推进Brainμ等科学智能基础模型的研发与落地，直面脑科学领域高复杂度、多模态、跨尺度的数据挑战，探索AI与神经科学基础研究深度融合的新范式，推动人工智能成为助力复杂生命科学问题解析和基础研究突破的重要工具。
