結合 AI 工具與
跨領域神經科學研究

Combining AI Tools with Interdisciplinary Neuroscience Research


劉宇舜  ·  中研院 吳玉威實驗室 / 陽明交大 魏群樹實驗室  ·  2026.03.31

🧠 自動化研究 × 自學 × 認真過每一天

QR Code

raisoliu.github.io/ai-tools-sharing-talk

關於我 & 我的研究旅程

Raiso
  • 🔬 研究方向：用 AI（視覺基礎模型）做動物行為自動辨識
  • 📄 第一作者論文 — CASTLE：基於 DINOv2 的無監督行為分析
  • 📮 投稿 Neuron → 送審 → 被拒絕 → 優化後要再挑戰一次
  • 💡 一個有故事的博士生，提供各位職涯與研究選擇的參考
01

AI 全自動做研究的發展

The AI Scientist · Sakana AI & Nature (2026)

當 AI 能自己提出假說、寫程式、跑實驗、寫論文…
研究者的角色會怎麼改變？

📄 Lu et al., Nature (2026) — The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery

AI Scientist 做了什麼？

  • 🧪 自動生成研究假說
  • 💻 自己寫實驗程式碼
  • 📊 自動跑實驗、分析結果
  • 📝 自動撰寫完整論文 (LaTeX)
  • 🔍 自動 Peer Review
  • 🔄 迭代改進

💰 ~$15 USD / paper  ·  ~數小時

AI Scientist generated paper example

AI 能力展示：EEG 失智症分類

AI 自主完成：Comprehensive Benchmark of ML & DL for EEG-Based Dementia Differential Diagnosis
AD vs CN / FTD vs CN / Multiclass — 88 subjects, ~29K epochs, 13 models

Figure 1: Dataset Overview

Figure 1 — Dataset overview (demographics + raw EEG)

Figure 2: Spectral Analysis

Figure 2 — Spectral evidence (PSD, band power, ratio)

AI 自動研究：優勢與限制

✅ 優勢

  • 📈 產出越來越像正式論文
  • 🌉 擅長把 A 領域方法搬到 B 領域
  • ⚡ 速度極快、成本極低
  • 🔄 可大量迭代、不會疲勞

⚠️ 限制

  • 🚨 會犯資料洩漏 (Data Leakage)
  • 📉 會產出意義不明的圖表
  • 🤖 缺乏真正的科學直覺
  • 🔮 但這些都在快速改善中…

🔑 時代紅利：做困難事情的門檻大幅降低

02

門檻到底有多低？

Live Demo · AI 驅動的數據分析

案例：AI 數據分析實戰

🦞 龍蝦行為分析

  • 1️⃣ 一段對話 → AI 設計分析 pipeline
  • 2️⃣ Step-by-step panel
  • 3️⃣ AI 主動指出錯誤並說服修正
  • 4️⃣ 產出可放進論文的圖

🐭 MPTP 老鼠團隊分析

  • 🧪 Agent 1 — SG Parameter Sweep
  • 📊 Agent 2 — Pre vs Post Profiles
  • 🔍 Agent 3 — Phase Decomposition

✅ 3 sub-agents → 30 分鐘後自動彙報

MPTP Chat Prompt

一句話的指令

Team Analysis Chat

AI 自動展開分析任務

AI 團隊分析 — 指令 → 結果

MPTP Layer 3 Results

行為時間分配 + Bout 分析

Transition Network

行為轉移機率變化網絡圖

🔑 人只負責「提問」，AI 負責「設計 + 執行 + 分析 + 報告」

「現在人人都是軟體工程師」
— Naval Ravikant


現在，人人都是數據分析師

AI 擁有所有做研究的基礎知識
關鍵問題是 — 你會不會問問題？

AI 的執行力
＋ 你的想像力
＝ 你的超能力

The tools are ready. The question is: what will you build?

03

想像力從哪裡來？

自學 · 多樣性 · 知識碰撞

或許佛陀可以苦思 20 年來創造思想，
但身為普通人的我，透過接觸不同的事物，
讓充滿多樣性的資訊在腦中相遇，
是最容易發生創意的方式。

CEBRA — 神經訊號 × 行為

玉威分享 CEBRA：用 Contrastive Learning 將神經訊號映射到低維行為空間

CEBRA Demo — 神經訊號 → 行為解碼

CASTLE — 無監督行為分群（M1 / M2 / S1）

CEBRA Pipeline
  • 🧠 Neural data → Nonlinear encoder
  • 🔗 Contrastive loss: attract similar, repel dissimilar
  • 📐 Low-dimensional embedding → 行為解碼

視覺編碼器的 Attention Heads → CASTLE 誕生

DINOv2 的 8 個 Attention Heads — 其中一個專注在小鼠的手上

  • ✋ 其中一個 Head 專注在小鼠的手上
  • 💡 視覺編碼器自動學會了姿態結構
  • 📚 CEBRA 中的 C = Contrastive Learning
  • 🎬 自學 YouTube → 發現 CLIP 才是精髓
  • 🔬 直覺：視覺編碼器是通用的
    → 可以抓到小鼠姿態 → CASTLE 誕生

給跨領域研究者的建議

  • ⚠️ 不要過度依賴老師
    有一天你想知道的事情，地球上沒有比你懂的人了
  • 📺 YouTube + GPT — 知識流動性已經非常高
  • 🎯 訓練自己的品味
    沒有審核機制 → 有些 YouTuber 亂講一通
  • 🔥 我的標準：找到有熱情的人，而不是為了點閱率的人
04

我的跨領域旅程

「接下來是比較沒那麼有參考價值的部分」

從機械系到神經科學

  • 機械系（大學 + 碩士）
    我爸覺得機械好，我沒意見就選了
  • 大三：看完《刀劍神域》和《命運石之門》
    覺得神經科學好有趣！想去碰碰看
    反正隨時可以離開去台積電輪班 😂
  • 遇到做神經訊號數據分析的教授
    自學 decoding，待了一年半
  • 遇到玉威 → 剛好用上剛培養好的技能
    做 electrode pooling，用上之前打比賽學的演算法
  • 畢業後正式踏入神經科學領域
    認真研究 CEBRA → 發展成 CASTLE
  • 推甄博班
    之前當演算法比賽助教的老師在交大資工 → 推薦信
「認真過每個時刻」

每一段看似無關的經歷，都可能在未來成為你最重要的連結

Stay curious. Stay hungry. Connect the dots.

Q & A

感謝聆聽  ·  歡迎提問


background image source: YuTing