大规模预训练，接着进行下游任务微调现在已经成了各领域默认的范式，神经科学也未能例外。短短两三年间，很多面向fMRI的基座模型开始涌现，像是BrainLM、Brain-JEPA、NeuroSTORM，其训练方法是在海量数据上做自监督预训练，而后微调，用来刻画BWAS关系（脑龄、性别、疾病诊断、认知评分）等等，但是有一个疑问始终悬而未决，它们当真有用吗？这些以 MAE 或 predict-next-token 为训练核心的大模型，真能胜过FC（functional connectome）吗？毕竟，如今多数模型训练范式还是在重建，但是在 fMRI这种高噪声数据上做重建，我个人感觉模型大多学到的噪声。这可以用一个简单比较就可以体现出来。用基座模型的embedding和FC进行比较，如果基座模型的embedding在统一的下游任务上都打败不了FC，是不是现在基座模型目前的训练方式有问题呢？进一步什么样的训练方式能够克服FC的基线呢？是不是需要更优质的数据呢。下面我仅从个人看法进行一些说明。
我一直有一种说不清的感觉，把通用 foundation model 的那套范式直接搬到 fMRI 上，总觉得哪里不对。我认为是训练目标和我们关心的对象之间的错配，为什么这么说呢。一方面，MAE 或 predict next token 的本质都是去重建信号本身，而在 fMRI 这种低信噪比数据上，重建损失里相当大一部分其实来自噪声，模型很容易把算力花在拟合噪声上，这在EEG的大模型上很容易体现，他的噪声太多了，很难实现cross subject的泛化。Brain-jEPA 之所以转去 latent 空间做预测，某种意义上正是在回避这件事。另一方面，即便抛开噪声，自监督学到的多半是 within subject 的时序动态，而 BWAS 真正需要的是稳定的、trait-level 的个体差异，FC 恰恰是通过对整段时间求协方差，把瞬时状态平均掉、只留下个体间稳定的连接结构，这正好对齐了 BWAS 的目标。FC 不是一个弱基线，而是一个几乎零参数、却与下游任务高度对齐的强先验。再加上 fMRI 的数据规模和 BWAS 本身极小的真实效应量，让 scaling 生效的两个前提（海量数据与可学的强信号）在这里都并不充分。在这样的目标函数、这样的数据规模下，基座模型的 embedding 凭什么能学到 FC 已经显式给出的那部分个体差异结构？如果在统一、公平的下游评测里，它连这条基线都打不过，那需要被重新审视的或许不是数据，而是预训练目标本身。
这一判断，在最经典的指纹识别(fingerprinting)任务上得到了验证。各个 foundation model 同样在 HCP-YA 上训练，结果却相当炸裂，以 ROI 时间序列为输入的模型(BrainLM 家族、Brain-JEPA)，没有一个能在识别率上超过传统 FC，而它们最高也只到 0.58，Brain-JEPA 甚至低到 0.07；唯一明显超过 FC 的 NeuroSTORM，本身是 voxel 级的时空模型。然而在 4 个 run 的ICC上，几乎所有 foundation model 又都反过来大幅高于 FC。这组看似矛盾的结果其实指向同一件事， embedding 可靠,却不可识别。Fingerprinting 在几万维的 FC pattern 上做最近邻匹配，靠的是高维冗余带来的近乎唯一的条形码，哪怕每条边都很噪；而 mean ICC 只逐维平均可靠性、并不奖励维度。Foundation model 把信号压成低维，每一维都很稳的表示，于是 ICC 很高，却同时把个体间那种高维、零碎的特异性抹平了，Brain-JEPA 0.88 的 ICC 配上 0.07 的识别率，就是这一取舍最极端的写照。
两条线索接起来，结论就清楚了:自监督学到的是稳定、共享的主导成分，偏偏丢掉了 BWAS 真正要的 trait-level 个体特异性。所以高 ICC 不等于更能刻画个体差异，可靠不代表可识别，而一个可靠却认不出人的表示，对 BWAS 其实是坏消息。