萬字追問：神經科學，會誕生自己的“牛頓定律”嗎？

“大腦是世間最精密的計算機”——這樣的比喻在我們這個時代司空見慣。關于大腦，我們所構建的各種模型本質上都是對生物現實的表征、類比或隱喻。每個時代都用當時的尖端技術來解讀這個神秘器官。

現在，計算機作為最先進的技術，自然成為我們理解大腦的參照系。而在計算機出現之前，維多利亞時代的人們則借用蒸汽機的概念，想象大腦運作靠的是“管道”里的壓力和液壓。那么，未來人們又會用什么來比喻大腦呢？

推到“比喻”，我們面臨一個悖論：一方面，我們需要將復雜系統簡化，尋找“易處理模型”來探索生命奧秘；另一方面，我們又清醒地認識到這種簡化的局限性。大腦不是產生連續信號的計算機，而是通過復雜生物物理機制生成脈沖信號的動態系統。

華盛頓大學的阿德里安·費爾霍爾（Adrienne Fairhall）與賓·布倫頓（Bing Wen Brunton），以及紐約西奈山醫學院的卡妮卡·拉詹（Kanaka Rajan）三位專家正試圖超越這些簡單類比。他們從動力系統的視角出發，探討大腦如何作為一個動態、進化、自適應的系統運作，挑戰我們對思維本質的傳統理解。

或許，真正理解大腦的關鍵不在于尋找更精確的隱喻，而在于接受它的獨特性——一個不斷自我重塑、超越任何機械比喻的生命奇跡。

對談嘉賓

阿德里安·費爾霍爾

Adrienne Fairhall

華盛頓大學生理學和生物物理學系教授，應用數學系兼任教授，物理學系兼任教授，華盛頓大學計算神經科學中心聯合主任

主要研究神經元和神經網絡的非線性動態如何產生大腦用于計算的神經編碼模式，以及這些模式如何在動態環境中處理和編碼信息。2025年當選美國國家科學院院士，曾獲得斯隆研究獎、Burroughs Wellcome“科學交叉領域職業”獎學金、麥克奈特學者獎等，還被選為艾倫研究所杰出研究員，2022年成為巴黎高等師范學院富布賴特-托克維爾杰出講席教授。

賓·布魯頓

Bing Wen Brunton

華盛頓大學生物學系教授、eScience數據科學研究所、保羅·米德爾布魯克斯·G·艾倫計算機科學與工程學院、應用數學系擔任兼職教授

研究領域是系統神經科學、動物行為和人工智能的交叉領域，開發數據密集型方法，結合機器學習、深度強化學習、計算機視覺和物理約束模擬等，研究神經系統如何解決動物面臨的挑戰。2016年曾獲得阿爾弗雷德·P·斯隆基金會神經科學研究獎，2023年獲得美國國家科學基金會職業獎（NSF CAREER Award）。

卡妮卡·拉詹

Kanaka Rajan

哈佛大學肯普納自然與人工智能研究所創始教員，哈佛醫學院神經生物學系副教授，紐約西奈山醫學院神經科學與弗里德曼腦研究所兼任副教授

主要研究動物和人類如何通過大腦神經回路學習、記憶和決策，結合物理學、數學、工程學方法與數據分析，探索控制認知能力和行為模式的神經機制，以及這些機制在神經精神疾病中的異常情況。曾獲得CIFAR阿茲里利全球學者計劃、艾倫研究所下一代領袖委員會成員、麥克奈特學者獎等多項榮譽。

主持人

保羅·米德爾布魯克斯

Paul Middlebrooks

卡內基梅隆大學的特聘助理研究員

卡內基梅隆大學的特聘助理研究員，同時是播客“Brain Inspired”的主持人。他主要研究運動皮層和基底神經節神經群體活動如何在自由行為的小鼠中支持自然行為，致力于揭示神經活動與復雜行為之間的關系。

目錄：

01 學術生涯中最滿意的成就

02 核心爭議：單神經元學說vs.群體學說

03 領域趨勢：高度計算化與生物學屬性

04 流形：低維表征工具而非“定律”

05 時間維度：認知動態性的必然要求

06 給青年學生的經驗之談

學術生涯中最滿意的成就

保羅：我們先做自我介紹，并各自挑一到兩項最代表你學術取向、你也最認同的成果。

阿德里安·費爾霍爾：我來自華盛頓大學，是一名計算神經科學家，關心用動力系統視角理解神經編碼，尤其關注“神經元作為物理系統”如何生成表征。最讓我滿意的工作是用分數階微分刻畫單神經元的長時程適應：在果蠅視覺系統中，神經元放電率對噪聲刺激包絡的轉換與分數階模型高度吻合，后來在皮層神經元上也表現穩健。這種跨系統適用性說明，適應的動力學規則具有可遷移的結構。若說外界最熟知的，可能是我們團隊2001年在Nature上展示的“在線高效編碼”：神經元能隨輸入標準差變化自適應輸入輸出曲線，實時匹配動態范圍。

賓·布魯頓：我同樣在華盛頓大學，從動力系統出發研究自然情境中的決策與行為。早期我與合作者推動了用嚙齒類研究認知決策的實驗范式，并配套以動力系統框架連接行為與神經活動。我們強調在非結構化、長時程、多尺度的行為中，用工具把神經動態與運動學指標對齊。方法上，動態模式分解（DMD）很值得一提：這是一個“線性卻出奇有效”的向量化廣義線性工具，源自流體力學，但在神經與行為數據上常常以簡馭繁，提供了高效的低維動力學描述。

卡妮卡·拉詹：我也是一名計算神經科學家，目前在紐約西奈山醫學院弗里德曼腦研究所神經科學系擔任助理教授。我的研究同時做兩件事：一是用循環神經網絡（RNN）擬合多物種真實數據的動力學，二是構建機制約束的模型，明確“在尖峰時序、突觸動力學、細胞類型等生物條件下，神經系統能做什么、為什么這么做”。

我所從事的研究中，最被公眾熟知的應該是RNN匹配實驗數據。但我最自豪的一項，是在理想隨機網絡中用平均場方法解釋“大腦如何在強自發活動中仍保持對微弱輸入的敏感，卻不陷入幻覺”——這把“內部豐富動力學”與“外界信號可檢出性”的張力講清了。

核心爭議：單神經元學說vs.群體學說

保羅：讓我們回歸到那個核心爭議“單神經元學說 vs 群體學說”。我們究竟應該遵循哪種范式？在深度學習主導的當下，單神經元似乎失去了存在感，但是當研究進入認知層面時它真的無關緊要了嗎？

阿德里安·費爾霍爾：讓我們先澄清關于“單神經元學說”的誤解。神經元不是孤立的信息處理單元，而是構成網絡的基本計算單元。從所有神經系統圖譜中都能明確看出這一點。

之所以強調單細胞，是因為它是參數可知、可操控的完整電導系統，能把生物物理非線性映射成可檢驗的編碼規則。我們用動力系統刻畫單細胞的長時程適應，得到跨系統可遷移的動力學，這說明“具體機制”在起作用。

更重要的是，藥物與基因編輯作用的旋鈕就在單細胞與分子層；若想把抽象模型轉化為干預與治療，必須理解這些旋鈕如何改變計算。高維抽象網絡是有用，但不能代替生物真相：不同腦區、細胞類型的離子通道分布與規則差異，必然有功能意義。

卡妮卡·拉詹：同意。我認為這本質上是個“科學問題品味”的選擇：并不存在某個能解釋一切的理論層級。

物理科學背景的研究者，總傾向于尋找能完美統合所有現象的終極理論。但坦白說，這種思路可能具有誤導性。

更可能的發展路徑是：我們將擁有系列整合模型與理論，從中涌現出集體性認知。這些理論碎片會包含生物物理學和單個神經元的全部豐富性，也會包含更抽象的模型，而這最終取決于你研究的問題取向與學術品味。這就是我的觀點。

保羅：研究者通常會針對特定問題聚焦于某個層級，或許能口頭建立與其他層級的關聯。但可否存在某種整合性的層級結構或通用原則，讓我們最終能建立跨層級的系統性認知？還是說，這些層級本質上就必須保持獨立，我們只能滿足于這種狀態？

賓·布魯頓：把大腦當作“完全成型的實體”去理解是相當片面的——它是通過發育形成的，而指導發育的藍圖又在更長時間尺度上被演化塑形。

這些時空約束是生物系統與物理系統的根本區別：神經元網絡必須經由發育才能達到成年動物的功能狀態，還要與神經退行性變等長期動態同場博弈。

我沒有現成解法，但當我們不再把系統視為功能完備的終極產物，而是轉向關注“它是如何形成的”，也許能通過一種“間接方式”找到突破口。計算神經科學里已經有人在發育方向做得很棒，我真誠地希望更多人加入。

卡妮卡·拉詹：發育是“硬件與軟件同步變化”的超長時間難題，研究難度可想而知，也因此令人敬畏。我做的更像“簡化版的縱向研究”——觀察學習軌跡。讓成年動物首次接觸任務時，從初始狀態訓練成為專家的過程中，狀態空間表征或行為變化如何演進？西雅圖的小鼠和紐約的小鼠學習同一任務，達到相同的最終表現，他們的軌跡是否有所不同？如何構建模型來區分這些學習軌跡？這雖然是我感興趣的課題。

賓·布魯頓：這又回到了單神經元與網絡接口的議題。布里茨（Bliss）和羅摩（Lomo）在那篇LTP論文結尾的那段“隨口提及”讓我時常反思：“神經元還有多種可塑性方式，比如調節離子通道數量。”

我擔心傳統訓練網絡的思路，讓人忽略了許多生物學里的巧妙機制。它們或許遵循完全不同的學習規則，在更短時間尺度上通過改變興奮性來實現，而不僅是把閾值當作“可由突觸權重變化近似”的簡單按鈕。因此，我們有充分理由回到單神經元與分子動力學，其中可能藏著一整片被忽視、卻極其豐富的調控維度。

領域趨勢：高度計算化與生物學屬性

保羅：如今“具有生態有效性的行為”的研究確實越來越受關注，但總體而言，生物學過程的重要性和影響力似乎在不斷下降，變得高度“計算化”，缺乏生物學屬性，在很多方面甚至顯得有些僵化。你們同意這個看法嗎？或者覺得這種趨勢本就該如此？

卡妮卡?拉詹:：我不太認同這個觀點，反而覺得我們正朝著相反的方向發展。得益于神經技術的爆發式發展，我們如今能在研究對象執行行為時觀察更大范圍的神經活動，甚至還能同時實現記錄與操控。

剛開始出現這種（數據爆發）趨勢時，至少對我這樣的理論研究者來說，會有點“跟不上節奏”。我們早期構建的那些抽象模型，常因為無法獲取足夠的驗證數據而難以落地。而現在，即使是小型神經系統，也能觀察到大量的結構化網絡特征，獲得采樣密度極高的數據集，其中幾乎沒有完全隨機的內容。

我之前提到過，自己“私下里最自豪的研究”其實是那些非常“不切實際”的工作。但從某種意義上說，現在所有人都在推動研究加入更多生物學特征。哪怕是強調層級架構、卷積或深度網絡的里程碑研究，如今也會在研究結果中補充生物學相關內容，比如反饋投射、不同細胞類型，來讓模型與生物學的關聯更緊密。所以，我并不認為我們在“遠離生物學”。

阿德里安?費爾霍爾：保羅所說的“趨勢”，更像是曝光度層面的偏移。確實，計算神經科學領域目前存在這種趨勢，擬合循環神經網絡（RNN）當下很熱門、成果出色，是“工具箱”中非常重要的一部分。但關注單神經元特性、生物物理細節的研究并未消失，最終二者會融合。如果說有什么問題，那更可能是 “我們還沒找到融合的好方法”，而這其實又回到了你之前提到的“多尺度建模”問題。

目前我們仍在努力尋找能做好多尺度建模的優質工具，比如艾倫研究所（Allen Institute）提供了大量出色的單細胞生理與回路位置信息。問題在于如何真正利用好這些數據。我認為下一階段的挑戰，就是大家反復提及的“整合”。將單細胞特性的表征（這些細胞各自的功能是什么？它們在神經網絡中的位置在哪？連接規則是什么？），與那些非常簡潔的方法（比如直接訓練一個神經網絡，完全不用考慮上述生物學細節）相結合。例如在直接訓練網絡的同時，用真實記錄與細胞類型約束它，觀察這種約束如何影響擬合能力

當然，這種方向也有缺點：研究細節會越來越多，難以提煉出“金句”，甚至會讓人不知“如何利用這些信息”。我們期待一種“巧妙的方法或思路”，能讓我們優雅地處理這些生物學細節，而不是陷入“參數擬合的苦差事”。或許“參數擬合”本就是必經之路，或許這就是答案，但我們這些來自物理學或其他領域的研究者，始終相信存在一種“更優美的方式”——既能捕捉所有這些（生物學）效應和影響，又能清晰地闡述，而不只是一場“調整參數的練習”。

保羅：有人認為，生命過程對認知無關緊要。進化讓我們的大腦只需20瓦功率就能運轉，代謝本身并不影響認知。這其實也關聯到另一個問題：從“動作電位”（spikes）到“群體動力”（population dynamics）的轉向，是否遮蔽了多尺度中的生命層面？

卡妮卡?拉詹：我認為關鍵在于，我們需要對慣用工具保持一定的懷疑態度。比如我自己也會用RNN去擬合生物數據，但我并不真的認為大腦在產生“類似模擬信號的連續信號”；大腦真實產生的是動作電位，背后是極其豐富的生物物理過程與細胞類型差異。將“神經調質”（neuromodulator）簡化為“慢正弦波”，顯然過于粗糙。

你提到了生物物理和單細胞特性，但實際上，在生理系統層面還有很多研究領域，如周期性“走紅又降溫”的神經膠質動力學（gliodynamics）、負責調控神經動態的腦室內側壁“絨毛膜細胞”（chorionic cells）、血管系統等研究，正試圖探索（生理過程）與神經網絡之間的關聯。

賓·布魯頓：“認知與生命無關”這種說法挺荒謬的，我完全無法理解怎么能把認知和生命拆分開。可能這個觀點有點不受歡迎，但我還是會說：大腦其實除了控制肌肉，沒什么其他輸出功能——難道不是嗎？我們之所以有神經系統，本質上就是為了在真實的物理世界中控制自己的身體。

我和認知科學領域的同事聊起這個話題時，他們有時會生氣，但我還是會堅持這個觀點。比如我們擁有長期記憶、會有內心獨白、能做決策、能想象未來并為未來做規劃，這些內部認知能力的存在，其實都和我們的身體尺度、生命時長有關。比如人類身高一米有余，壽命幾十年，要在這樣的生理條件下在現實世界中生存，就必須具備“為未來規劃”的能力。換成浮游生物的尺寸就根本不需要神經系統——浮游生物也確實沒有復雜的神經系統。

保羅：那水螅（hydra）那種大小的生物呢？

阿德里安?費爾霍爾：水螅似乎沒有太多記憶能力。一直以來，研究者都很難觀察到水螅有任何學習行為。它們確實會控制自己的身體，但另一方面，水螅其實趨近于“永生”（壽命極長），它們的生存狀態更偏向“活在當下”。

我們實驗室的研究之所以傾向于“易處理系統”（暫且這么稱呼），核心原因就是在這類系統中，我們能真正訪問其各個環節，從感覺輸入、神經計算到運動輸出與生物物理反饋。

日常狀態下的“生命”，其實就是整體閉環的：生活中我們每天接收感覺輸入，做一些決策，采取行動，這些行動會對世界產生影響，而影響又會反過來反饋給我們。我們不想孤立地研究每個環節，而是希望把它們整合起來。當然，要在哪怕短短幾分鐘、幾小時、幾天的時間尺度上實現這種整合，難度非常大，但相對簡單的“感覺-運動循環”的整合卻有可能實現。我們實驗室正慢慢朝著這個方向推進。

這個閉環里，有些環節能做到非常細致的生物物理層面研究，有些則只能用現有方法盡可能去擬合，更偏向“現象學模型（phenomenological models）”。所以，目前這類整合模型可能就是“大雜燴”，把現象學模型和生物物理模型拼接在一起，我們只能盡力去完善。但核心思路始終是“系統的交互性”。這是一個能與世界互動的“主體”，它會和外界產生真實交互。

當然，孤立研究每個環節的工作也很有價值，我也確實從這類研究中借鑒了很多。但對我來說，嘗試把所有環節整合起來，才是更有滿足感的事。

流形：低維表征工具而非“定律”

保羅：如今在動力系統理論中，“流形”（manifold）被廣泛用來描述神經元的群體活動及其低維表現。物理學的核心成就之一，就是用定律描述事物規律（雖然現在這種情況在變化）。那么，神經科學領域是否也在朝著“用定律描述”的方向發展？對于復雜系統而言，“形成定律式術語、用這類術語描述思維”是否應成為目標？

卡妮卡?拉詹：抱歉，我對這個問題的看法也比較消極。我覺得“定律”（law）這個概念，應該和“教條”（doctrine）、“教義”（dogma）一樣逐漸被摒棄。我想引用麻省理工學院萊斯利?沃肖爾（Leslie Vosshall）的觀點，她曾說“生物學是混亂復雜的”，我非常認同這句話。追求“定律”本身無可厚非，但這有點像追求“理解意識”。對我來說，這樣的定律根本不會存在。即使是在我們能完整采樣的最小神經系統中，也存在大量冗余通路：它可能為特定行為進行了優化，但實現優化的路徑卻“多種多樣”（manifold，注：此處雙關）。

阿德里安?費爾霍爾：我其實對這個問題有點困惑，因為“流形”本質上只是表達“低維性”的一種方式，而這種低維性本身是必然存在的，不是嗎？

我們有數十億個神經元，但它們實際執行的功能數量相對較少。所以，從某種層面來說，數十億神經元的活動空間與認知或行為之間，必然存在“降維”，而流形就是描述這種約簡的方式之一。

或許存在某種結構清晰的空間，能讓我們觀察到這種低維特征，但這個空間一定是“無限交織”的，只要任務稍有變化，對應的流形就會略有不同。

所以，“如何理解低維表征”是個很好的問題，但我不確定這是否能構成“定律”。它更像是為我們的研究對象（即神經活動）提供了一種“更好的參數化方式”。神經科學研究工作，就是盡可能把觀測結果還原到某個空間中，在其中看清神經動力學的運作方式及其意義。這是我們的目標。至于是否能形成“定律”，我認為這既非必要，也非關鍵。

時間維度：認知動態性的必然要求

保羅：在神經科學中，時間維度是否得到了足夠的重視？

阿德里安?費爾霍爾：我認為我們是重視時間的。有些觀點認為 “動力系統興起后，一切都變了，甚至與傳統神經編碼研究完全對立”。這種說法其實忽略了一個事實：視覺神經科學早就意識到時間的重要性了。

誠然，早期人類視覺研究確實曾忽略時間，但“時空感受野”（spatial-temporal receptive field）本身就內含時間維度。當你用格林函數（Green's function）重寫動力系統，對時間做卷積，這實際上就是“時間感受野”（temporal receptive field）的思路。

我剛踏入神經科學領域時，比爾?比亞利克（Bill Bialik）等學者教給我的就是這種研究思路。所以，后來聽到有人把“重視時間的動力系統研究”說成是種“范式轉移”，我其實很意外。我以為我們一直都知道時間的重要性。當然，這并不意味著所有人都完全認同“時間的重要性”，但至少在過去30年里，這套研究方法已經有了深厚的基礎。

根據證據調整理論本身沒有問題，關鍵在于區分合理修正與偷換概念。我認為學界積極接納這些證據，視作理論修正依據是重大進步。問題始于拒絕接受結果，轉而尋找替代解釋。若以建設性態度看待負面結果，真正需求是調整理論、正視問題，而非逃避結果解讀，聲稱“未發現預期現象”卻不解釋原因。

卡妮卡?拉詹：我同意阿德里安的觀點。畢竟認知本身就是動態的。事物會隨時間變化，我們怎么可能不考慮時間呢？

賓·布倫頓：我覺得，當我們過度較真于模型本身時，反而會陷入麻煩（比如忽略時間維度的實際意義）。比如我在論文中可能會提出“某行為的RNN模型”，但如果把它稱為“大腦認知的統一理論”，就大有問題了。說到底還是那個核心：時間是行為和神經處理的基礎要素，不能忽略。

阿德里安?費爾霍爾：我們所有人都該明白：當下使用的任何方法，都不是“萬能鑰匙”。今天管用，不代表未來不會被更好的方法替代或補充，所以永遠不要把所用的方法奉為“圭臬”。有太多優秀的研究者，在杰出統計學家的助力下，不斷推進這些工具的發展。我們現在所處的“工具使用階段”，只是一個時間節點而已。隨著更優的研究方式的出現，這些工具會不斷演進。我想強調的是，掌握構建工具的數學基礎，工具永遠在更新迭代。

賓·布倫頓：對我來說，我們構建的模型，本質上是對“生物現實中我們試圖理解的事物”的表征、類比或隱喻。

有時候我會陷入思考：現在我們身邊最先進的技術是計算機，而大腦又是人體中最難以理解的器官，所以我們就做出了“大腦像計算機一樣工作”的類比。很多非生物學背景的朋友會問：“大腦的‘硬件’是什么？‘軟件’又是什么？”他們必須用計算機的類比才能理解大腦。但我得跟他們解釋：“其實大腦和計算機不完全是一回事，如果把這個類比太當真，它就不成立了。”

要知道，在計算機出現之前，蒸汽機是當時最先進的技術，那時候人們對大腦的類比就是“蒸汽機”，覺得大腦的運作全靠氣動、蒸汽（“大腦管道”里的壓力和液壓）。不知道下一代會用什么技術來類比大腦，也許是量子計算（現在確實有這種說法）。

不管怎樣，我只是好奇：當新技術普及時，我們對大腦的類比會不會也隨之更新？畢竟到那個時候，我們可能還是沒有完全理解大腦。

這是科學逐步積累過程中的必經環節。我認為現階段淘汰理論的目標為時過早，至少在特定案例中如此。但這不意味著應放棄評判兩種理論的研究項目，因為相比讓理論各自固守其偏愛的特定實驗條件長期停滯不前，此類工作能高效推動進展。

番外：給青年學生的經驗之談

保羅：如果回到自己學術訓練的起點，你會選擇多研究/多做哪件事、少研究/少做哪件事？

阿德里安?費爾霍爾：先說說我過去的學習經歷吧。我最開始研究的是非空氣動力學系統（non-aerodynamical systems），本科論文中我把一個高維動力系統簡化到了流形上。現在想起來還挺超前的。這些經歷后來都非常有用，統計物理的學習也幫了我很多。但如果說當初最該認真學卻沒學扎實的，那一定是統計學。我本科只修過一門統計課，當時覺得特別無聊：老師只講“這是t檢驗”、“這是r檢驗”，完全沒有深入講解背后的邏輯。現在想想特別后悔，真希望當時能系統地學統計學。

后來研究生時的一門課“高級數據分析”（或“數據分析”），才讓我真正對統計有了啟發。現在華盛頓大學有不少這類課程，比如我和內森?卡茨（Nathan Cuts）也會教相關內容。但我至今都覺得不可思議：我當年接受的物理訓練里，竟然完全沒學過主成分分析（PCA）！

所以，如果能回到過去，我一定會在訓練階段系統學好統計學。這不僅能幫你熟練掌握機器學習工具，還能讓你把統計思維和物理思維結合起來，而這正是我現在希望自己的研究能做到的。可以說，扎實的統計學基礎對我現在的工作太重要了。

卡妮卡?拉詹：我特別希望研究生階段能有“學術休假年”（sabbaticals），就是能有一年時間，暫時放下主要研究方向，去學一些完全不相關的東西。如果能回到過去，我一定會說服我的導師，讓我去一個有意思的地方（比如阿德里安所在的團隊），學一些和我當時研究完全不同的領域。

具體來說，我想多學一些演化發育生物學的內容，比如生態學、發育生物學，以及和自然世界相關的知識。數學生態學里有很多非常精妙的模型，其中有些模型的邏輯和我們現在研究的神經動力系統非常像，不僅看起來像，原理也像，連用到的工具也高度相似。如果當時能多接觸這些領域，我覺得會對現在的研究有很大幫助。

阿德里安?費爾霍爾：數學生態學，其實是我進入這個領域的起點。我高中時就接觸了數學生態學，當時我讀11年級，聽了鮑勃?梅（Bob May）的一場報告，那場報告讓我特別感興趣，后來也正因如此，我才開始研究混沌理論。

賓·布魯頓：總體上我沒有遺憾，也喜歡一路上做過的一切；但如果能補一補系統訓練，我有兩塊想加強、且方向完全不同。

第一個是科學計算（scientific computing）。不只是科學計算的數學原理，還包括實際的代碼實現。當然，這是一個快速發展的領域。每六個月就會有新的熱門工具出現，你必須不斷跟進。但我總覺得自己缺乏這方面的系統基礎訓練，一直都是“邊做邊學”，感覺總是有點跟不上節奏。所以我真希望當時能多修一些相關課程。

另一個方向則完全相反，我希望當時能在發育與演化生物學方面接受更好的訓練。因為這是研究“生命”的基礎領域。就像我之前提到的，生命不是計算機，生命就是生命本身。這些領域里，研究者積累了極其豐富的觀測結果和知識，但我最近才開始真正意識到它們的價值。因為我現在所在的“整合生物學系”里，有很多古生物學家和發育生物學家同事，聽他們聊天時我總會想：“我以前怎么沒學過這些？我怎么會不知道這些知識？我真該早點接觸這個領域。”

作為一名生物學家，我還有個“小秘密”要坦白：我這輩子從來沒做過哪怕一小時的野外工作。我對“野外工作”的定義，就是把筆記本電腦帶到咖啡店，這就是我的“野外工作”。所以我一直在跟同事們暗示：下次他們去野外采集標本（不管采集什么），一定要帶上我。

阿德里安?費爾霍爾：那你應該來伍茲霍爾（海洋研究所）和我們一起采集水螅，我很樂意帶你去。

保羅：各位有沒有想給正在收聽的學生們一些“經驗之談”？

賓·布魯頓：我想分享一條我從本科研究導師格蘭特?延森（Grant Jensen）那里得到的建議。當時我正在和他聊要不要申請研究生院，我甚至還沒開始申請，心里特別糾結，總在想“我該做什么？我真的想走學術這條路嗎？”他告訴我：

人這一輩子，應該努力追求三件事：選一件你擅長的事、一件你感興趣的事、一件對世界有意義的事。

他說，大多數人能做到其中兩件就已經很成功了，但如果能找到一件同時滿足這三點的事，那就是你最該堅持做的事。我一直認真對待這條建議，也經常把它分享給別人。因為我覺得它能幫人避免“被壓力壓垮”，不是所有人都必須做好所有事。畢竟，你感興趣的東西未必是別人感興趣的，你擅長的領域也未必是別人擅長的，甚至連“什么事對世界有意義”，其實也因人而異，取決于個人的價值判斷。這條建議在我人生的很多時刻都幫到了我，所以我想把它也分享給大家。

阿德里安?費爾霍爾：我想對那些感到壓力大的學生說幾句，這種焦慮我完全能理解，但大家真的不用覺得一開始就必須懂所有事、會做所有事。至少，我的學術生涯，就絕對不是這樣過來的。

一開始你只需要會做幾件事，然后在這個基礎上逐步積累。

比如，當你發現自己的研究問題需要往某個方向推進時，再圍繞這個問題去學你需要的知識就好。

當然，就像大家都強調的，合作也很重要。你會遇到優秀的同事，甚至優秀的學生和博士后，他們能幫你彌補自己知識背景上的不足。顯然沒人能讀完所有文獻，這也是為什么我們有格蕾絲?林賽（Grace Lindsay）這樣的學者，他們會幫我們總結文獻，為我們梳理出清晰的研究脈絡。

所以，我覺得最關鍵的是：深度投入到一個能讓你興奮的問題或課題中。先掌握一些能讓你邁出第一步的工具，之后隨著研究推進，你自然會接觸到更多新東西，也會保持開放和敏銳的心態。學術本身就是“終身學習”的過程，你需要不斷擴充自己的“工具庫”，豐富自己的思維類比方式。

那種“必須在所有領域都接受高強度訓練后才能推進研究”的想法，其實是錯的。有時候“知道太多反而會束縛自己”。我研究生時期有個非常聰明的同學，他總能提前想到五步之后的事，然后不斷告訴自己“這個方法不行，那個思路也走不通”，結果就是一直沒做成任何事。如果你也這樣，或者總在想“可能已經有人做過類似的研究了”，那你就很難有勇氣大膽投入問題、嘗試新方法。

要知道，只有真正深入問題、動手去做，才能做出原創性的工作。

我匿名引用一位導師的話吧：“別光讀，要做!”（Don't read, do!）。當然，我也不建議完全極端化，但這句話確實有道理，行動很重要。

作者后記

編譯這篇對談時，最觸動我的是三位學者對神經科學研究 “本質” 的堅守。不盲從“群體模型取代單神經元”的潮流，不追求復刻物理學的 “定律式描述”，而是以問題為導向，在動力系統的框架下平衡生物細節與模型簡潔性。這種 “反教條” 的思辨，恰是跨學科研究的魅力所在：阿德里安的物理視角讓動力學規律落地神經編碼，布倫頓的生物學根基關聯神經活動與自然行為，卡妮卡的工程思維則為模型注入生物約束，三者碰撞出多維度的研究思路。

對談鏈接：

https://www.youtube.com/watch?v=s5ztJRdGI3w&ab_channel=BrainInspired

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。