萬字追問汪小京：我是如何用一個被遺忘的物理概念，挑戰整個領域的底層邏輯，并主導重寫神經科學教材的

本篇采訪，汪小京教授探討了兩方面內容：一是他為何認為編寫一本新的理論神經科學教材的時機已經成熟，二是“分岔”（bifurcation）作為關鍵概念，為何在當前神經科學的解釋體系中處于缺失狀態。

對談嘉賓

汪小京

紐約大學神經科學教授

汪小京教授是紐約大學神經科學教授、斯沃茨理論神經科學中心主任，原上海紐約大學創始PROVOST(首席學術官)、科研副校長。在2012年加入上海紐約大學之前，他任耶魯大學神經生物學終身教授，耶魯大學斯沃茨理論和計算神經科學中心主任。

他是理論與計算神經科學專家，研究重點是認知功能的腦機制，尤其以在工作記憶、決策的神經機制的研究而著稱。他的團隊開拓了被稱為“大腦CEO”的前額葉皮質模型研究。他也是“計算精神醫學”(COMPUTATIONALPSYCHIATRY)的創始人之一。最近，汪教授的團隊正創建大型腦神經系統仿真模型，來深入研究認知、行為的神經網絡機制和計算原理。

主持人

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 神經科學研究的時代變遷

02 腦區功能分化的核心機制

03 超越馬爾層級：理論范式革新

04 分岔：動力系統理論的關鍵補充

05 神經科學的跨界延伸：AI 與動物模型

06 高級認知與臨床啟示

保羅：今天的嘉賓是汪小京（Xiao-Jing Wang），他現任紐約大學（NYU）斯沃茨理論神經科學中心主任。他在中國出生并長大，之后在比利時學習了8年理論物理，研究方向包括非線性動力系統（nonlinear dynamical systems）和確定性混沌（deterministic chaos）。用他自己的話說，他從布魯塞爾到美國加州做博士后時，經歷了一連串大洗牌：語言從法語換成英語，文化從歐洲模式融入美國模式，研究領域更是從物理學轉向了神經科學。

在我眼里，汪小京是非人靈長類神經生理學與理論神經科學建模領域的傳奇人物，正是他，為我們后來人研究“工作記憶”、“決策”等高級認知功能的腦活動機制，奠定了堅實的基礎。最近，他剛出版了新書《理論神經科學：理解認知》（Theoretical Neuroscience: Understanding Cognition）。雖然這也是一本教材，涵蓋了該領域的基礎知識，但它有著獨特的靈魂。

具體來說，書中既梳理了認知功能建模的研究歷史，也收錄了當前的最新研究——從簡單的基礎問題到復雜的認知層面問題都有涉及。同時，這本書還帶有一定的哲學思考，認為我們需要更新神經科學領域解釋大腦工作機制的方法：本質上要超越大衛?馬爾（David Marr）提出的“馬爾層級”（Marr's levels）。取而代之的，是進入汪小京所說的“跨層級機制解釋探索”階段。

我也是剛發現，他在書里還引用了我的研究：包括我博士階段關于非人靈長類元認知的研究，以及博士后階段關于反應抑制的研究*。能被收錄進參考文獻，對我來說就是這本書“優秀且有價值”的鐵證。能邀請到自己的偶像來節目，我感到非常開心，也希望大家喜歡我們的對話。

* Middlebrooks, Paul G., and Marc A. Sommer. "Neuronal correlates of metacognition in primate frontal cortex." Neuron 75.3 (2012): 517-530.

Middlebrooks, Paul G., and Jeffrey D. Schall. "Response inhibition during perceptual decision making in humans and macaques." Attention, Perception, & Psychophysics 76.2 (2014): 353-366.

?Theoretical Neuroscience:Understanding Cognition

保羅：你的新書《理論神經科學：理解認知》，“理解認知” 這個副標題，聽起來可是野心勃勃啊。這本書的內容很豐富，是別人邀請你寫的，還是你自己覺得 “是時候寫一本這樣的書了”？

汪小京：其實我早就有寫這本書的想法了，我覺得現在推出一本這個領域的新教材，正是好時機。你也知道，過去20年左右，神經科學領域有了巨大發展，主要體現在兩個方面：一是新的技術手段不斷涌現，由此產生了各類海量數據；二是大家逐漸意識到，或許需要讓理論與建模和實驗研究齊頭并進，這樣才能加速科學發現。與此同時，計算科學作為一個領域也已日趨成熟。綜合這些因素，現在確實是推出新教材的好時候。

神經科學研究的時代變遷

保羅：如果你不介意我這么說的話，至少在我剛踏入計算神經科學領域時，你就已經是這個圈子里的傳奇人物了，我想現在依然是。而且這本書是只有你一個作者，大多數教材都是多作者編寫的，單從這一點來看，它就顯得很特別。

我還想深入問問，你剛才提到領域發展很快，現在已經進入了大數據時代。回想我剛入行那會兒，研究還停留在“單細胞記錄”的時代：動物在做任務時，我們插一根電極進去，忙活半天，最多也就記錄到一兩個，頂多三個神經元的活動。我對你的最初印象，也正是來自你在工作記憶領域的那些經典研究。

你很早就開始做工作記憶和決策相關的計算神經科學研究了。能不能請你回顧一下，現在的研究和你職業生涯早期相比，除了規模更大、數據更多之外，還有哪些本質上的不同？

汪小京：嗯，就像你說的，我們聊的是大概30 年前、25年前的事了。那時候，對執行任務的動物進行記錄（哪怕設計的任務很有研究價值），大多都局限在一次只能記錄一個細胞。你本身也在這個領域，我想你應該同意，像工作記憶、決策這類認知功能的研究，大致是在世紀之交前后才開始的。

在那之前，我們這個領域的研究重心主要集中在感覺編碼、感覺信息處理，或是運動相關領域，比如昆蟲的中樞部件和發生器這類課題。而在更靈活的信息處理過程中，單細跑層面究竟發生了什么，相關研究其實是在世紀之交前后才真正起步的。

比如鮑勃?德西蒙（Bob Desimone）關于選擇性注意的研究，杰夫?肖爾（Jeffrey Schall）關于動作選擇的研究，比爾?紐瑟姆（Bill Newsome）和邁克?沙德倫（Mike Shadlen）關于知覺決策的研究，還有Daeyeol Lee、保羅?格利姆徹（Paul Glimcher）等人關于經濟決策的研究*，這些重要工作基本上都出現在那個時期。

* Desimone, Robert, and John Duncan. "Neural mechanisms of selective visual attention." Annual review of neuroscience 18.1 (1995): 193-222.

Schall, Jeffrey D., and Doug P. Hanes. "Neural basis of saccade target selection in frontal eye field during visual search." Nature 366.6454 (1993): 467-469.

Shadlen, Michael N., and William T. Newsome. "Neural basis of a perceptual decision in the parietal cortex (area LIP) of the rhesus monkey." Journal of neurophysiology 86.4 (2001): 1916-1936.

保羅：確實是這樣。

汪小京：但坦白說，在我看來，這些內容此前從未以系統的方式在教材中呈現過，這也是我在這本書里試圖彌補的一點。

保羅：我不知道有多少教材會引用蘇斯博士（Dr. Seuss）的話，但你的書最后一章就有一句——“你滿腦子智慧，雙腳也充滿力量，聰明如你，絕不會走上歪路。”說實話，我讀蘇斯博士的作品讀得不太好，但你提到的這一點很關鍵：書的最后一章里有個表格，把你剛才聊到的內容，也就是研究認知時用到的各類實驗任務，按某種層級順序整理了出來，而且涵蓋了很多常用任務。顯然，這是一本內容全面又貼近前沿的書。你是不是覺得，我們對“認知類任務”的現代理解，以及相關的理論概念，之前一直沒有被系統整合起來？

汪小京：沒錯。我認為對于計算神經科學來說，這一點非常重要。你剛才提到了“任務”，其實我作為物理專業出身的人，這對我來說也是一個很大的轉變。剛開始接觸神經科學時，即便我嘗試構建工作記憶的模型，也完全不了解行為心理學，所以當時并沒有太關注行為表現。

我想，很多從物理或數學領域轉過來的人，可能都有過類似經歷。那時候會覺得，“這是一個神經網絡模型”，本質上就是某種物理動力學系統。我會關注無標度動力學（scale-free dynamics）、關注振蕩現象（oscillations）——這些都是動力學層面的現象，卻很少去思考“實驗任務”本身的意義。

對我個人而言，這個轉變過程其實很有意思：我逐漸開始理解心理學領域的研究傳統，也慢慢意識到，研究者們是如何通過設計實驗任務，來精準解答“大腦如何工作”這類具體問題的。

你也知道，計算科學本身是高度跨學科的。我每次上課都會發現，學生里總有一些來自物理或數學專業，他們對大腦一無所知；當然，也有少數生物背景的實驗研究者，數學基礎相對薄弱。所以我覺得，寫這本書在某種程度上也是想傳遞一個理念：在這個領域里，關注“行為”、理解“任務設計”有多重要。

保羅：確實是這樣。你在書里也反復強調了這一點。那現在從物理領域過來的學生，是不是還會像你當初那樣，不了解行為層面的知識，也不關注行為或心理學相關的內容？你會不會特意跟他們強調這一點的重要性呀？

汪小京：情況因人而異。現在很多學生之所以對我們這個領域感興趣，其實是受了人工智能（AI）和機器學習的影響。但即便如此，我覺得至少目前來看，這種情況依然存在。來自定量學科（物理、數學等）的學生，可能還是沒有機會接觸到“行為”和“腦功能”背后豐富的內涵。

保羅：關注人工智能的人可能更在意基準測試（benchmarks），這和“行為”是兩回事。我不確定這算不算一種細微差異，你怎么看？

汪小京：沒錯，確實是這樣。這本質上還是和 “表現”有關，對吧？

保羅：表現——這詞確實挺籠統的，但你說的對，是這么回事。

汪小京：但具體是“什么的表現”呢？我覺得不同人關注的點不一樣。另外還有個我覺得很有意思的點，某種程度上，我們談論大腦時會有點前后矛盾。當然，我們都知道，不同的心理過程、不同的腦功能，在一定程度上依賴大腦的不同區域。比如視覺、聽覺、運動行為對應的腦區，我們都有明確認知。但很多時候，當我們泛泛談論“神經元計算”，比如討論大腦與人工智能的關系時，卻常常把這一點拋在腦后，不再強調“功能特化”的重要性。

保羅：你是說“模塊化”（modularity）嗎？

汪小京：對，類似模塊化的概念。比如你可以做個調查，問問普通大眾，甚至人工智能研究者：他們對視覺系統的腹側通路和背側通路了解多少？要知道，腹側通路可是卷積神經網絡的最初靈感來源。這兩條通路有什么區別？為什么會有這些區別？該如何解釋這些區別？我敢說，真正深入思考過這些問題的人恐怕不多。

這就是我剛才說的“前后矛盾”——我們明明知道腦區功能不同，卻很少深入探討：大腦不同區域究竟是如何實現不同功能的。這本質上就是“模塊化”要解答的問題。你能理解我的意思嗎？

保羅：能。我現在立刻就想聊工作記憶的問題。在我印象里，你最知名的研究就是關于工作記憶的。而且回顧你過去的成果，會發現你在很多領域都很有建樹。你之前提到過，大腦里有很多環路、很多區域，都存在“工作記憶類型的活動”，也就是你認為的、屬于工作記憶范疇的環路活動。這似乎和你剛才聊的“模塊化”能對應上。你覺得工作記憶是闡釋“模塊化”的好例子嗎？

汪小京：當然是，絕對是個好例子。你知道，神經科學研究中，我們通常會先從腦損傷患者身上獲得線索——也就是大腦特定區域受損的患者。之后，再通過嚴謹的損傷研究（lesion studies）進一步驗證。這類研究指出，比如前額葉皮層（prefrontal cortex）在工作記憶中發揮著關鍵作用。也正因為如此，像福斯特（Fuster）和帕特里夏?戈德曼-拉基奇（Patricia Goldman-Rakic）這樣的學者，才會在執行工作記憶任務的動物大腦中，向前額葉皮層植入電極進行記錄。

這種研究設計很巧妙：以延遲反應任務（delayed response task）為例，實驗不會讓動物在接收到刺激后立刻做出反應，而是要求它先在工作記憶中“記住”刺激信息，在延遲期內對信息進行處理，之后才能做出“記憶引導的反應”。

保羅：沒錯。或許我們可以這樣定義工作記憶：它不僅是一種臨時記憶，還包含在這種臨時存儲階段內進行的信息處理。

汪小京：正是如此。關鍵在于，工作記憶不受外界環境直接支配，是一種內在的腦活動過程。當你觀察到工作記憶相關信號時，會發現它們并非由外部輸入直接驅動，這是在“主動在腦中記住信息”的階段產生的。這一點和初級感覺神經元（比如接收刺激就產生反應）形成了鮮明對比，很有意思。

保羅：我們的整個大腦都具有高度豐富的循環連接，這類（工作記憶）信號其實在大腦中隨處可見，只是在某些區域會更顯著。你可以聊聊這一點嗎？

汪小京：要解答這個疑問，需要從多個角度入手。而且說實話，這至今仍是個未解之謎，甚至可以說，它已經成為當前領域的核心問題之一。我展開給你說說原因：和我們之前聊的 “一次只能記錄一個神經元”不同，現在有了像神經元像素探針（Neuronpixels）這樣的技術突破，研究者已經能在執行任務的動物身上，同時記錄多個腦區的數千個神經元活動。之后人們會用不同方法分析這些數據，比如解碼不同腦區神經元活動中所編碼的信息。

結果發現，居然在很多腦區都能解碼出工作記憶信號。這一點非常有意思，它表明工作記憶具有“分布式”特征，但同時也帶來了困惑：我們能提出一連串問題，卻暫時找不到答案。比如，當在某個腦區觀察到這類信號時，我們不知道它是如何產生的，也不清楚背后的原因。

就像你說的，腦區之間存在大量相互作用。舉個例子，通過對初級皮層的連接組學測量發現，約67%的潛在連接實際存在。具體來說，如果大腦有n個區域，每個區域理論上能和其他（n-1）個區域形成長距離連接，總潛在連接數就是n×(n-1)，而其中約67%是真實存在的。在小鼠大腦中，這個比例更高，有研究稱達到了95%甚至97%。

保羅：這我還真不知道，太有意思了。等等，這是不是意味著，在分類譜系的“更高層級”（比如非人靈長類和人類靈長類）中，大腦的模塊化程度更高？而小鼠的大腦則更均質化？

汪小京：確實有這種可能。當然，影響因素還有很多，但單從連接組學數據來看，這個推測是成立的。畢竟在小鼠腦中，幾乎通過一兩個突觸的連接，就能從任意一個區域到達另一個區域。舉個極端點的例子：

或許工作記憶本質上只依賴少數幾個核心腦區，但由于腦區間的相互作用，其他區域會接收來自核心腦區的投射信號，進而也表現出工作記憶相關的活動。從理論上來說，這種可能性是存在的。

接下來我們自然會從功能層面追問：這些“非核心區”的信號是無用的干擾，還是有實際功能？我認為大腦會根據行為需求，找到利用這些信號的方式。目前，在新數據的推動下，研究者已經開始著手探索這些問題了。

保羅：沒錯，這種冗余性確實很有意思。馮?諾依曼（Von Neumann）曾提到過，冗余性是大腦的一個特征，簡單來說，如果你傳遞多份信息副本，就能降低噪聲干擾。你剛才說的內容，還讓我想到大腦的能量效率其實很高：如果核心區域之外存在這些“額外活動”，或許實際上并不會消耗太多成本。

汪小京：有道理，但問題是，如果初級視覺皮層（V1）中也存在記憶信號，大腦該如何利用這些信號呢？

保羅：確實，我正想問這個，那工作記憶的核心到底在哪個位置呢？

汪小京：順便說一句，其實我也沒有完全確定的答案。冗余性固然有不少好處，比如抗干擾，但我還想提一點：剛才說的這些現象，或許可以結合拉什利（Lashley）提出的“等勢性理論”（equipotentiality）來理解。你應該記得，他的研究認為——切除大腦越大的區域……

保羅：切除的大腦區域越大，（功能影響）反而越接近？對，我記得這個理論。

汪小京：沒錯，他認為大腦不同區域在功能上或多或少是等效的。但我其實并不認同這個觀點，這也正是我們面臨的謎題。我們一直在努力研究，并嘗試提出解決方案。要理解這個謎題，需要先明確兩個前提：第一，大腦存在大量長距離連接。順便說一句，在我看來，這也是神經環路和物理系統最根本的區別之一——物理系統中的相互作用通常是局部的。

保羅：你說的“物理系統”具體指什么？

汪小京：比如分子之間的相互作用，要么是碰撞，要么是化學反應，都屬于局部相互作用。但大腦環路完全不同，它的長距離連接能讓信號傳遞到各個不同區域——這是第一個前提。第二個前提，是“標準環路”（canonical circuits）的概念。

保羅：你說的是芒卡斯爾（Mountcastle）提出的“皮層標準微環路”（canonical microcircuitry in the cortex）吧？

汪小京：正是。戴維?休伯（David Huber）、托爾斯滕?威塞爾（Torsten Wiesel），還有后來的凱文?馬丁（Kevin Martin）、羅德尼?道格拉斯（Rodney Douglas），都對這個理論有貢獻。這是一個非常精妙的原則：本質上，皮層是由“相同的神經組件”構成的，相當于把相同的局部標準環路重復排列。

保羅：這么說，如果我們能弄明白其中一個微環路的功能，就能解開整個皮層的工作原理了？這可是個大目標。

汪小京：一點沒錯。而且這個原則在不同物種中都適用，從嚙齒類動物到猴子，再到人類。這是個極具說服力且精妙的理論，很多人都認同它。但問題來了：如果同時認可這兩個前提，要解釋“模塊化”就變得非常不簡單了。對了，需要說明的是，“模塊化”這個詞的用法其實很靈活，比如研究圖論的學者在分析神經網絡，甚至大腦連接組時，對“模塊化”的定義就和我不一樣。

保羅：你是說，他們指的是物理結構層面的模塊化，對吧？

汪小京：是的，也就是網絡科學（Network science）中的定義。在圖論分析中，人們會默認所有“節點”（對應腦區或神經元）的本質是相同的，差異只存在于輸入和輸出的連接上。

保羅：不過，節點之間的連接方式也有差異，比如小世界網絡（small world network）等，但核心還是……

汪小京：沒錯，核心還是輸入和輸出的不同。每個節點的輸入、輸出連接不同，但節點本身是相同的。從這個角度看，它和“皮層局部標準環路”的理念其實有點像。當然，不同領域的人對“模塊”“模塊化”的定義確實不一樣，我需要先澄清這一點。

我所說的“模塊化”，指的是“功能模塊化”，比如存在一個專門負責工作記憶的模塊。但結合之前的前提，矛盾就出現了：如果假設大腦不同區域由“相同的神經組件”構成，且通過密集網絡相互連接，那這些區域究竟如何實現功能分化呢？這才是真正的謎題。

保羅：我知道你對此有一些思路。其實要解釋清楚，或許并不需要太復雜的理論。不如你給我們講講，這種功能分化可能是如何實現的？

汪小京：目前我們還沒有確定的答案，但過去這些年，我們確實在努力構建模型來探索這個問題。

腦區功能分化的核心機制

保羅：理論上，我覺得我們其實有答案了，答案就是，并非所有皮層柱（cortical columns）都完全相同，因為它們表達的蛋白質存在差異。即便這些差異很細微，也能讓不同皮層柱產生不同的功能。

而且模塊化本身，還有連接方式本身，比如一個皮層柱接收來自14個不同區域的輸入，另一個皮層柱只接收其中12個區域的輸入，再加上某個獨特區域的輸入。就像你之前說的，單靠輸入-輸出結構的差異，就能實現功能分化。我還以為你接下來就要聊這個呢。

汪小京：這個思路很好。確實有人認為，“標準環路”理論雖然有吸引力，但并不充分，或許皮層不同區域本質上就不一樣。當然，我們也能觀察到各種差異：如今，無論是轉錄組數據（transcriptomic data）、連接組數據，還是其他各類數據，都指向這個方向，也就是說，“皮層各區域完全相同”的說法其實并不成立，大腦中存在大量異質性（heterogeneities）。

不知道你是否了解這一點：以靈長類動物的皮層為例，其中包含興奮性神經元（比如錐體細胞，pyramidal cells）和抑制性神經元。在初級視覺皮層（V1）中，約15%的神經元是抑制性的，85%是興奮性的；而在前額葉皮層（PFC）中，抑制性神經元的比例其實是V1的兩倍。

保羅：說到前額葉皮層，如果把大腦看作一個前饋式輸入-輸出系統，那前額葉皮層應該處于皮層層級的頂端吧？

汪小京：沒錯。前額葉皮層（PFC）位于大腦前部、眼睛正上方的皮層區域，長期以來它的功能都很神秘。直到近幾十年，我們才逐漸意識到它對認知功能和行為執行控制的重要性，有時它也被稱為大腦的“首席執行官”（CEO）。我想把它和V1這樣的初級感覺皮層做個對比，兩者的差異其實非常顯著。

保羅：嗯，你剛才提到的抑制性神經元比例就是一個大差異，V1是15%，那前額葉皮層具體是多少呢？

汪小京：30%。

保羅：30%？人們總說“興奮-抑制平衡”（excitation-inhibition balance）是神經功能的關鍵，那這個比例差異對兩個腦區的功能來說意味著什么呢？

汪小京：目前大家還在努力探索這個問題的答案。我們團隊也做了一些研究，試圖解答這個疑問。如果你不介意的話，我可以稍微展開講點細節，我覺得這些內容對你的聽眾來說可能會很有意思，原因有幾個。

我們之前聊到過工作記憶：當我們嘗試構建工作記憶模型時，我們擔心的是大腦如何忽略干擾信號？當你需要在腦中記住某個信息時，要忽略那些不相關的干擾信號其實很難，這些干擾可能是外部刺激，也可能是需要抑制的內部雜念。

這件事要追溯到20年前，我們在2004年發表過一篇相關論文*。機緣巧合的是，當時我和一位來自匈牙利的解剖學家塔馬斯?弗洛因德（Tamás Freund）聊過這個話題。我們之前一直認為，抑制性神經元的作用是靶向興奮性神經元、調控興奮性神經元的活動。但他告訴我，他們團隊剛發現了一組“不作用于錐體細胞”的抑制性神經元，這些神經元完全不靶向興奮性神經元。這一發現連他自己都很意外。最初是在海馬體中觀察到的，后來又發現了更多解剖學證據，結果表明：這類不作用于錐體細胞的抑制性神經元，其實靶向的是另一類抑制性神經元。

* Wang, X-J., et al. "Division of labor among distinct subtypes of inhibitory neurons in a cortical microcircuit of working memory." Proceedings of the National Academy of Sciences 101.5 (2004): 1368-1373.該論文首次在計算模型中明確了不同類型的中間神經元（樹突靶向 vs 胞體靶向）在維持工作記憶和抗干擾中的不同功能。

保羅：是和它們自身不同類型的抑制性神經元嗎？

汪小京：是第二類抑制性神經元。而這第二類抑制性神經元，靶向的是錐體細胞的樹突（dendrites），它們實際上在調控進入錐體細胞的信號流。如果這類抑制性神經元活性很強，就會直接“阻斷”進入錐體細胞的信號通路。

保羅：這是為了實現稀疏性（sparsity）嗎？還是為了高效編碼機制？你提到了海馬體，而海馬體的某些區域確實需要稀疏性，但——

汪小京：我們最初是在海馬體中發現這類“不作用于錐體細胞”的神經元，但我認為它們的核心功能可能是“門控”（gating）——這也讓它們有了明確的分類名稱。這類神經元可以通過特定生物標志物識別，比如以VIP（血管活性腸肽）或鈣視網膜蛋白（Calretinin）為標記物，我們所說的“靶向特定神經元的抑制性神經元”指的就是它們，明白嗎？

保羅：明白。

汪小京：至于第二類抑制性神經元，可以用生長抑素（somatostatin，簡稱SOM）作為標記物，它們的作用靶點是錐體細胞的樹突。如果這類SOM神經元活性增強，就會直接阻斷進入錐體細胞的信號；但如果某種情況下，第一類VIP神經元被激活，它們就會抑制SOM神經元的活動，進而“打開”信號傳遞的閘門。

保羅：原來是這樣，這就是“去抑制”（disinhibition）的概念吧？不過我到現在還是有點繞不過來，雖然基底神經節回路中經常出現這種機制。

汪小京：確實是這樣。

保羅：畢竟是“去抑制”嘛（負負得正），總需要花點時間理解。

汪小京：沒錯。不過我們剛才聊的這類機制，更側重于針對錐體細胞樹突、調控輸入信號的過程。我們團隊構建的模型中，其實包含了三種抑制性神經元：除了剛才說的VIP和SOM神經元，還有第三種，它的作用是直接控制錐體細胞的spike輸出（即動作電位輸出）。

簡單總結一下：SOM神經元負責調控“輸入信號”，另一類以小白蛋白（parvalbumin，簡稱 PV）為標記物的神經元，負責調控錐體細胞的 “輸出信號”。這種包含三種抑制性神經元的 “神經環路基序”（motif），我不知道現在有多少人真正了解，它最早是在我們2004年的建模論文中提出的理論概念。

如今，借助基因工具，研究者已經證實，這種神經環路基序在整個皮層中基本是普遍存在的。不過回到你之前的問題，或許皮層不同區域，對“輸出控制”和“輸入控制”的需求本就不同。

你想想初級視覺皮層（V1）：它的輸入來源可能比較少；但前額葉皮層（PFC）的錐體細胞，會接收大量來自不同區域的輸入信號。或許正因為如此，PFC需要比早期感覺皮層更多 “負責輸入控制的抑制性神經元”，而實際研究結果也確實如此。不同腦區中，“輸入控制型” 與“輸出控制型”抑制性神經元的比例，差異非常顯著。

保羅：抱歉我稍微回溯一下，抑制性神經元的比例，從初級視覺皮層（屬于早期視覺皮層區域）的15%，上升到前額葉皮層的30%，這個比例是沿梯度線性增加的嗎？

我們已知一個現象：從早期感覺皮層到前額葉皮層，腦區處理信息的時間尺度會越來越長，我猜這可能和抑制性神經元的比例有關。但這個比例是會出現突變，還是就沿這個軸（腦區層級）逐步增加呢？

汪小京：這是個很好的問題。當人們說大腦存在大量異質性時，關鍵在于如何量化這種異質性：它是類似高維分布的隨機差異，還是會沿著某個低維軸呈現出系統性變化呢？

我們團隊和約翰?默里（John Murray）等研究者，用不同類型的數據（包括抑制性神經元比例、轉錄組數據等）來探究這個問題，結果發現答案是后者。實際上，大腦的生物學特性會沿著特定低維軸發生系統性變化，我們現在稱之為“微觀梯度”（microscopical gradient）。

順帶提一句，這里有兩個需要區分的要點：一是抑制性神經元相對興奮性神經元的比例，二是在抑制性神經元內部，負責“輸入控制”和 “輸出控制”的神經元各自所占的比例。

總之，這些特性都呈現出非常規律的微觀梯度，這一點很有意義，因為能被量化，有具體數值，我們就能據此構建模型。這種大規模模型目前還處于較新的階段，但前景很好。構建時，我們不會憑空設計連接方式，而是基于連接組學測量數據，搭建多區域的大規模模型（比如獼猴皮層模型）。

之后，我們會引入突觸興奮和抑制的梯度差異，確保不同皮層區域呈現出梯度化的特性差異。從數學角度來說，這意味著每個局部區域可以使用相同的方程，而異質性則體現在：即便方程相同，方程中的參數值也會有所不同。這種方法很嚴謹，能幫助我們構建受生物學約束的模型。

保羅：抱歉我插個題外話，聽你說話的時候，我突然意識到，你很早就進入這個領域了。現在我想到神經科學，會覺得“哦，現在好像全是計算神經科學的天下了”，但你剛開始做研究的時候，情況完全不是這樣，當時計算神經科學的內容非常少。你可以說是最早把理論觀點、數學模型引入神經科學的人之一。

你能不能回想一下，我理解的情況對嗎？現在神經科學真的變得“全是計算導向”了嗎？你會覺得自己當初的選擇是正確的嗎？你剛進入神經科學領域時，會不會覺得“這些做生物學的人只是在收集數據（像集郵一樣），我要改變這種現狀”？那時候的情況是怎樣的？你當時在做這些研究時，會不會覺得孤單呀？

汪小京：謝謝你的認可。我在上課的時候，有時會跟學生說，任何領域都有先驅者。比如構建了霍奇金-赫胥黎模型的霍奇金（Hodgkin）和赫胥黎（Huxley），還有像約翰?林澤爾（John Rinzel）、威爾（Will）、巴頓（Barton）、南希?科佩爾（Nancy Kopell）這樣的應用數學家。但從領域發展來看，計算神經科學真正起步，可能要等到數據收集積累到一定階段，再加上戴維?馬爾（David Marr）這類從功能視角出發的研究者，推動了用數學模型理解大腦工作機制的理念。

保羅：對。我過會兒再問你戴維?馬爾的事，先接著剛才的話題，你是說，這個領域的起步，是等到數據收集達到一定程度之后？

汪小京：嗯，或許我可以換個角度表述。至少在我看來，當系統神經科學發展到一定階段（比如出現了芒卡斯爾、休伯、威塞爾等研究者的成果）之后，人們才開始運用數學工具。而且，這一過程可能還結合了數學心理學的方法，比如運用信號檢測理論（signal detection theory）、點過程（point process）等，于是開始用數學工具來分析（神經數據）。

保羅：沒錯。那時候的模型都很簡單，哦，我不該說“簡單”，但確實是非常“小”的模型，對吧？你會把它們稱為“小模型”嗎？

汪小京：對。之后，人們又用信息論來量化編碼過程；還有像伊芙?馬德（Eve Marder）這樣的研究者，為了探究運動行為背后的節律機制，開始運用動力系統理論（dynamical systems theory）。這些都是計算神經科學早期的例子。

再回頭看，霍奇金-赫胥黎模型、羅（Roe）和林澤爾的研究，更多聚焦于神經元生理學，這個領域本身一直都很注重定量分析。我自己的背景是動力系統理論和統計物理，不過有點機緣巧合的是，我很早就進入了前額葉皮層的研究領域。

保羅：你說“機緣巧合”，具體是怎么回事呀？

汪小京：確實有點偶然。我轉做神經科學研究時，是在加州大學伯克利分校沃爾特?弗里曼（Walter Freeman）的實驗實驗室工作。不知道你是否了解，他的父親是那個因做額葉切除術而聲名狼藉的人。

保羅：哦，還真不知道。是“聲名狼藉”那種是吧？

汪小京：對，聲名狼藉。他父親實際上做過數千例額葉切除術，還會開著車——

保羅：就是那種“冰錐額葉切除術”（ice pick frontal lobotomy）嗎？

汪小京：沒錯。他父親會開車穿梭于各個州，提供這種手術作為“治療手段”。約翰?肯尼迪（John Kennedy）的妹妹羅斯瑪麗?肯尼迪（Rosemary Kennedy），就是他做的額葉切除術。

保羅：居然是他做的。沃爾特?弗里曼（兒子）是他的兒子？

汪小京：對。

保羅：天吶。那你知道沃爾特?弗里曼（兒子）是怎么看待他父親這些事的嗎？

汪小京：我不記得我們當時有沒有聊過這個話題了。不過不管怎樣，我從那時候開始聽說了前額葉皮層（PFC），也意識到它可能對理解精神病學有重要意義。盡管——

保羅：這也太有意思了。你會研究前額葉皮層，居然是因為以前有人在“切除”前額葉皮層，而且某人的父親還在主動“去除”這個被認為“不重要”的腦區，結果你反而覺得“這腦區說不定很重要”。

汪小京：確實是這樣。而且羅斯瑪麗?肯尼迪的情況很悲慘：她23歲時做了這個手術，結果徹底失敗了，之后完全無法正常生活。

保羅：哦，是的。我對她的情況了解不多，但聽說那次手術對她的影響特別大，后果很嚴重。

汪小京：沒錯。她之后在機構里住了五十多年，這是個很慘痛的例子，也說明當時我們對前額葉皮層的功能一無所知。后來我到了匹茲堡，情況才有了變化。

我在匹茲堡開始了第一份教職，在那里認識了戴維?劉易斯（David Lewis）。是他從科學的角度給我介紹了前額葉皮層，我也是從他那里了解到，前額葉皮層對精神病學很重要，因為顯然所有主要的精神疾病，或多或少都與前額葉皮層功能異常有關。也是通過他，我認識了帕特里夏?戈德曼-拉基奇（Patricia Goldman-Rakic），之后才真正進入這個領域的研究。

保羅：原來如此。我插一句——帕特里夏?戈德曼-拉基奇，我學工作記憶相關知識時，也學到過她的研究：她記錄了執行工作記憶任務的猴子前額葉皮層的神經活動。以前學的內容是，存在這樣一種單細胞：當猴子在工作記憶中“記住”某個信息時，這個細胞會產生持續性活動（persistent activity）。

具體來說，當沒有刺激輸入、猴子需要在腦中 “記住”信息時，這種單細胞就會開始活躍；而且會一直保持活躍，直到猴子得到響應指令，需要根據工作記憶中的內容做出反應。這就是當時關于工作記憶的經典研究結論。

汪小京：對。另外，還有一些研究者也做過相關工作，比如日本的福斯特（Foerster）和渡邊（Watanabe），但戈德曼-拉基奇的研究有其獨特性，她不僅在自己的實驗室里，還嘗試通過多種方法，從不同層面去理解工作記憶的機制。

正如你所說，他們團隊會在工作記憶任務中做單細胞記錄（single-unit recording），但除此之外，她還做腦成像研究、體外腦片（in vitro slice）實驗；她本身也是解剖學家出身，還做了大量解剖學分析。我覺得這正是她最獨特的貢獻：通過多種研究手段，綜合探究（工作記憶的）機制。

超越馬爾層級：理論范式革新

保羅：好的，你這么一說，正好讓我想回到大衛?馬爾（David Marr）的話題上。咱們來聊聊 “跨層級機制” 吧。你的教材有個獨特之處，它不只是一本普通教材，更像是在呼吁一種研究大腦的新范式。

我們這個播客之前聊過很多次大衛?馬爾，不過還是先簡要回顧一下，你之前也提到過他，他提出的研究框架在神經科學領域很流行，核心是教我們如何理解大腦、如何解釋大腦活動。他著名的“馬爾三層級”理論具體是這樣的：

首先是計算/功能層級，關注“任務是什么”“認知活動的目標是什么”；其次是算法/表征層級，研究“大腦要完成這個任務，需要執行哪些步驟”；最后是實現層級，回答“神經元如何行動、如何執行這些算法、完成這個任務”。

你在書的第一章就明確提出，現在我們應該 “超越馬爾層級”，為什么這么說呢？

汪小京：或許我可以先從大衛?馬爾理論的邏輯背景和歷史背景說起。他提出這三個層級是在20世紀80年代初，順便提一句，這個理論其實是他和湯米?波焦（Tommy Poggio）一起提出的。

保羅：波焦啊，我之后打算邀請湯米來節目呢。對。

汪小京：好啊，到時候可以問問他。我和他聊過這個話題，很有意思。我覺得他們提出這個理論，主要有兩個出發點。

第一個是，坦白說，當時的神經生物學家不太關注“行為”，很多人都在研究單個神經元如何工作、突觸傳遞如何進行，這類研究大多用體外腦片（in vitro slice）實驗，而腦片實驗里根本不存在“行為”這個概念。

保羅：確實是這樣。這么說的話，那種研究有點像“收集數據（集郵）”，不過——

汪小京：就是“集郵式”研究，和行為完全不掛鉤。而且即便當時有人做在體（in vivo）記錄，也大多是在麻醉動物身上進行的。

保羅：這種研究不會關注動物的行為，只是想弄明白“這些神經組件是怎么運作的”，這本身是很有價值、也很有必要的研究。

汪小京：絕對是必要的。我想，大衛?馬爾和他的同事們覺得，或許可以用一種“互補性方法”：不那么糾結于“實現層面”，先專注研究行為。比如他們會想，“視覺研究很難，那怎么理解立體視覺呢？不如先從定量定義‘立體視覺是什么’開始，這就是功能層面的研究；然后再嘗試提出一些數學算法，也就是軟件層面的研究”。

保羅：對，不管底層是由什么構成的，是大腦組織也好，計算機硬件也罷，先搞清楚“怎么實現這個功能”。

汪小京：沒錯，而“底層構成”就是第三個層面，也就是硬件（實現層級）。對了，第二個出發點帶點社會學因素，聽湯米說，當時有不少人認為“只要搞懂分子生物學，就能理解大腦的一切”。

當時確實有這種傾向。所以大衛?馬爾才會說，“我們可以基于行為本身的價值去研究它”，這個觀點很有道理。不過我覺得，隨著時間推移，我們得去 讀他的原始著作才能準確理解；但可能有些研究者理解得比較“樸素”，把大衛?馬爾的“三層級”當成了一種“單向層級關系”，認為“功能層級最重要，其次是軟件（算法）層級，要是還有興趣，最后再考慮實現（硬件）層級”。

保羅：現在大家確實都這么理解，但這是不是 “誤讀”呢？這種理解會不會已經成了“流傳的說法”，偏離了原意？

汪小京：我倒不覺得……你還記得嗎？剛才你描述“馬爾三層級”時，提到“實現層級”，用的詞是“只是硬件層面”。

保羅：我這么說了嗎？不過從文化氛圍來看，我確實一直被這種“單向層級”的理解影響著。沒錯。

汪小京：其實我想提一個觀察：如果有人真的只關注“功能”，比如人工智能領域的研究者，那他們應該會注意到，如今人工智能系統的核心工具，以前是卷積神經網絡、深度神經網絡。

保羅：現在應該是Transformer（轉換器）了吧，不過上一代（AI核心）是卷積神經網絡。

汪小京：最初其實是深度神經網絡，深度神經網絡屬于“軟件”層面，但它的最初靈感，其實來自我們對視覺系統“硬件”（指神經結構）的認知。

保羅：這一點在AI領域至少是被嚴重低估了。

汪小京：正是從視覺系統的神經結構（硬件）中獲得的啟發，才讓楊立昆等人開發出了這種（卷積神經網絡）架構。

保羅：還有福島邦彥（Fukushima）也是（該領域的先驅）。

汪小京：沒錯。我可以舉很多這樣的例子。我想說的是，從神經科學中汲取靈感這件事，我們其實還沒做完。尤其是在前額葉皮層，或是視覺系統背側通路這類領域，還有很多可挖掘的空間。不過還有一點我不太確定：有人認為 “同一種軟件（算法）可以用各種不同的硬件（物理載體）來實現”，這種思路的實際價值到底有多大。

保羅：你說的是“功能主義視角”吧？對，有這種觀點。

汪小京：對。這種觀點部分源于“大腦與計算機類比”的思路。比如人們會說，“圖靈機既可以用老式真空管實現，也可以用芯片實現”。但事實上，我不確定這種類比是否真的適用于大腦功能。

保羅：什么？你是說圖靈機的實現方式？理論上這不應該是成立的嗎？

汪小京：圖靈機的情況確實成立。但我想說的是“大腦功能”，我不確定（“軟件-硬件分離”的思路）在多大程度上適用于大腦。而且我也不確定，這種思路對腦科學研究來說，到底有多大幫助、多大價值。或許“將大腦與計算機類比”的這個方向，本身就不是那么有趣、那么有用。

保羅：你一直都這么認為嗎？還是因為你是早期計算神經科學家，某種程度上，“把大腦當作計算機來研究”成了你的核心工作，所以才會有這種想法？

汪小京：其實我更傾向于把大腦看作一個“動力系統（dynamical system）”。

保羅：哦，那我之前的理解可就有點偏差了。

汪小京：至少在我看來，大腦和計算機的區別可以再展開說說。不過不管怎樣，如果你真的關心“大腦如何工作”，我認為我們現在需要一個新的神經科學研究框架，這也是我在書中試圖闡述的內容。可惜書的篇幅有限，只能簡要提及，之后有機會我很樂意更詳細地展開這個觀點。

簡單來說，現在我們已經有了足夠多的數據，而且“跨層級研究”是切實可行的。30年前大衛?馬爾提出理論時，可能還做不到這一點，但現在不一樣了。我們確實有義務利用轉錄組、連接組等領域的海量數據，去理解大腦功能。

保羅：這正是大家的理想目標。不管是從功能到實現的“自上而下”研究（這是我們對馬爾理論最普遍的理解），還是從實現到功能的“自下而上”研究，馬爾理論的核心思路都是“保持各層級獨立，無需跨層級研究”。而你認為，現在正是開展“跨層級機制研究”的時候，對嗎？

汪小京：我不知道馬爾是否真的說過“無需跨層級”，但我覺得他說“可以基于每個層級自身的價值去研究”是合理的。

保羅：嗯，這么表述更準確。

汪小京：對，而且這種思路確實有價值、很重要。但就像之前說的，隨著時間推移，可能有人誤解了，或者說用過于簡單的方式理解了這個理論——把它當成了一種“單向層級關系”，我認為這種理解現在來看不一定有成效，具體還是看研究目標。我只是想強調：“現在跨層級研究確實可行了”。

我可以舉個例子：“在工作記憶中忽略干擾信號”屬于功能層面的問題，但實際上，包含三種中間神經元的“去抑制性神經環路基序”，不只是“實現層面”的細節，它更是一種能解釋“信號門控”機制的特定神經環路。從這個角度看，跨層級研究是能做到的。至少它具備可行性，至于要不要做，就看研究目標了。我認為很多時候，這種研究方式是值得嘗試的。

不介意的話，我再結合自己的經歷舉個例子：關于工作記憶模型的構建。你可能會好奇，我后來怎么又研究起決策機制了，其實這事某種程度上也是偶然。

保羅：這次總不是額葉切除術的緣故了吧。

汪小京：主要是當時研究遇到了瓶頸，是我自己的瓶頸。工作記憶信號的表征理論認為，信號是通過神經環路的“循環交互”在內部維持的，不像初級視覺皮層（V1）的神經元那樣受外部刺激驅動。這就好比你我現在對話：只要聲音足夠大（不用小聲嘀咕），即便沒有外部干擾，我們也能一直聊下去。這就是循環交互的邏輯。

假設我們就是神經元，這就是“神經回響”（reverberation）的核心思路。通過這種“循環興奮”，神經元能維持特定活動狀態，從而實現不受外界環境干擾的工作記憶，這是我們當時試圖定量驗證的核心假設。

但構建模型時，問題來了：我們必須調高模型中的“興奮強度”，可結果要么無法得到穩定的活動狀態（沒法形成工作記憶環路），要么興奮強度過高導致“系統崩潰”，出現“失控性興奮”（runaway excitation）。這時候就會想：“或許該同時調高抑制強度，通過興奮-抑制平衡來解決？”

可一旦調整，“時間”和“動力學特性”就成了新的關鍵。當時人們普遍認為“興奮反應速度很快”，但即便在模型中加入“興奮比抑制快”這個生物學細節，問題還是沒解決，這就像一個工程系統的困境：如果你有工程背景就會知道，要是系統里有“反應極快的強正反饋”，再搭配“反應較慢的強負反饋”，根本沒法穩定運行。那段時間我卡了好幾個月，嘗試了各種方法：突觸短期易化、突觸短期抑制、神經適應等等，都沒用。

保羅：你說“卡了好幾個月”？建模不是調調參數、跑個程序就能看到結果嗎？

汪小京：這就是外行人容易誤解的地方。我很幸運能和帕特里夏?戈德曼-拉基奇這樣的實驗學家合作，有時候會半開玩笑地跟他們說：“建模是需要時間的。”真不是調個參數就能搞定的。

保羅：我懂了。我是實驗背景出身，以前總羨慕做建模的人，覺得你們出結果很快，看來根本不是這么回事。

汪小京：總之最后我意識到：“如果讓興奮反應比抑制慢，會不會就沒這個問題了？”讓神經回響緩慢漸進，同時用快速抑制持續、高效地調控它。這么調整后，模型居然成了！這也引出了一個關鍵觀點：“緩慢神經回響依賴NMDA受體”。而現在發現，這種“緩慢神經回響”恰好能解釋決策相關的生理學觀測結果*。

羅伊特曼（Roitman）和沙德倫（Shadlen）做過一個著名實驗*：當動物執行高難度決策任務時，神經元及神經元群體中會出現“漸進式攀升活動”（gradual ramping activity），正是通過這種活動，大腦會積累“支持不同選項的信息”。

* Wang, Xiao-Jing. "Synaptic basis of cortical persistent activity: the importance of NMDA receptors to working memory." Journal of Neuroscience 19.21 (1999): 9587-9603.

Roitman, Jamie D., and Michael N. Shadlen. "Response of neurons in the lateral intraparietal area during a combined visual discrimination reaction time task." Journal of neuroscience 22.21 (2002): 9475-9489.

保羅：我先給不太了解的聽眾解釋一下，這就是著名的“隨機點運動任務”（random dot motion task），核心是“隨機運動一致性”。你可以想象盯著一個屏幕，上面滿是點，其中一部分會朝同一個方向運動。我們可以通過多種方式調整任務難度，比如改變“朝特定方向運動的點的比例”，你的任務就是判斷這些看似隨機的點到底在往哪個方向動。抱歉打斷一下，我只是想確保大家都能跟上思路。

汪小京：完全沒錯。這個實驗的精妙之處在于，你可以通過“參數化調整”（改變朝兩個方向中任一方向同向運動的點的比例），精準控制任務難度。

保羅：難度可以從“超級簡單”調到“完全無法判斷”，而且能以很小的幅度逐步調整。神經科學里用來解釋這種行為的理論是“神經活動向閾值漸進攀升”，就像大腦在“積累證據”，直到證據量達到某個閾值，而神經活動的表現看起來就像是在執行這個“證據積累”的計算過程。

汪小京：對極了。當你降低點的同向運動比例、讓任務越來越難時，無論是在單細胞層面，還是如今用神經元像素探針（neuropixel）記錄的群體層面，都能觀察到這種“隨時間漸進的攀升活動”。順便說一句，很有意思的是，這種算法和二戰時艾倫?圖靈（Alan Turing）破譯恩尼格瑪密碼（Enigma code）用的算法，本質上是同一類。

保羅：他當時可不知道什么NMDA受體。

汪小京：確實不知道。但說實話，我們當時把 “原本為工作記憶設計的模型”拿出來，直接用到這個“點感知決策任務”上時，結果很意外——模型幾乎能解釋實驗中觀察到的所有現象。這背后是模型的“雙特性”：一方面，通過緩慢神經回響實現“漸進式攀升”，這屬于“慢瞬態動力學”（slow transient dynamics），和 “吸引子”之類的機制無關；另一方面，模型還能實現“贏家通吃”，最終做出明確的分類選擇*。

我覺得這又是一個“跨層級研究”的例子：最終解釋行為的，是動力系統理論描述的“涌現性群體動力學”（emergent collective population dynamics）。你既可以往下追溯，探究“背后的細胞受體機制是什么”；也可以往上對比，把模型表現和猴子的心理物理學數據做對照，現在這些都能做到了。

* Wang, Xiao-Jing. "Probabilistic decision making by slow reverberation in cortical circuits." Neuron 36.5 (2002): 955-968.

Wong, Kong-Fatt, and Xiao-Jing Wang. "A recurrent network mechanism of time integration in perceptual decisions." Journal of Neuroscience 26.4 (2006): 1314-1328.

分岔：動力系統理論的關鍵補充

保羅：我最后想問問“分岔”（bifurcation）的問題。初級視覺皮層（V1）也有抑制性神經元，只是比前額葉皮層少；V1也有較強的循環連接，可能比前額葉皮層弱一點。但從性質上來說，為什么V1沒有工作記憶功能呢？它和前額葉皮層的機制看起來類似，只是時間尺度更快。是不是存在一個“臨界點”，過了這個點，神經活動就能脫離感覺刺激的依賴（形成工作記憶）？

汪小京：你問的其實就是“分岔”的問題啊。

保羅：看來我確實是在問這個。

汪小京：對了，我正在給The Transmitter寫一篇文章。標題大概是《動力系統理論中“缺失的另一半”》——這“缺失的另一半”就是分岔。現在動力系統理論在神經科學領域越來越常見、越來越流行了。

保羅：你本身就是這個領域出身的。那它是不是曾經冷門過一段時間，現在又重新興起了？你怎么看動力系統理論現在的流行趨勢？

汪小京：我覺得它的流行本質是“數據驅動” 的。就像我們之前聊的，以前一次只能記錄單個神經元的spike序列，那時候研究可能更關注時間序列分析；但現在能同時記錄數千個神經元的活動，這時候該怎么做研究呢？

保羅：以前的方法肯定不管用了。是啊，該怎么做呢？

汪小京：有一批研究者開辟了新方向，比如吉勒斯?洛朗（Gilles Laurent）最早在小型物種上做相關研究，后來克里希納?謝諾伊（Krishna Shenoy）和他的合作者也做了很多工作。現在神經科學期刊上，滿是關于“狀態空間軌跡”（trajectories in the state space）、“降維”（dimensionality reduction）、“子空間通信”（subspace communication）、“流形發現”（manifold discovery）的論文，這就是動力系統理論流行的原因。這些方向確實非常重要，但說實話，現在還處于早期階段，不過能看到這些進展還是很讓人興奮的。

保羅：你覺得現在還處于早期？

汪小京：我認為是早期，一方面是因為未來還會有更多數據，我們對“流形”這類概念的理解還沒完成；另一方面更關鍵的是，目前的研究還偏“描述性”，只是用這種方法觀察數據，還沒有達到“機制性理解”的層面。

保羅：不過當我們討論“維度”時，其實已經隱含了一些機制性理解吧？比如，如果一個系統無法用低維度解釋，就說明它必然處于高維狀態。從這個角度來說，這不算是機制性理解嗎？

汪小京：不算。但“維度相關的認知”確實是很重要的知識，也能幫我們理解一些現象。比如你提到的稀疏編碼（sparse coding），有證據表明感覺系統確實需要稀疏編碼；而我和斯特凡諾?富西（Stefano Fusi）合作提出*，前額葉皮層（PFC）其實更需要“高維表征”，這依賴于我們所說的“混合選擇性”（mixed selectivity），從功能角度看這種設計是合理的。這些確實能幫我們理解大腦功能，但還不算“機制性理解”。

* Rigotti, Mattia, et al. "The importance of mixed selectivity in complex cognitive tasks." Nature 497.7451 (2013): 585-590. 該論文證明了神經元對多個任務變量的非線性混合編碼（混合選擇性）對于大腦產生高維表征、從而實現靈活的認知任務至關重要。

保羅：我補充一句，“混合選擇性”指的是神經元可以對多種不同信號產生反應，或者說它們的活動不單一對應某一種功能，而是可能與多種功能相關——本質上是對“多種事物”都有選擇性。

汪小京：這種特性對神經環路的“靈活性”可能至關重要，而它需要高維表征的支撐。我同意你的觀點，這確實很重要。但我說的“機制性理解”，本質還是“跨層級的環路機制”。比如，有人提出“腦區間的通信通過子空間實現”，這個發現本身很有意思，但我們更想知道“這一過程具體是如何發生的”。

保羅：“子空間”這個概念確實有點抽象。我自己雖然經常用這個術語，也覺得用著順手，但真要解釋清楚“子空間到底是什么”，我其實也說不太明白。

汪小京：這確實是個值得深入聊的話題，或許之后有機會再展開。不介意的話，我再舉個例子，稍微深入點技術細節，還是和“前額葉皮層依賴的行為靈活性”有關。心理學家布蘭登?米爾納（Brandon Milner）設計了一個經典范式來測試前額葉功能，叫“威斯康星卡片分類任務”。任務是這樣的：給你一副卡片，每張卡片上都有不同數量、顏色和形狀的圖案，你需要按三種規則中的一種分類，要么按顏色，要么按數量，要么按形狀。

比如一張卡片是“三個綠色三角形”，另一張是 “四個紅色正方形”。如果當前規則是“按顏色分”，你就把所有紅色卡片放一堆，綠色卡片放另一堆，以此類推。關鍵是，規則會在你沒被告知的情況下突然改變，這時候你需要用同樣的卡片，按新規則重新分類。

保羅：也就是通過觀察和反饋來學習新規則。

汪小京：對，只能通過觀察結果和“對錯反饋” 來調整。比如精神分裂癥患者，或者前額葉受損的人，做這個任務會很困難，尤其是規則切換時，他們會“固執地”沿用舊規則，哪怕一直得到“錯誤”的反饋。我們為這個任務構建了模型*，核心需求是“大腦要能在長時間內維持當前規則，且在需要時切換規則”。

直接說建模結論吧：我們發現，不同規則對應的神經群體活動，會分布在“不同的子空間” 中，這些子空間大致是正交的。比如按“顏色規則”分類時，所有信息處理都在“顏色子空間” 里進行；按“形狀規則”時，就切換到“形狀子空間”。我們設計這個模型，也是為了驗證“特定靶向性抑制性神經元（即之前提到的生長抑素神經元，SOM神經元）負責信號門控”的猜想。

首先，我們在模型中觀察到了“正交子空間表征”的現象；然后，模型的優勢在于可以做各種模擬操作。比如我們在模型中模擬“光遺傳學”抑制。

* Parker, Andrew J., and Kristine Krug. "Neuronal mechanisms for the perception of ambiguous stimuli." Current opinion in neurobiology 13.4 (2003): 433-439.

Masse, Nicolas Y., et al. "Circuit mechanisms for the maintenance and manipulation of information in working memory." Nature neuroscience 22.7 (2019): 1159-1167.

保羅：明白，是模型里的模擬操作，不是真的光遺傳學實驗。

汪小京：對，就是模型仿真。當我們在模型中 “抑制生長抑素神經元”后，兩個正交子空間就 “坍塌”了，模型的任務表現也完全消失了。

這就是我想說的“從流形描述到環路機制”。我們不僅觀察到了“子空間（流形的一種）”這種描述性現象，還找到了對應的“抑制性神經元門控”機制，甚至能提出具體預測。比如可以找研究者，讓他們訓練小鼠做這個任務，然后用真正的光遺傳學技術去抑制生長抑素神經元，驗證模型的預測。

我希望這個例子能說明，如何在“描述性現象” 和“環路機制”之間建立聯系。現在，我們可以回到“缺失的另一半”了吧？

保羅：好，聊聊“分岔”（bifurcation）。

汪小京：“分岔”這個概念，很多人可能有所耳聞，但并非所有人都熟悉，不過它其實應該被更廣泛地了解。有個大家都能理解的例子，就是單個神經元的活動。回想一下你學過的知識：霍奇金-赫胥黎模型描述了神經元對注入電流的反應。如果注入的電流較弱但為正值，神經元膜電位會小幅上升，然后達到一個穩態，這和實驗中觀察到的現象一致。比如在腦片實驗中，你單獨觀察一個神經元，給它注入弱電流，就能看到膜電位發生去極化。

保羅：是小幅去極化，沒錯。

汪小京：在霍奇金-赫胥黎模型中，這種狀態對應“穩態”，也就是數學上所說的“不動點（fixed point）”。接下來，如果你逐漸增大注入電流的強度，到某個臨界點時，穩態會突然消失，取而代之的是神經元以特定頻率重復產生動作電位。

保羅：對，就是給細胞注入強度足夠高的恒定電流時會出現這種情況。

汪小京：這時細胞狀態就不再是穩態了，數學上把這種現象描述為“振蕩”，專業術語叫“狀態空間中的極限環”。它屬于“吸引子”的一種，意思是如果短暫干擾這個系統，干擾消失后，系統會回到狀態空間中原來的軌跡，像在狀態空間里（這里指單個細胞的活動空間）循環運動一樣。而你所做的，其實只是逐漸改變了一個變量（這里是注入電流的強度）。

保羅：比如線性增加，你可以線性調整這個電流，對吧？

汪小京：對。這種“線性、漸進的定量變化”，最終能導致“行為的定性變化”。如果用嚴謹的數學語言描述這個過程，就稱之為“分岔”。

想必你也很了解“吸引子網絡”的應用——比如用于解釋位置細胞（place cells）、網格細胞（grid cells），還有我們研究的工作記憶。這些現象本質上都是“涌現性集體現象”，只需要適度調整某個變量（比如我們之前聊到的循環興奮強度），就能出現。這正是分岔概念的精妙之處。

對比初級視覺皮層（V1）和前額葉皮層（PFC）：兩者都基于通用的“局部標準環路”，你要做的只是調高前額葉皮層中“循環興奮”的強度，就能突然觀察到“吸引子狀態”的出現。順便說一句，這是早期研究得出的核心洞見。

保羅：我本來是想在你提到“涌現”這個詞時，問問分岔和涌現的關系，畢竟分岔是一種定性變化，但還是你先把思路說完吧。

汪小京：那我先提一句，神經科學領域早期就有人提出過這類想法，比如著名的約翰?霍普菲爾德（John Hopfield），還有丹尼爾?阿米特（Daniel Amit）——他在“吸引子網絡范式” 的研究中做了很多開創性工作。我認為這就是分岔概念在神經科學中有用的例子之一，但它的重要性還沒有得到應有的廣泛認可。

保羅：你覺得現在動力系統理論的主流研究中，分岔概念是缺失的嗎？它沒有被足夠重視嗎？為什么你說它是“缺失的另一半”？分岔和狀態空間中的“相變”有什么關系？

汪小京：兩者是相關的。從廣義上來說，它和物理學中的“相變”很像。比如水：當你把溫度升到100攝氏度，水會突然汽化，H?O的狀態發生了突變。分岔和這個過程類似：都是“從定量變化到突然的定性轉變”。我覺得神經科學領域應該更廣泛地了解這個概念。我們也用分岔的思路來理解“模塊化的涌現”——之所以說 “涌現”，是因為這種模塊化不是預先設計好的，甚至不是圖論意義上“預設模塊”的結果，而是真正通過動力學過程自發產生的。

保羅：也就是“自下而上”產生的？

汪小京：是通過動力學產生的，沒錯。另外，連接組確實很重要，看到這么多新的連接組數據庫問世也很令人興奮，比如基于連接組的果蠅導航系統模型，就是個很好的例子。但僅靠連接組，還不足以解釋動力學和功能。我在書里舉過一個例子：從兩個“通過互抑連接”的神經元開始，會產生什么結果？通常會形成“半中樞振蕩器”——一個神經元活躍時，另一個就不活躍，然后兩者交替切換。

這種結構可能是“中樞模式發生器（central pattern generator）”的基本單元，但意外的是，在某些突觸相互作用的動力學條件下，這種“互抑連接”居然能讓系統產生“完美的同步振蕩”。這說明，要真正解釋功能，必須結合動力學分析。所以在我看來，分岔的價值在于：如果我們想理解“大規模多區域系統中功能模塊化的涌現”，分岔概念會非常有用。我再舉個例子，讓“功能模塊化”的意思更清楚些吧。

我們之前聊過決策任務，比如那個“隨機點運動任務”。想象一個高難度試次：點的運動非常隨機，支持“向左運動（選項A）”的證據非常微弱 ——

保羅：幾乎就是偏向向左運動了。

汪小京：沒錯，但你的主觀判斷卻是“向右運動”，你會說“我覺得是向右”。這時候大腦里發生了什么？視網膜會忠實地編碼物理刺激，所以視網膜層面應該有更多支持“向左”的證據。初級視覺皮層（V1）可能也是如此，負責運動信息處理的專門視覺腦區MT區（middle temporal area）或許也是這樣。

保羅：就是你之前提到的那條背側通路（dorsal stream）里的腦區。

汪小京：但到了某個腦區，信號會突然變成 “主觀決策相關”的，有些腦區仍在編碼“向左” 的物理刺激（一直傳遞A信號），而另一些腦區卻在說“不對，我覺得是向右”（傳遞B信號）。正是這些腦區，決定了你的主觀選擇。

保羅：最終信號會傳遞到運動神經元，驅動動作執行。而在“物理刺激編碼”和“運動執行”之間的某個環節，信號方向發生了翻轉。

汪小京：我認為這就屬于“主觀選擇相關的功能模塊化”問題，我們可以把“負責主觀選擇的功能模塊”定義出來。再回到我之前說的：大腦有標準環路，有復雜的相互作用，通過一兩個突觸就能連接任意腦區，那“專門負責主觀選擇的功能模塊”是怎么涌現出來的？我們認為，“空間分岔”或許能解釋這個過程。

保羅：這聽起來好像分岔是個很敏感的概念。你之前提到過伊芙?馬德（Eve Marder），她研究龍蝦這類生物的節律性味覺模式，得出的核心結論之一是“實現同一結果的路徑有很多”，存在大量“簡并性”和“多重可實現性”。我在想，這和你說的“分岔”該怎么兼容？你認為分岔是系統中非常有價值的機制，能實現狀態空間的翻轉、本質上是相變；但她的研究顯示，即便你嘗試觸發分岔，系統在很多不同條件下都能維持在同一“相”里。我們該怎么理解這種矛盾？

汪小京：這個問題很有意思。其實這更關乎 “冗余性”，生物需要讓某些功能在“環境變化、受到干擾”時仍保持穩健。確實有人把伊芙的發現解讀為“多重可實現性”，認為同一功能能通過不同方式實現，但這種解讀其實有點簡單化了。伊芙后來的研究表明，螃蟹和龍蝦生活在不同環境中，比如氣候變化會導致水溫變化，她其實寫過一篇關于“氣候變化如何影響這些生物節律”的論文。

保羅：她來過我的播客，對這個話題特別有熱情。她在自己居住的海邊就能觀察到這種現象。

汪小京：沒錯。這其實是在說“冗余性的價值”，但回到分岔的話題，或許我這么說有點極端，但如果往深處想，分岔可以看作是“產生功能新穎性的數學工具”。怎么解釋“功能新穎性”？當然，生物進化是根本答案，但如果給定 “相同的神經組件”（比如標準局部回路），怎么解釋大腦不同區域有不同的功能？或許，你只需要讓某些生物學參數發生“定量差異”就夠了。

保羅：用相同的組件，“量變引發質變”。

汪小京：完全對，但這里的“不同”，是“定量差異帶來的定性不同”。

保羅：是微小的定量差異。

汪小京：對，就是微小的差異。當然，這還需要整個領域（不只是我的實驗室）共同推進研究，驗證這個想法是否成立。如果成立，我們或許能找到一種通用方法，理解不同類型的腦功能。我再補充一點關于“穩健性”的內容：“空間分岔”有意思的地方在于，它其實不需要精細調控。對比一下之前說的“單個神經元”例子：你需要小心調整注入電流的強度，才能剛好觸發分岔，偏左或偏右一點，都觀察不到分岔現象。

從這個角度看，要達到“轉變臨界點”，確實需要精細調控，得靠實驗者手動調整變量。但 “空間分岔”不一樣，它是在皮層組織的某個位置自然發生的。

保羅：情況一定是這樣嗎？它會不會不是發生在某個特定位置，而是分布式的？比如你覺得它發生在皮層的這部分，或者那部分？或許這個問題本身沒什么意義。

汪小京：不，這個問題很有意義，只是目前我們還沒完全搞懂。順便說一句，“空間分岔”目前還只是個理論假設，僅此而已。我們必須提出“可實驗驗證的具體預測”才行。比如，如果你把大腦皮層看作一個二維空間系統，那分岔轉變會發生在哪個位置？如果你的問題是“分岔轉變的邊界在哪里”，那我也不知道答案。

保羅：對，我問的就是這個。

汪小京：關鍵在于，這種分岔必然具有局部性，因為它需要能區分“參與工作記憶的腦區” 和“不參與的腦區”。反過來想，如果分岔是 “全腦分布”的，那工作記憶就會“無處不在”，但我持相反觀點：大腦中確實存在負責工作記憶的模塊，它并非在全腦均勻分布。至少從這個角度出發，我們可以看看這個觀點能否與現有數據兼容、能否解釋數據。而要支撐這個觀點，就需要“局部化的空間區域”來區分、定義這個模塊。另外，你剛才問起“精細調控”，我再補充一點。

保羅：好。

汪小京：這種空間中的轉變具有很強的穩健性。即便你改變模型中的任何參數，比如在真實大腦系統中，轉變發生的具體位置可能會偏移，但“轉變”這個現象本身，并不需要對參數進行任何精細調控。你能理解嗎？

保羅：能。這和“如何定義腦區”有關。你是說，模塊的邊界可以移動，而且不需要精確到 “是100個神經元還是101個神經元在執行功能”這種程度。

汪小京：甚至可能不需要精確到“腦區”這個層面。比如根據行為需求，某些腦區在有些任務中參與工作記憶，在另一些任務中就不參與。理論上，這個邊界可以...