万字追问：神经科学，会诞生自己的“牛顿定律”吗？

“大脑是世间最精密的计算机”——这样的比喻在我们这个时代司空见惯。关于大脑，我们所构建的各种模型本质上都是对生物现实的表征、类比或隐喻。每个时代都用当时的尖端技术来解读这个神秘器官。

现在，计算机作为最先进的技术，自然成为我们理解大脑的参照系。而在计算机出现之前，维多利亚时代的人们则借用蒸汽机的概念，想象大脑运作靠的是“管道”里的压力和液压。那么，未来人们又会用什么来比喻大脑呢？

推到“比喻”，我们面临一个悖论：一方面，我们需要将复杂系统简化，寻找“易处理模型”来探索生命奥秘；另一方面，我们又清醒地认识到这种简化的局限性。大脑不是产生连续信号的计算机，而是通过复杂生物物理机制生成脉冲信号的动态系统。

华盛顿大学的阿德里安·费尔霍尔（Adrienne Fairhall）与宾·布伦顿（Bing Wen Brunton），以及纽约西奈山医学院的卡妮卡·拉詹（Kanaka Rajan）三位专家正试图超越这些简单类比。他们从动力系统的视角出发，探讨大脑如何作为一个动态、进化、自适应的系统运作，挑战我们对思维本质的传统理解。

或许，真正理解大脑的关键不在于寻找更精确的隐喻，而在于接受它的独特性——一个不断自我重塑、超越任何机械比喻的生命奇迹。

对谈嘉宾

阿德里安·费尔霍尔

Adrienne Fairhall

华盛顿大学生理学和生物物理学系教授，应用数学系兼任教授，物理学系兼任教授，华盛顿大学计算神经科学中心联合主任

主要研究神经元和神经网络的非线性动态如何产生大脑用于计算的神经编码模式，以及这些模式如何在动态环境中处理和编码信息。2025年当选美国国家科学院院士，曾获得斯隆研究奖、Burroughs Wellcome“科学交叉领域职业”奖学金、麦克奈特学者奖等，还被选为艾伦研究所杰出研究员，2022年成为巴黎高等师范学院富布赖特-托克维尔杰出讲席教授。

宾·布鲁顿

Bing Wen Brunton

华盛顿大学生物学系教授、eScience数据科学研究所、保罗·米德尔布鲁克斯·G·艾伦计算机科学与工程学院、应用数学系担任兼职教授

研究领域是系统神经科学、动物行为和人工智能的交叉领域，开发数据密集型方法，结合机器学习、深度强化学习、计算机视觉和物理约束模拟等，研究神经系统如何解决动物面临的挑战。2016年曾获得阿尔弗雷德·P·斯隆基金会神经科学研究奖，2023年获得美国国家科学基金会职业奖（NSF CAREER Award）。

卡妮卡·拉詹

Kanaka Rajan

哈佛大学肯普纳自然与人工智能研究所创始教员，哈佛医学院神经生物学系副教授，纽约西奈山医学院神经科学与弗里德曼脑研究所兼任副教授

主要研究动物和人类如何通过大脑神经回路学习、记忆和决策，结合物理学、数学、工程学方法与数据分析，探索控制认知能力和行为模式的神经机制，以及这些机制在神经精神疾病中的异常情况。曾获得CIFAR阿兹里利全球学者计划、艾伦研究所下一代领袖委员会成员、麦克奈特学者奖等多项荣誉。

主持人

保罗·米德尔布鲁克斯

Paul Middlebrooks

卡内基梅隆大学的特聘助理研究员

卡内基梅隆大学的特聘助理研究员，同时是播客“Brain Inspired”的主持人。他主要研究运动皮层和基底神经节神经群体活动如何在自由行为的小鼠中支持自然行为，致力于揭示神经活动与复杂行为之间的关系。

目录：

01 学术生涯中最满意的成就

02 核心争议：单神经元学说vs.群体学说

03 领域趋势：高度计算化与生物学属性

04 流形：低维表征工具而非“定律”

05 时间维度：认知动态性的必然要求

06 给青年学生的经验之谈

学术生涯中最满意的成就

保罗：我们先做自我介绍，并各自挑一到两项最代表你学术取向、你也最认同的成果。

阿德里安·费尔霍尔：我来自华盛顿大学，是一名计算神经科学家，关心用动力系统视角理解神经编码，尤其关注“神经元作为物理系统”如何生成表征。最让我满意的工作是用分数阶微分刻画单神经元的长时程适应：在果蝇视觉系统中，神经元放电率对噪声刺激包络的转换与分数阶模型高度吻合，后来在皮层神经元上也表现稳健。这种跨系统适用性说明，适应的动力学规则具有可迁移的结构。若说外界最熟知的，可能是我们团队2001年在Nature上展示的“在线高效编码”：神经元能随输入标准差变化自适应输入输出曲线，实时匹配动态范围。

宾·布鲁顿：我同样在华盛顿大学，从动力系统出发研究自然情境中的决策与行为。早期我与合作者推动了用啮齿类研究认知决策的实验范式，并配套以动力系统框架连接行为与神经活动。我们强调在非结构化、长时程、多尺度的行为中，用工具把神经动态与运动学指标对齐。方法上，动态模式分解（DMD）很值得一提：这是一个“线性却出奇有效”的向量化广义线性工具，源自流体力学，但在神经与行为数据上常常以简驭繁，提供了高效的低维动力学描述。

卡妮卡·拉詹：我也是一名计算神经科学家，目前在纽约西奈山医学院弗里德曼脑研究所神经科学系担任助理教授。我的研究同时做两件事：一是用循环神经网络（RNN）拟合多物种真实数据的动力学，二是构建机制约束的模型，明确“在尖峰时序、突触动力学、细胞类型等生物条件下，神经系统能做什么、为什么这么做”。

我所从事的研究中，最被公众熟知的应该是RNN匹配实验数据。但我最自豪的一项，是在理想随机网络中用平均场方法解释“大脑如何在强自发活动中仍保持对微弱输入的敏感，却不陷入幻觉”——这把“内部丰富动力学”与“外界信号可检出性”的张力讲清了。

核心争议：单神经元学说vs.群体学说

保罗：让我们回归到那个核心争议“单神经元学说 vs 群体学说”。我们究竟应该遵循哪种范式？在深度学习主导的当下，单神经元似乎失去了存在感，但是当研究进入认知层面时它真的无关紧要了吗？

阿德里安·费尔霍尔：让我们先澄清关于“单神经元学说”的误解。神经元不是孤立的信息处理单元，而是构成网络的基本计算单元。从所有神经系统图谱中都能明确看出这一点。

之所以强调单细胞，是因为它是参数可知、可操控的完整电导系统，能把生物物理非线性映射成可检验的编码规则。我们用动力系统刻画单细胞的长时程适应，得到跨系统可迁移的动力学，这说明“具体机制”在起作用。

更重要的是，药物与基因编辑作用的旋钮就在单细胞与分子层；若想把抽象模型转化为干预与治疗，必须理解这些旋钮如何改变计算。高维抽象网络是有用，但不能代替生物真相：不同脑区、细胞类型的离子通道分布与规则差异，必然有功能意义。

卡妮卡·拉詹：同意。我认为这本质上是个“科学问题品味”的选择：并不存在某个能解释一切的理论层级。

物理科学背景的研究者，总倾向于寻找能完美统合所有现象的终极理论。但坦白说，这种思路可能具有误导性。

更可能的发展路径是：我们将拥有系列整合模型与理论，从中涌现出集体性认知。这些理论碎片会包含生物物理学和单个神经元的全部丰富性，也会包含更抽象的模型，而这最终取决于你研究的问题取向与学术品味。这就是我的观点。

保罗：研究者通常会针对特定问题聚焦于某个层级，或许能口头建立与其他层级的关联。但可否存在某种整合性的层级结构或通用原则，让我们最终能建立跨层级的系统性认知？还是说，这些层级本质上就必须保持独立，我们只能满足于这种状态？

宾·布鲁顿：把大脑当作“完全成型的实体”去理解是相当片面的——它是通过发育形成的，而指导发育的蓝图又在更长时间尺度上被演化塑形。

这些时空约束是生物系统与物理系统的根本区别：神经元网络必须经由发育才能达到成年动物的功能状态，还要与神经退行性变等长期动态同场博弈。

我没有现成解法，但当我们不再把系统视为功能完备的终极产物，而是转向关注“它是如何形成的”，也许能通过一种“间接方式”找到突破口。计算神经科学里已经有人在发育方向做得很棒，我真诚地希望更多人加入。

卡妮卡·拉詹：发育是“硬件与软件同步变化”的超长时间难题，研究难度可想而知，也因此令人敬畏。我做的更像“简化版的纵向研究”——观察学习轨迹。让成年动物首次接触任务时，从初始状态训练成为专家的过程中，状态空间表征或行为变化如何演进？西雅图的小鼠和纽约的小鼠学习同一任务，达到相同的最终表现，他们的轨迹是否有所不同？如何构建模型来区分这些学习轨迹？这虽然是我感兴趣的课题。

宾·布鲁顿：这又回到了单神经元与网络接口的议题。布里茨（Bliss）和罗摩（Lomo）在那篇LTP论文结尾的那段“随口提及”让我时常反思：“神经元还有多种可塑性方式，比如调节离子通道数量。”

我担心传统训练网络的思路，让人忽略了许多生物学里的巧妙机制。它们或许遵循完全不同的学习规则，在更短时间尺度上通过改变兴奋性来实现，而不仅是把阈值当作“可由突触权重变化近似”的简单按钮。因此，我们有充分理由回到单神经元与分子动力学，其中可能藏着一整片被忽视、却极其丰富的调控维度。

领域趋势：高度计算化与生物学属性

保罗：如今“具有生态有效性的行为”的研究确实越来越受关注，但总体而言，生物学过程的重要性和影响力似乎在不断下降，变得高度“计算化”，缺乏生物学属性，在很多方面甚至显得有些僵化。你们同意这个看法吗？或者觉得这种趋势本就该如此？

卡妮卡・拉詹:：我不太认同这个观点，反而觉得我们正朝着相反的方向发展。得益于神经技术的爆发式发展，我们如今能在研究对象执行行为时观察更大范围的神经活动，甚至还能同时实现记录与操控。

刚开始出现这种（数据爆发）趋势时，至少对我这样的理论研究者来说，会有点“跟不上节奏”。我们早期构建的那些抽象模型，常因为无法获取足够的验证数据而难以落地。而现在，即使是小型神经系统，也能观察到大量的结构化网络特征，获得采样密度极高的数据集，其中几乎没有完全随机的内容。

我之前提到过，自己“私下里最自豪的研究”其实是那些非常“不切实际”的工作。但从某种意义上说，现在所有人都在推动研究加入更多生物学特征。哪怕是强调层级架构、卷积或深度网络的里程碑研究，如今也会在研究结果中补充生物学相关内容，比如反馈投射、不同细胞类型，来让模型与生物学的关联更紧密。所以，我并不认为我们在“远离生物学”。

阿德里安・费尔霍尔：保罗所说的“趋势”，更像是曝光度层面的偏移。确实，计算神经科学领域目前存在这种趋势，拟合循环神经网络（RNN）当下很热门、成果出色，是“工具箱”中非常重要的一部分。但关注单神经元特性、生物物理细节的研究并未消失，最终二者会融合。如果说有什么问题，那更可能是 “我们还没找到融合的好方法”，而这其实又回到了你之前提到的“多尺度建模”问题。

目前我们仍在努力寻找能做好多尺度建模的优质工具，比如艾伦研究所（Allen Institute）提供了大量出色的单细胞生理与回路位置信息。问题在于如何真正利用好这些数据。我认为下一阶段的挑战，就是大家反复提及的“整合”。将单细胞特性的表征（这些细胞各自的功能是什么？它们在神经网络中的位置在哪？连接规则是什么？），与那些非常简洁的方法（比如直接训练一个神经网络，完全不用考虑上述生物学细节）相结合。例如在直接训练网络的同时，用真实记录与细胞类型约束它，观察这种约束如何影响拟合能力

当然，这种方向也有缺点：研究细节会越来越多，难以提炼出“金句”，甚至会让人不知“如何利用这些信息”。我们期待一种“巧妙的方法或思路”，能让我们优雅地处理这些生物学细节，而不是陷入“参数拟合的苦差事”。或许“参数拟合”本就是必经之路，或许这就是答案，但我们这些来自物理学或其他领域的研究者，始终相信存在一种“更优美的方式”——既能捕捉所有这些（生物学）效应和影响，又能清晰地阐述，而不只是一场“调整参数的练习”。

保罗：有人认为，生命过程对认知无关紧要。进化让我们的大脑只需20瓦功率就能运转，代谢本身并不影响认知。这其实也关联到另一个问题：从“动作电位”（spikes）到“群体动力”（population dynamics）的转向，是否遮蔽了多尺度中的生命层面？

卡妮卡・拉詹：我认为关键在于，我们需要对惯用工具保持一定的怀疑态度。比如我自己也会用RNN去拟合生物数据，但我并不真的认为大脑在产生“类似模拟信号的连续信号”；大脑真实产生的是动作电位，背后是极其丰富的生物物理过程与细胞类型差异。将“神经调质”（neuromodulator）简化为“慢正弦波”，显然过于粗糙。

你提到了生物物理和单细胞特性，但实际上，在生理系统层面还有很多研究领域，如周期性“走红又降温”的神经胶质动力学（gliodynamics）、负责调控神经动态的脑室内侧壁“绒毛膜细胞”（chorionic cells）、血管系统等研究，正试图探索（生理过程）与神经网络之间的关联。

宾·布鲁顿：“认知与生命无关”这种说法挺荒谬的，我完全无法理解怎么能把认知和生命拆分开。可能这个观点有点不受欢迎，但我还是会说：大脑其实除了控制肌肉，没什么其他输出功能——难道不是吗？我们之所以有神经系统，本质上就是为了在真实的物理世界中控制自己的身体。

我和认知科学领域的同事聊起这个话题时，他们有时会生气，但我还是会坚持这个观点。比如我们拥有长期记忆、会有内心独白、能做决策、能想象未来并为未来做规划，这些内部认知能力的存在，其实都和我们的身体尺度、生命时长有关。比如人类身高一米有余，寿命几十年，要在这样的生理条件下在现实世界中生存，就必须具备“为未来规划”的能力。换成浮游生物的尺寸就根本不需要神经系统——浮游生物也确实没有复杂的神经系统。

保罗：那水螅（hydra）那种大小的生物呢？

阿德里安・费尔霍尔：水螅似乎没有太多记忆能力。一直以来，研究者都很难观察到水螅有任何学习行为。它们确实会控制自己的身体，但另一方面，水螅其实趋近于“永生”（寿命极长），它们的生存状态更偏向“活在当下”。

我们实验室的研究之所以倾向于“易处理系统”（暂且这么称呼），核心原因就是在这类系统中，我们能真正访问其各个环节，从感觉输入、神经计算到运动输出与生物物理反馈。

日常状态下的“生命”，其实就是整体闭环的：生活中我们每天接收感觉输入，做一些决策，采取行动，这些行动会对世界产生影响，而影响又会反过来反馈给我们。我们不想孤立地研究每个环节，而是希望把它们整合起来。当然，要在哪怕短短几分钟、几小时、几天的时间尺度上实现这种整合，难度非常大，但相对简单的“感觉-运动循环”的整合却有可能实现。我们实验室正慢慢朝着这个方向推进。

这个闭环里，有些环节能做到非常细致的生物物理层面研究，有些则只能用现有方法尽可能去拟合，更偏向“现象学模型（phenomenological models）”。所以，目前这类整合模型可能就是“大杂烩”，把现象学模型和生物物理模型拼接在一起，我们只能尽力去完善。但核心思路始终是“系统的交互性”。这是一个能与世界互动的“主体”，它会和外界产生真实交互。

当然，孤立研究每个环节的工作也很有价值，我也确实从这类研究中借鉴了很多。但对我来说，尝试把所有环节整合起来，才是更有满足感的事。

流形：低维表征工具而非“定律”

保罗：如今在动力系统理论中，“流形”（manifold）被广泛用来描述神经元的群体活动及其低维表现。物理学的核心成就之一，就是用定律描述事物规律（虽然现在这种情况在变化）。那么，神经科学领域是否也在朝着“用定律描述”的方向发展？对于复杂系统而言，“形成定律式术语、用这类术语描述思维”是否应成为目标？

卡妮卡・拉詹：抱歉，我对这个问题的看法也比较消极。我觉得“定律”（law）这个概念，应该和“教条”（doctrine）、“教义”（dogma）一样逐渐被摒弃。我想引用麻省理工学院莱斯利・沃肖尔（Leslie Vosshall）的观点，她曾说“生物学是混乱复杂的”，我非常认同这句话。追求“定律”本身无可厚非，但这有点像追求“理解意识”。对我来说，这样的定律根本不会存在。即使是在我们能完整采样的最小神经系统中，也存在大量冗余通路：它可能为特定行为进行了优化，但实现优化的路径却“多种多样”（manifold，注：此处双关）。

阿德里安・费尔霍尔：我其实对这个问题有点困惑，因为“流形”本质上只是表达“低维性”的一种方式，而这种低维性本身是必然存在的，不是吗？

我们有数十亿个神经元，但它们实际执行的功能数量相对较少。所以，从某种层面来说，数十亿神经元的活动空间与认知或行为之间，必然存在“降维”，而流形就是描述这种约简的方式之一。

或许存在某种结构清晰的空间，能让我们观察到这种低维特征，但这个空间一定是“无限交织”的，只要任务稍有变化，对应的流形就会略有不同。

所以，“如何理解低维表征”是个很好的问题，但我不确定这是否能构成“定律”。它更像是为我们的研究对象（即神经活动）提供了一种“更好的参数化方式”。神经科学研究工作，就是尽可能把观测结果还原到某个空间中，在其中看清神经动力学的运作方式及其意义。这是我们的目标。至于是否能形成“定律”，我认为这既非必要，也非关键。

时间维度：认知动态性的必然要求

保罗：在神经科学中，时间维度是否得到了足够的重视？

阿德里安・费尔霍尔：我认为我们是重视时间的。有些观点认为 “动力系统兴起后，一切都变了，甚至与传统神经编码研究完全对立”。这种说法其实忽略了一个事实：视觉神经科学早就意识到时间的重要性了。

诚然，早期人类视觉研究确实曾忽略时间，但“时空感受野”（spatial-temporal receptive field）本身就内含时间维度。当你用格林函数（Green's function）重写动力系统，对时间做卷积，这实际上就是“时间感受野”（temporal receptive field）的思路。

我刚踏入神经科学领域时，比尔・比亚利克（Bill Bialik）等学者教给我的就是这种研究思路。所以，后来听到有人把“重视时间的动力系统研究”说成是种“范式转移”，我其实很意外。我以为我们一直都知道时间的重要性。当然，这并不意味着所有人都完全认同“时间的重要性”，但至少在过去30年里，这套研究方法已经有了深厚的基础。

根据证据调整理论本身没有问题，关键在于区分合理修正与偷换概念。我认为学界积极接纳这些证据，视作理论修正依据是重大进步。问题始于拒绝接受结果，转而寻找替代解释。若以建设性态度看待负面结果，真正需求是调整理论、正视问题，而非逃避结果解读，声称“未发现预期现象”却不解释原因。

卡妮卡・拉詹：我同意阿德里安的观点。毕竟认知本身就是动态的。事物会随时间变化，我们怎么可能不考虑时间呢？

宾·布伦顿：我觉得，当我们过度较真于模型本身时，反而会陷入麻烦（比如忽略时间维度的实际意义）。比如我在论文中可能会提出“某行为的RNN模型”，但如果把它称为“大脑认知的统一理论”，就大有问题了。说到底还是那个核心：时间是行为和神经处理的基础要素，不能忽略。

阿德里安・费尔霍尔：我们所有人都该明白：当下使用的任何方法，都不是“万能钥匙”。今天管用，不代表未来不会被更好的方法替代或补充，所以永远不要把所用的方法奉为“圭臬”。有太多优秀的研究者，在杰出统计学家的助力下，不断推进这些工具的发展。我们现在所处的“工具使用阶段”，只是一个时间节点而已。随着更优的研究方式的出现，这些工具会不断演进。我想强调的是，掌握构建工具的数学基础，工具永远在更新迭代。

宾·布伦顿：对我来说，我们构建的模型，本质上是对“生物现实中我们试图理解的事物”的表征、类比或隐喻。

有时候我会陷入思考：现在我们身边最先进的技术是计算机，而大脑又是人体中最难以理解的器官，所以我们就做出了“大脑像计算机一样工作”的类比。很多非生物学背景的朋友会问：“大脑的‘硬件’是什么？‘软件’又是什么？”他们必须用计算机的类比才能理解大脑。但我得跟他们解释：“其实大脑和计算机不完全是一回事，如果把这个类比太当真，它就不成立了。”

要知道，在计算机出现之前，蒸汽机是当时最先进的技术，那时候人们对大脑的类比就是“蒸汽机”，觉得大脑的运作全靠气动、蒸汽（“大脑管道”里的压力和液压）。不知道下一代会用什么技术来类比大脑，也许是量子计算（现在确实有这种说法）。

不管怎样，我只是好奇：当新技术普及时，我们对大脑的类比会不会也随之更新？毕竟到那个时候，我们可能还是没有完全理解大脑。

这是科学逐步积累过程中的必经环节。我认为现阶段淘汰理论的目标为时过早，至少在特定案例中如此。但这不意味着应放弃评判两种理论的研究项目，因为相比让理论各自固守其偏爱的特定实验条件长期停滞不前，此类工作能高效推动进展。

番外：给青年学生的经验之谈

保罗：如果回到自己学术训练的起点，你会选择多研究/多做哪件事、少研究/少做哪件事？

阿德里安・费尔霍尔：先说说我过去的学习经历吧。我最开始研究的是非空气动力学系统（non-aerodynamical systems），本科论文中我把一个高维动力系统简化到了流形上。现在想起来还挺超前的。这些经历后来都非常有用，统计物理的学习也帮了我很多。但如果说当初最该认真学却没学扎实的，那一定是统计学。我本科只修过一门统计课，当时觉得特别无聊：老师只讲“这是t检验”、“这是r检验”，完全没有深入讲解背后的逻辑。现在想想特别后悔，真希望当时能系统地学统计学。

后来研究生时的一门课“高级数据分析”（或“数据分析”），才让我真正对统计有了启发。现在华盛顿大学有不少这类课程，比如我和内森・卡茨（Nathan Cuts）也会教相关内容。但我至今都觉得不可思议：我当年接受的物理训练里，竟然完全没学过主成分分析（PCA）！

所以，如果能回到过去，我一定会在训练阶段系统学好统计学。这不仅能帮你熟练掌握机器学习工具，还能让你把统计思维和物理思维结合起来，而这正是我现在希望自己的研究能做到的。可以说，扎实的统计学基础对我现在的工作太重要了。

卡妮卡・拉詹：我特别希望研究生阶段能有“学术休假年”（sabbaticals），就是能有一年时间，暂时放下主要研究方向，去学一些完全不相关的东西。如果能回到过去，我一定会说服我的导师，让我去一个有意思的地方（比如阿德里安所在的团队），学一些和我当时研究完全不同的领域。

具体来说，我想多学一些演化发育生物学的内容，比如生态学、发育生物学，以及和自然世界相关的知识。数学生态学里有很多非常精妙的模型，其中有些模型的逻辑和我们现在研究的神经动力系统非常像，不仅看起来像，原理也像，连用到的工具也高度相似。如果当时能多接触这些领域，我觉得会对现在的研究有很大帮助。

阿德里安・费尔霍尔：数学生态学，其实是我进入这个领域的起点。我高中时就接触了数学生态学，当时我读11年级，听了鲍勃・梅（Bob May）的一场报告，那场报告让我特别感兴趣，后来也正因如此，我才开始研究混沌理论。

宾·布鲁顿：总体上我没有遗憾，也喜欢一路上做过的一切；但如果能补一补系统训练，我有两块想加强、且方向完全不同。

第一个是科学计算（scientific computing）。不只是科学计算的数学原理，还包括实际的代码实现。当然，这是一个快速发展的领域。每六个月就会有新的热门工具出现，你必须不断跟进。但我总觉得自己缺乏这方面的系统基础训练，一直都是“边做边学”，感觉总是有点跟不上节奏。所以我真希望当时能多修一些相关课程。

另一个方向则完全相反，我希望当时能在发育与演化生物学方面接受更好的训练。因为这是研究“生命”的基础领域。就像我之前提到的，生命不是计算机，生命就是生命本身。这些领域里，研究者积累了极其丰富的观测结果和知识，但我最近才开始真正意识到它们的价值。因为我现在所在的“整合生物学系”里，有很多古生物学家和发育生物学家同事，听他们聊天时我总会想：“我以前怎么没学过这些？我怎么会不知道这些知识？我真该早点接触这个领域。”

作为一名生物学家，我还有个“小秘密”要坦白：我这辈子从来没做过哪怕一小时的野外工作。我对“野外工作”的定义，就是把笔记本电脑带到咖啡店，这就是我的“野外工作”。所以我一直在跟同事们暗示：下次他们去野外采集标本（不管采集什么），一定要带上我。

阿德里安・费尔霍尔：那你应该来伍兹霍尔（海洋研究所）和我们一起采集水螅，我很乐意带你去。

保罗：各位有没有想给正在收听的学生们一些“经验之谈”？

宾·布鲁顿：我想分享一条我从本科研究导师格兰特・延森（Grant Jensen）那里得到的建议。当时我正在和他聊要不要申请研究生院，我甚至还没开始申请，心里特别纠结，总在想“我该做什么？我真的想走学术这条路吗？”他告诉我：

人这一辈子，应该努力追求三件事：选一件你擅长的事、一件你感兴趣的事、一件对世界有意义的事。

他说，大多数人能做到其中两件就已经很成功了，但如果能找到一件同时满足这三点的事，那就是你最该坚持做的事。我一直认真对待这条建议，也经常把它分享给别人。因为我觉得它能帮人避免“被压力压垮”，不是所有人都必须做好所有事。毕竟，你感兴趣的东西未必是别人感兴趣的，你擅长的领域也未必是别人擅长的，甚至连“什么事对世界有意义”，其实也因人而异，取决于个人的价值判断。这条建议在我人生的很多时刻都帮到了我，所以我想把它也分享给大家。

阿德里安・费尔霍尔：我想对那些感到压力大的学生说几句，这种焦虑我完全能理解，但大家真的不用觉得一开始就必须懂所有事、会做所有事。至少，我的学术生涯，就绝对不是这样过来的。

一开始你只需要会做几件事，然后在这个基础上逐步积累。

比如，当你发现自己的研究问题需要往某个方向推进时，再围绕这个问题去学你需要的知识就好。

当然，就像大家都强调的，合作也很重要。你会遇到优秀的同事，甚至优秀的学生和博士后，他们能帮你弥补自己知识背景上的不足。显然没人能读完所有文献，这也是为什么我们有格蕾丝・林赛（Grace Lindsay）这样的学者，他们会帮我们总结文献，为我们梳理出清晰的研究脉络。

所以，我觉得最关键的是：深度投入到一个能让你兴奋的问题或课题中。先掌握一些能让你迈出第一步的工具，之后随着研究推进，你自然会接触到更多新东西，也会保持开放和敏锐的心态。学术本身就是“终身学习”的过程，你需要不断扩充自己的“工具库”，丰富自己的思维类比方式。

那种“必须在所有领域都接受高强度训练后才能推进研究”的想法，其实是错的。有时候“知道太多反而会束缚自己”。我研究生时期有个非常聪明的同学，他总能提前想到五步之后的事，然后不断告诉自己“这个方法不行，那个思路也走不通”，结果就是一直没做成任何事。如果你也这样，或者总在想“可能已经有人做过类似的研究了”，那你就很难有勇气大胆投入问题、尝试新方法。

要知道，只有真正深入问题、动手去做，才能做出原创性的工作。

我匿名引用一位导师的话吧：“别光读，要做!”（Don't read, do!）。当然，我也不建议完全极端化，但这句话确实有道理，行动很重要。

作者后记

编译这篇对谈时，最触动我的是三位学者对神经科学研究 “本质” 的坚守。不盲从“群体模型取代单神经元”的潮流，不追求复刻物理学的 “定律式描述”，而是以问题为导向，在动力系统的框架下平衡生物细节与模型简洁性。这种 “反教条” 的思辨，恰是跨学科研究的魅力所在：阿德里安的物理视角让动力学规律落地神经编码，布伦顿的生物学根基关联神经活动与自然行为，卡妮卡的工程思维则为模型注入生物约束，三者碰撞出多维度的研究思路。

对谈链接：

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

关于追问nextquestion

天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。欢迎评论区留言，或后台留言“社群”即可加入社群与我们互动。您也可以在后台提问，我们将基于追问知识库为你做出智能回复哦~

关于天桥脑科学研究院

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。

Chen Institute与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工天桥神经科学研究院。

Chen Institute建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、等。