編者按：本欄目旨在與腦科學相關的科研人員以及產業(yè)界人士深入交流，直擊科研和生產一線，幫助大家更好的了解腦科學現(xiàn)狀和未來發(fā)展動態(tài)。

時間導覽：

00：00 —— 01：28 ?背景

01：28 —— 7：36 ?記憶的儲存

07：36 —— 12：01 ?關聯(lián)性記憶

12：01 —— 16：29??記憶的形成

16：29 —— 30：50??計算神經科學與大腦模擬模型

30：50 —— 33：20??模擬模型的應用

33：20 —— 43：22? 轉行的經歷

43：22 —— 54：28??腦科學的意義及對讀者的建議

嘉賓介紹

記憶和學習是大腦最重要的能力之一，為了探索這背后的機制，研究者們進行了許多的探索。同時，盡管人工智能發(fā)展迅速，它們在某些任務上的表現(xiàn)仍不能夠與人腦相媲美。因此，研究記憶的形成不僅有科學和醫(yī)學上的意義，還能夠對人工智能的發(fā)展方向有所啟發(fā)。

今天我們邀請到了從事計算神經科學研究的王曄老師來分享她在這個領域的研究以及對未來發(fā)展的展望。同時，王曄老師有豐富的學科交叉背景，她將與我們分享從數學到腦成像再到計算神經科學的探索歷程，向未來有志于腦科學研究的讀者提出一些建議。

?

記憶與關聯(lián)記憶

主持人：每次一說到記憶，我就會聯(lián)想到夏洛克福爾摩斯中描寫的記憶宮殿，各式各樣的知識和記憶像圖書館一樣排列在書架上，那么從科學的角度來說，記憶是怎么儲存的呢？

嘉賓：很久之前人們就開始去關注記憶到底是怎么儲存的。從神經科學的角度來講，我認為在這方面的先驅者應該是?Karl Lashley。他最開始通過對鼠的腦進行不同程度的損傷，然后去探究鼠在迷宮任務中的表現(xiàn)，最后他得出一個結論：損傷的區(qū)域越多，鼠的記憶就會越差。但這個結論是被證偽的，因為他當時實驗的設計有諸多的不嚴謹的地方。?

在這之后，神經科學領域最著名的一個病人，H. M. 給我們提供了一個非常好的例子：H. M. 的雙側海馬體，因為癲癇被切除掉了，腦人言之前有過一篇關于H.M.的介紹文章，感興趣的讀者也可以去閱讀。通過H. M. 的案例我們就知道，海馬體是陳述性記憶形成所必須的腦區(qū)。這時我們就找到了記憶形成所必須的一個區(qū)域，而不是分布在全腦上的。但是海馬體畢竟還是在腦區(qū)的層面，那么在更小尺度上，記憶是怎么存儲的？有人開始研究印記細胞，在這方面又有很多非常有意思的工作，有的是在鼠上的，有的是在人上面的。

在人上面，我個人比較感興趣的是，在05年的時候，英國的萊斯特大學的Quiroga教授在人腦中發(fā)現(xiàn)了概念細胞，也就是說在我們大腦的內側顳葉（MTL，medial temporal lobe）區(qū)域當中，有些細胞會對特定的概念產生響應。在初級視皮層（V1）中，只是有一些方向選擇性的細胞，在下顳葉皮質?（IT，inferotemporal cortex）中我們發(fā)現(xiàn)了一些對面孔有響應的細胞，這些細胞看起來已經比在?V1中的那些細胞高級了很多，但是它并不知道所識別的是哪一個面孔，或者說它只是一個對視覺刺激有響應的細胞。回到MTL的概念細胞，這些細胞它不單是對某一個概念的刺激有響應，而且是對多模態(tài)的刺激有響應。比如說蘋果這個概念，給被試呈現(xiàn)一個蘋果的圖像，編碼蘋果的概念細胞會有響應；說蘋果這兩個字，編碼蘋果的概念細胞也會有響應；甚至你把蘋果這兩個字寫在紙上，編碼蘋果的概念細胞也會有響應。紙上的文字和蘋果的圖片雖然都是視覺刺激，但是從形態(tài)來說非常不一樣。在IT腦區(qū)來說，一個是文字的識別，一個是物體的識別。在MTL的概念細胞層面，只要是同一個概念，盡管是多模態(tài)的刺激，它們都會引發(fā)概念細胞的響應。我覺得這是讓人非常興奮的一件事情：我們在人腦中發(fā)現(xiàn)了概念細胞。所以我總說：你對一個人有多重視，可能就看你腦子里面有多少細胞去編碼這個人。如果對這個人一個概念細胞都沒有，你見到他就不認識他。這是一個動態(tài)變化的過程，有的時候我們會慢慢的忘掉一個人，可能就是關于這個人的概念細胞越來越少，有的時候我們對一個人越來越了解，對于他的各個方面了解得越來越多，可能就是關于這個人的概念細胞越來越多。這個是細胞的層面，其實做神經科學有不同的尺度，我們剛才提到了有腦區(qū)的尺度，有細胞的尺度，再往下還有突觸的尺度，甚至是分子的尺度。?

其實現(xiàn)在也有一些研究發(fā)現(xiàn)，記憶可能是存儲在突觸上的，細胞只是一個表象。所以，兩段不同的記憶，同一個細胞可能會編碼它們。但是這兩段記憶由同一個細胞編碼，你怎么又能把它們區(qū)分開呢？可能它們是由不同的突觸再去編碼，再下面這個分子層面也并不是我所擅長的領域，這里我就不再去細說了。?

主持人：好的。根據我們的生活經驗來看，記憶和知識似乎不是以獨立的碎片形式存在的，很多時候我們能夠觸類旁通，把知識組織起來。我想問一下有沒有有沒有什么理論能夠解釋一下我們所看到的這種現(xiàn)象呢？?

嘉賓：這個問題其實是關于關聯(lián)記憶的一個問題。我剛才所提到的記憶，其實你可以把它認為是一個獨立的東西，比如說概念細胞，你可以存儲蘋果這個概念，你也可以去存儲橘子這樣的一個概念。那么現(xiàn)在這個問題就是說，我們明顯會覺得蘋果和橘子它們倆是更加接*****果跟黑板擦，它們兩個可能是完全沒有什么關系的。也就是說你看到蘋果的時候，你更容易會聯(lián)想到橘子，而不是更容易會聯(lián)想到黑板擦。?

對此科學家們也有很多的探索，關聯(lián)記憶到底在神經科學中它是什么樣的一個研究的狀態(tài)？又得到了什么樣的研究結論？這里其實還是可以從概念細胞這個角度出發(fā)，比如說我們腦子里面有一群細胞去編碼了蘋果這個概念，那么自然可能會有一些細胞去編碼橘子這個概念，還有一群細胞去編碼了黑板擦這個概念?，F(xiàn)在在人腦中的研究表明，我們在主觀上認為兩個概念越接近，在神經元的層面，它們共享的細胞就會越多。這一結果是基于人腦的單細胞記錄得出的，我覺得在人腦上能做到這個尺度已經非常不容易了。?

所以當共享的細胞越多的時候，我們就很容易去進行這樣的聯(lián)想，也就是說我從蘋果就很容易聯(lián)想到橘子，但是蘋果和黑板擦可能共享的細胞非常的少，那么你去做這樣的一個聯(lián)想，就非常的困難。關聯(lián)記憶可能聽起來我們覺得已經挺炫了，但是除此之外其實還存在一個問題，就是一個推理的問題。因為我們人是有非常強的智能的，智能的程度應該是高于目前的一些人工智能的。?

我們的腦子里面會有一些知識體系，這些知識體系也是基于我們對不同的概念的存儲。所以這里可以舉一個例子，比如說你看到一個男人去遛一條金毛。那么你過兩天又看到了一個女人也在遛狗，遛的是同一條金毛。那么我們就自然的會推理出來，這個男人和女人可能是一家人，因為他們遛了同一條狗。這其實就是由關聯(lián)記憶所引發(fā)的一個推理。我們是可以通過一些已有的記憶去進行推理的，我覺得這也是我們人之所以如此智能的一個很重要的原因。?

而且我們大腦中存儲的知識可以基于這樣的推理去形成一些知識體系，我們再去學習一些新的東西的時候，新的東西就可能很快的在大腦中找到它合適的位置，而不是說還要經過一個很長的時間去看看這個東西到底放在哪兒更合適。關于這一塊兒其實也有很多的理論方面的支持。我覺得比較著名的就是一個叫做CLS理論（Complementary Learning Systems），翻譯成中文的話應該是叫補充學習系統(tǒng)，感興趣的讀者也可以去關注一下這一塊的理論模型。?

主持人：我聽到您之前的描述多次提到了細胞的這樣一個概念，那么我想問一下，所以您是認為這些記憶或者說是還有一些關聯(lián)性記憶，他們都是由細胞所編碼的是嗎？?

嘉賓：至少我們從表象上上去看，兩個記憶他們之間的關聯(lián)越強，他們共享的細胞可能就會越多，也有一些實驗提供了這方面的證據。但是記憶或者關聯(lián)記憶是不是在細胞層面上編碼的，我覺得這個結論可能有一點過于武斷，我們可以再去看一下突觸的層面。?

我們知道一個細胞它會有成千上萬個突觸，如果兩段記憶共享了同一個細胞，但是可能沒有共享同一個突觸，這樣的話他們即使有關，這個關系可能也不是特別的強。如果兩個東西他們共享到了突觸的層面，而且共享特別多的話，我們可能就會很容易把它搞混，就說明這兩個東西已經非常接近了。所以從突觸的層面可能會把這件事情描述得更加清楚。但是現(xiàn)在受限于我們的實驗技術，我們很難在人腦上去觀察到突觸層面上有什么？?

雖然說用小鼠做實驗可以去看突觸上面發(fā)生了什么，但是畢竟鼠和人的智能還是有很大的差異的。而且現(xiàn)在有觀點認為在老鼠的腦中是沒有概念細胞的，所以如果都沒有這個東西，你再去觀察突觸層面的現(xiàn)象，可能結論的說服力就不是那么高了。?

主持人：但是本身這種概念性細胞對外界輸入的一些響應是受突觸的影響而來，那么有可能他的信息就是直接儲存在突觸里面。?

嘉賓：是的。?

主持人：細胞會因為不同的突觸結構而做出不同的響應，對嗎？?

嘉賓：對的。?

主持人：實際上如果我們有一個比方說突觸編碼矩陣的話，我們就能夠編碼相關的記憶，對嗎？直接實際上記憶是由突觸的形成而來，這樣的觀點是對的嗎？?

嘉賓：這個問題其實挺難回答的，我覺得以我現(xiàn)在的水平，我可能沒有辦法去做出判斷，說這個觀點是不是對的。但是我們說一個神經元，它要放電的話，在腦子里面你不可能直接的去給它注一個電流，它肯定是通過接收更多的突觸前細胞通過突觸的輸入讓它能夠起反應。所以說至少在表象上面，我們可以看到神經元的反應，至于是哪些突觸讓它起了這個反應，我們從實驗角度其實并不好觀察這件事情。但是從聯(lián)想記憶或者關聯(lián)記憶的角度來說，我們海馬體里面有一個叫做CA3的區(qū)域，它有非常多的循環(huán)（recurrent）連接。其實我們可以通過神經元和突觸的角度去做這樣的一種思想實驗，也就是說如果兩個東西它們共享的神經元越多的話，那么兩個刺激A和B，A的激活就更容易能夠帶起?B的激活。?

這方面我覺得非常出色的一個工作是Hopfield在1982年提出的Hopfield網絡。它雖然是一項針對人工神經元的研究，但是它是基于我們海馬體的CA3的這樣的一種特殊的結構去做出的這樣的一個網絡的模型。通過Hopfield網絡，我們可以窺見記憶之間是怎么產生聯(lián)系的，以及突觸在這中間起到了什么樣的作用。?

大腦的模擬模型

主持人：Hopfield網絡好像還是比較比較早期的網絡，那么現(xiàn)在模擬記憶肯定有了很多新的模型。那么您能不能簡單介紹一下呢？在Hopfield網絡之后又發(fā)展出了怎樣的模型和怎樣的概念？?

嘉賓：Hopfield的網絡到現(xiàn)在已經30多年了，對這個領域也有非常好的奠基性作用。在這之后，做網絡的模型可以做到神經元的層面，也可以做到腦區(qū)的層面。從我的角度來說，有一些模型是做到腦區(qū)層面的，但是在腦區(qū)層面上有些東西感覺看得還不太清楚。因為你不知道在神經元層面發(fā)生了什么，在突觸層面發(fā)生了什么？?

如果說我們去看神經元層面的模型，Hopfield還算是一個人工的神經元，那么后面就發(fā)展出了用?spiking neuron，就是這種跟我們大腦一樣的脈沖神經元，去做這樣的模擬。這樣的網絡，它的動力學的系統(tǒng)的感覺更加的強，因為它有隨著時間不斷去演化的過程。在這方面有一些模擬是做得非常的精細的。我們以海馬體的模擬為例，它會去看海馬體里面都有哪些區(qū)域，這些區(qū)域都是用到了哪些神經元，就相當于在計算機里面去構建了一個虛擬的海馬體。然后我再去研究記憶形成和提取的過程中，不同的區(qū)域到底起到了什么樣的作用？比如現(xiàn)在已經比較清楚的就是海馬體里面的齒狀回（Dentate Gyrus），我們簡稱DG，這個區(qū)域它可能起到了一個模式分離的作用。這在生理實驗上面，我們已經有了非常強的證據，在模擬的層面同樣也模擬出了這樣的效應。這對于我們記憶的存儲也是非常關鍵的，它會避免一些不必要的混淆。剛才又講到?CA3這個區(qū)域有大量的recurrent連接，這個就對關聯(lián)記憶的形成非常的關鍵。另外，大家現(xiàn)在普遍認為CA3起到了一個模式完善，也就是pattern completion的作用。這個也是我們在生理實驗中有了很好的觀測，模型也可以提供這方面的一些證據支持。后面還有?CA1，再后面可能海馬體再去跟前額皮質（prefrontal cortex）進行關聯(lián)，可能涉及到腦區(qū)的尺度就是要大一點。目前的算力還不允許我們去從神經元的層面去做這么大規(guī)模的模擬，但是我們也可以通過生理實驗中所記錄到的一些數據，比如說通過一些局部場電位（local field potential）的數據，我們可以知道在記憶形成的過程中，是哪個波段在增強，在記憶提取的過程中，又是哪些波段在增強，哪些波段在減弱？這樣我們也可以在模擬的過程中以局部場電位作為一個基本單位，而不是以神經元的脈沖作為基本的單位，去搭建一些模型，去探究不同的腦區(qū)在整個記憶的形成，提取或者遺忘過程中的作用。?

主持人：好的。您提到了這些模型，它含有的這么多的信息必須要來源于我們對大腦的觀測嘛，對吧？那人的大腦是一個黑箱子，在研究記憶形成的過程中，我想了解一下，您一般是用什么工具來看我們大腦黑箱子里面發(fā)生了什么呢？?

嘉賓：其實從我本人的角度來講，我主要是用計算機去看大腦的黑箱子里面發(fā)生了什么？但是這個過程中其實我要去看很多真正去做生理實驗的人，他們提供了哪些結論。用結論的這個詞，可能有一點重，提供了哪些實驗的結果吧。這些結果有一些是突觸層面的，有一些是單神經元層面的，有一些是神經元集群層面的，有一些是局部場電位層面的，再高一點是腦區(qū)層面的，甚至是行為學層面的，所以我會整合不同尺度的實驗的研究結果，然后去用我自己的腦子去想大腦這個黑箱子里面到底都是些什么，然后就去用計算仿真的方法去構建一些神經網絡模型。?

然后我們去給一些比如說跟是實驗中一樣的input，然后去看看我的模型會產生什么樣的output。如果說我的模型產生的output跟生理實驗得到的output是一致的話，那么我們再去解構這個模型，看看到底是哪些神經元起了反應？哪些突觸發(fā)生了變化？這就可以說明大腦可能是這樣去工作的，所以我平時就是以這樣的方式去嘗試揭開黑箱子中的一角。?

主持人：一般您對已經記錄到的數據進行仿真，主要是用的什么模型來進行模擬的？?

嘉賓：從神經元的層面，現(xiàn)在已經有一些非常成熟的神經元模型了。這里面最經典的應該就是在1963年獲得諾貝爾生理學或醫(yī)學獎的Hodgkin–Huxley model。這個模型可以去精確地模擬神經元的動作電位，而且它是基于神經元的離子通道的，現(xiàn)在研究者給出了很多不同腦區(qū)的神經元的HH模型。除此之外，還有一些HH模型的簡化版，比如說LIF模型，還有Izhikevich模型，還有AdEx模型，這些模型計算起來會更加的方便。也可以在捕捉一定的動力學特征的情況下，去完成這樣的一個模擬。?

在突觸的層面，突觸的連接其實也是有一些很成熟的模型。比如說，突觸前神經元發(fā)放了一個脈沖之后，?突觸后神經元會有一個PSP（Postsynaptic Potential），如果是一個興奮性連接的話，就會有一個興奮性的突觸后電位。這個過程中會有一個突觸的電導的變化，電導變化可以用一些指數函數來進行模擬。?

在另外一個層面，因為我做的是記憶相關的研究，可塑性也是非常重要的一點。也就是說，網絡中它的連接權重其實是在動態(tài)變化的。在可塑性這一點上，非常經典的有Hebb’s rule。其實Hebb跟我們最開始第一個問題中提到的Lashley是師生的關系，可以說Hebb是Lashley最著名的學生。他提出的Hebb’s rule給我們提供了一個實現(xiàn)起來非常容易，但其實也是比較有效的一個可塑性的計算策略。但是Hebb’s rule還有一些局限性，因為我們的大腦其實并不是如此的簡單。那么再更復雜一點的可塑性模型，比如說有STDP（Spike-timing-dependent Plasticity），還有與一些離子濃度相關的BCM Rule（注：由三位提出者姓的首字母命名），諸如此類的可塑性模型也都可以作為網絡的一些學習的規(guī)則。

對于整個大的網絡，剛才我們談到的神經元、突觸以及突觸可塑性，這三個我認為是構建神經網絡的三塊基石。如果你已經有了這三塊基石，那么你需要的就是大腦網絡的結構，比如說他興奮型的神經元和抑制型神經元，他們的比例是多少，它們之間是以一種什么樣的連接的方式，有多少的?recurrency，有多少的feedforward，有多少的feedback。這方面可能有些實驗沒有辦法給我們提供非常精確的數據，因為其實挺難去觀測到的，這個時候可能就需要做模型的人去做一些猜測。你認為它應該是什么樣子，或者去嘗試多種可能性，去看一下哪種可能性可以提供與實驗結果最一致的output。?

?

主持人：在研究的過程中，實際上您是通過之前所談到的方法來進行計算的建模，然后與實際的數據來做比較。這個過程是不是反過來也促進了模型的調整和改進？?

嘉賓：其實我們去做模擬的時候，無論是行為學的實驗數據還是生理學的實驗數據，對模型都是非常重要的一個驗證，就好比它就是一個考卷的答案。我們是去答考卷的人，我們希望我們得到的答案和正確答案是一樣的，那么至少可以說明你的模型，它也許是對的。注意我這里說的是也許是對的，我覺得我們很難說我們的模型一定是對的，結論非常非常的難下。?

去做模型的時候，對于計算神經科學來說，從我的角度，其實去修改模型有的時候，你并不知道應該從哪里去做調整和改進，因為它的可變的因素太多了，或者說它有很多的變量。目前以我做spiking神經網絡為例，它又沒有像ANN（Artificial?Neural?Network），就是人工神經網絡，那樣的一種很成熟的BP（Back-propagation）算法。你直接去看一下你的輸出跟label有什么樣的差別，然后把它BP回來去調整權重，最后訓練出來的這個結果肯定是會越來越接近，因為你的loss會越來越小。但是在我的工作當中，我現(xiàn)在沒有這么好的一個東西去調整我的參數。所以，有很多時候有一點點靠直覺，然后去不斷地嘗試，或者說是用一些經驗，去對模型進行調整和改進。?

這個過程其實也會加深你對整個大腦的理解，而且這里我還想談的一點是，我們做模型，當然最希望的就是你的模型跟實驗的結果是一樣的，而且你的模型又具有它的合理性。至少我們在腦子里面現(xiàn)在所得到的一些研究結果，跟你模型中的一些假設是不沖突的。我自己的一個愿望是希望我的模型可以跟實驗的結果一致，因為模型具有方便性，我可以在計算機上去做各種各樣的嘗試，給各種各樣的input，那么這個時候我就會有很多組實驗。這些實驗可能是在動物身上沒有做過的，所以做實驗的人也不知道這應該有一個什么樣的輸出，那么我可以通過模型去告訴你，模型給出了這樣的輸出。如果說你后面做了實驗，發(fā)現(xiàn)你的實驗的結果跟我模型的結果是一致的，我覺得是一件非常有成就感的事情。這證明你的模型有一定的預測的功能，也就更加能說明這個模型它就更可能是正確的。?

主持人：如果說你有一個模型表現(xiàn)非常好，這意味著這個模型有可能你實際的工作就是大腦的工作機制是一樣的。由這種方法得到的模型，能否用在其他的地方？?

嘉賓：您指的其他的地方是指一些應用的場景嗎？?

主持人：對。?

嘉賓：這方面我的工作可能比較有限，但是據我的了解，的確是有一些模型，它們得到了跟生理實驗一致的結果之后，就會有人去把它真正的用到一些真實的應用場景上面。?

比如說我們以記憶為例，其實Hopfiled網絡就是一個很好的例子。最開始大家可能想用這個模型去研究大腦的記憶是怎么回事。研究著研究著發(fā)現(xiàn)這樣的一種recurrent神經網絡對于我們去形成吸引子非常有幫助的。那么從此之后，其實很多工作就會借鑒這樣的思想，然后去把它應用在我們現(xiàn)在的人工智能上面。還有一些比如說跟強化學習有關的，那也是我們從實驗中拿到了一些data，然后去做一些計算的模型，去把這個過程讓它可以用模型來描述出來。因為計算機需要你要給它寫代碼進去嘛，這個代碼就相當于是一個模型化的東西，那么最后我就可以把這個模型去用于一些真實的強化學習的場景。我覺得在這一方面，DeepMind的做了很多非常出色的工作，所以有興趣的讀者可以多去關注一下DeepMind的工作。他們一方面會有一個實驗團隊去負責采集不同的生理實驗的數據，負責模型的團隊去看一下，我們能不能建一些模型去解釋這些實驗的數據。那么還有一些人就會去基于這些模型去做一些真實的應用。我們所熟知的AlphaGo系列，以及他們后面做了很多的工作，其實都是有很多很深刻的神經科學的思想在里面的。?

轉行歷程及對讀者的建議

主持人：關于記憶的形成和關聯(lián)研究，我們可能就聊到這里。我對您的研究經歷非常感興趣，因為你有著非常豐富的學科背景，像從數學的到醫(yī)學，然后還有神經科學，你好像還有成像的經驗，是嗎？能否跟我們分享一下您的研究經歷中有哪些重要的節(jié)點，以及為什么您是選擇這樣的一個道路？?

嘉賓：我本科是學數學與應用數學的，當時高考報志愿的時候，我覺得大家可能都會有過對專業(yè)的選擇，到底要選什么樣的專業(yè)？由于我本身就是非常的喜歡數學，所以當時報了各種學校的專業(yè)，都是填的數學。最后就果然如我所愿就去學了數學。當我本科快要畢業(yè)的時候，就會涉及到下一步要干什么的問題了。那個時候其實我們班里面有非常多的數學大神，我自己也對自己有一個很清晰的認識，就是我成不了一個數學家。?

我沒有辦法去做數學方面的研究，我覺得這個是比較需要天賦的一件事情。我覺得數學專業(yè)是一個非常好的基礎性的專業(yè)，它讓你很容易轉行。比如說你可以去轉做計算機，你可以轉做金融，包括像我一樣去轉做神經科學。因為可以說各行各業(yè)它都是多多少少是會需要一點數學的。當時由于我自己對大腦又特別的感興趣，所以在博士期間，就轉到神經科學的領域做功能磁共振成像的研究，因為當時這個實驗室主要就是在做這方面的研究。我主要是通過功能磁共振成像的方法，去做運動控制這方面的研究。當我最后博士畢業(yè)要找工作的時候，就又面臨一個問題，因為我剛才說了，功能磁共振成像所觀測的尺度，可以說是腦區(qū)層面的尺度，它的分辨率其實非常的有限，而且它的時間分辨率也是非常的有限的，這其實就限制了我們去更加仔細的去觀察大腦。所以當時我就決定去轉做更加小的尺度，也就是神經元尺度的這樣的一個研究。但是我本身屬于比較笨手笨腳的，做不來生理實驗，本身又有這樣的一個數學的背景，就想著轉做計算神經科學可能是一個比較好的選擇。所以說最后就去轉做計算神經科學了。在做的過程中，其實也是對大腦有了更加深刻的理解。我們說磁共振成像它的它的最小的單位是voxel，對吧？一個voxel里面可能有幾十萬甚至是幾百萬的神經元。你去看幾十萬神經元，你看到的是它們活動的疊加。具體每個神經元是怎么活動的，功能磁共振成像沒有辦法給我們提供這個尺度上面的結果。所以這個時候你會有一點，“我還不過癮”的這樣的一種感覺，就是我想看的更細，但是你看不到了。就好比你的望遠鏡的觀測范圍有限，你想看更遠的地方就看不到了。所以當時就給了我這樣的一種感受。去轉做計算神經科學之后，我可以從神經元、突觸甚至是分子的層面去窺見大腦中一些更加本質的工作機制，這也是我特別喜歡現(xiàn)在做的研究的一個原因。?

主持人：那您現(xiàn)在還在成像的領域內，還是說現(xiàn)在就已經不再做成像了？?

嘉賓：對，我現(xiàn)在已經不再做成像了，已經完全的轉到做計算這一塊了。?

主持人：那這兩次方向的轉變跨越還挺大的，在方向變化的過程中，您遇到過什么樣的挑戰(zhàn)？?

嘉賓：中間其實遇到的挑戰(zhàn)還是蠻多的。首先，其實我博士期間大的專業(yè)是力學，并不是神經科學，所以當時相當于是自己學了一些東西，通過讀文章啊，去看書啊。那么，可能本身對于神經元層面，突觸層面的基礎可以說是非常的不牢固的。但是當我轉做計算的時候，我就必須要去學習這方面的東西。所以最開始我是花了大概有一年多的時間，去打這方面的基礎，去看很多的書，去看很多的paper。?

然后還有尺度方面的轉變。因為剛才說到了以前是一個voxel里面就有幾十萬個神經元，我現(xiàn)在去做的這些網絡，它們可能一個網絡的規(guī)模大一點也就是幾萬個神經元，因為算力的限制。所以也就是說我現(xiàn)在做的模擬，可能還沒有一個voxel的神經元那么多。雖然神經元的數量沒有那么多，但是我們可以看得更細。所以這中間的挑戰(zhàn)我覺得主要是你轉行，你可能要放棄之前已經有的一些東西，已經積累的一些東西，你要完全換一個方向去做。然后你要花很多的時間去學習這個新的領域中的一些知識，所以這方面其實還是要做好比較充足的心理準備的，但是興趣是最好的老師嘛。我們轉行其實是想做自己更加感興趣的事情，所以在很多時候都是靠這樣的一句話去堅持下來。?

我覺得現(xiàn)在已經工作已經三年多的時間了，所以應該基本上是轉過來了。已經過了可以說是當時最痛苦的一段時間了，柳暗花明又一村了。?

主持人：您覺得您現(xiàn)在的工作是您興趣所在的地方嗎？?

嘉賓：是的。我覺得既用到了我最開始本科時候學數學，當時所積累下來的一些能力，主要是邏輯思維的能力以及建模的這些思想。然后當時做腦成像的時候，其實又對神經科學又有了一些了解，所以之前的這些經歷對我現(xiàn)在做的東西，還是有很大的作用的。我只是在不斷地調整自己的方向，然后去找一個最適合自己的領域。?

主持人：對，您認為您現(xiàn)在做的是一個最適合自己的領域，但是您之前也提到，您是按照自己的興趣去找的?，F(xiàn)在您所在的領域是一個計算神經科學的，用數學模型來模擬大腦的一個位置。您覺得這個是一個您非常感興趣的一個地方，是嗎？?

嘉賓：是的，首先大腦是非常神奇的，我們有很多很多的方式可以去研究大腦。我覺得有的人是用實驗的方法，有的人是用理論的方法，還有的人比如說在更早的時候，既沒有實驗的手段，也沒有理論的模型，僅僅靠空想其實也是一種研究的方法。?

不論是怎么樣的研究方法，其實大家都是想去揭開大腦的黑箱中到底發(fā)生了什么。既然你對這個東西感興趣的話，要看你自己的技能，適合去做什么。剛才提到了，我可能不太適合去做生理實驗，但是我有數學和計算機方面的工具，那么我就可以通過這樣的工具，用計算神經科學的方法，去為揭開大腦之謎貢獻自己一點非常微薄的力量。所以我也非常感謝計算神經科學領域的創(chuàng)始人，讓我們這些后輩們有機會去用這樣的方式去研究大腦。?

?

主持人：從轉行碰到困難到堅持，然后最后到一個比較擅長，比較舒服也比較感興趣的領域這樣的一個過程。您有什么建議，或者是您有總結什么經驗來跟我們的讀者朋友做一個分享呢？?

嘉賓：對。其實首先我覺得要感謝大家在關注腦人言這個公眾號。你關注它應該就說明你是一個對大腦感興趣的人。不論你現(xiàn)在是多大年齡，你是什么樣的學科背景，你現(xiàn)在處于一個什么樣的狀態(tài)，其實都不影響你去對大腦產生興趣。因為我的工作就是在做腦科學相關的研究，所以我可能每天大部分的精力都是花在這個上面，去做我自己感興趣的事情。?

我們覺得大腦非常的神秘，我們去研究它，可能可以找到一些腦疾病發(fā)生的機制，還可能會對人工智能有一些啟發(fā)，或者我單純地就想知道這個東西它里面到底是怎么回事。我們提供了很多的方式，很多條路徑，讓我們可以關注大腦。所以各位讀者朋友們，既然大家都是志同道合的人，都是對大腦非常感興趣的人，我覺得一方面繼續(xù)關注我們腦人言的公眾號，可以不斷地去更新腦科學相關的知識。對于現(xiàn)在還在上學的朋友，我不知道有沒有更小一點的朋友，比如初中生、高中生，你們可以在選擇專業(yè)的時候就去選擇跟腦科學相關的專業(yè)，或者是像我一樣去選擇基礎學科，比如說生物、數學或者是物理，這一類的基礎的學科。那么你可能在本科期間去打了一個基礎之后，對你博士期間去轉做神經科學也是非常有幫助的，因為這是一個交叉學科，腦科學需要各路人才。如果說你已經是在研究生的階段，本身就是做神經科學相關的研究，你對大腦感興趣，你又做了這方面的研究，那么恭喜你，你在做一件你感興趣的事情，剛才說了興趣是最好的老師。如果說你并不是在做神經科學相關的研究，也許腦科學一些知識對你的生活是有幫助的。?

因為腦科學的研究的范圍太大了，比如說男女的大腦有什么樣的不同，對吧？如果你看到了我們做的這方面的科普文章的話，你就會更加地理解異性，對吧？平時要跟男朋友或者女朋友吵架了，你會知道為什么ta會這個樣子。為什么女性好像情緒很容易波動，為什么女性的話有點多，為什么女性有的時候不識路，路癡會更多一點。然后有的時候又會覺得，咦，為什么男性好像有的話比較少，這些其實多多少少在我們的生理層面、生理結構上，它都是有很多很有意思的研究的。?我們會用很科普的方式去把這些故事講出來，不需要你再去讀英文原文的paper，講出來之后你就會更加的理解異性，所以我覺得對我們構建和諧社會也是非常有幫助的一件事情，對吧？那么這是剛才舉了一個例子，就是男性和女性的大腦本身多多少少存在一些差異，那么這些差異可能造就了不同的行為、不同的性格。

我們還有一些跟腦醫(yī)學相關的科普，現(xiàn)在有很多的疾病其實都是跟大腦相關的，比如說阿爾茲海默癥，比如說帕金森，比如說中風，還有自閉癥、失語癥，諸如此類的疾病，其實對于我們健康的威脅是很大的。當然我這里沒有去關注具體的數據，但是至少我們也做了很多這方面的科普。還有一些精神類的疾病，比如說抑郁癥，比如說精神分裂癥，因為我們作者團隊背景也是非常的豐富的。你也可以通過這些科學的文章去了解這些疾病它們背后的腦機制是什么，現(xiàn)在科學發(fā)展到了什么樣的一種程度，哪些病是有藥可治的，哪些病現(xiàn)在目前藥物還處于攻關的階段，還有我們哪些方式可以去預防這方面的腦疾病？?

這些我覺得都是非常好的科普，我們的作者團隊應該至少都是研究生了，有一些還是在高校或者研究所的研究者，所以我們都是從非?？茖W的角度去給大家去講這些東西，這些可能要比之間你在網上隨便搜搜出來一個結果要靠譜的多。而且其實我們應該也做了一些辟謠的工作，?“造謠一張嘴，辟謠跑斷腿”，我們其實做的是“跑斷腿”的這件事，我們在用我們的專業(yè)的知識，盡我們最大的努力，去給大家提供最科學的見解。然后也希望這個東西是真正能夠幫助到大家，做很好的一個科普，所以這是一個腦醫(yī)學的角度。?

那么另外一個角度是可能跟我這邊關系更大一點的人工智能的角度。我們現(xiàn)在人工智能的發(fā)展其實非常的迅速，小到你們每個人手里都有智能手機，對吧？然后每天其實你的生活已經離不開人工智能了，有人臉識別，包括現(xiàn)在我們疫情階段所用到的一些什么健康碼，這些東西我覺得多多少少都會跟人工智能有關系。那么還有比如說現(xiàn)在炒的比較火的什么自動駕駛，還有自動翻譯。但是這些東西我們看起來是人工智能，但是它跟腦科學也有著千絲萬縷的聯(lián)系。剛才我也提到了DeepMind的團隊，它就做了很多從腦科學里面去尋找一些答案，然后去應用到實際的場景中的這樣的一些非常有趣、非常出色的工作。通過我們腦人言的公眾號，其實我們也會普及很多這方面的研究工作以及相關的應用。所以說我們去理解大腦，有的時候會啟發(fā)你去思考，為什么我們人是有這樣的智能的。現(xiàn)在的人工智能，比如說人臉識別，它是怎么做到的？這跟我們用我們的人腦去做人臉識別有什么樣的差別？人工智能的人臉識別是不是借鑒了我們大腦去做物體識別的這樣的一個機制？諸如此類的。以及為什么自動駕駛或者說智能駕駛已經說了挺多年了，但是現(xiàn)在這個東西還沒有完全的商業(yè)化？為什么說自動駕駛還處在這樣的一個階段？我們人為什么當司機去開車就沒有這個問題？?

其實這中間都是有很多非常有趣的想法在里面的，包括我們最開始談到的主題，記憶。那么我們是如何進行推理的？機器又是如何進行推理的？有很多非常有意思的例子，所以從人工智能的角度，腦人言也可以給你提供非常多的新鮮資訊。剛才有講到研究生層面的關注者，你們如果喜歡腦科學的話，腦人言一定是不可錯過的。可能我們還有一些讀者朋友現(xiàn)在已經工作了，如果你的工作是跟我剛才所說的腦醫(yī)學、人工智能，或者是包括心理學相關的，這是一個非常好的同行交流的機會。如果說你的工作與腦科學沒有關系，那么我們公眾號里面的東西我覺得也多多少少都會對你的生活有幫助，是一個非常好的調劑。?

主持人：非常感謝王老師對我們腦人言的認可。王老師也是我們的腦人言的老朋友了，也作為作者給我們分享過很多知識，非常感謝王老師作為腦科學從業(yè)者，為我們提供的一些選擇腦科學，以及在腦科學進行科學研究的一些建議。那么我們本次的訪談就到這里，希望各位讀者在聽取王曄老師的訪談之后能夠有所收獲，謝謝大家。

參考文獻：

[1]. Quiroga R Q. Concept cells: the building blocks of declarative memory functions[J]. Nature Reviews Neuroscience, 2012, 13(8): 587-597.

?

拓展閱讀：

腦人言文章：與記憶有關的H.M.與她

https://mp.weixin.qq.com/s/y9uFt9pomfhThphz1blZdw

腦人言文章：記憶來自何處？大腦里的那一只海馬

https://mp.weixin.qq.com/s/U5IiYRMdiwDRHhpZGtou6Q

嘉賓名片：

個人簡介：

王曄博士。2011年畢業(yè)于西安電子科技大學，獲學士學位。2016年畢業(yè)于北京大學，獲博士學位。2016年7月來中國傳媒大學工作，現(xiàn)為該校腦科學與智能媒體研究院研究院講師。

聯(lián)系方式：

郵箱：pkuwangye@163.com

代表論文：

1. Wang Y*, Gao Y, Deng Y, Yang L. Modeling of Brain-Like Concept Coding with Adulthood Neurogenesis in the Dentate Gyrus [J]. Computational Intelligence and Neuroscience, 2019.

2. Zheng Y, Wang Y, Yue Z, et al. Transcranial direct current stimulation modulates the brain's response to foot stimuli under dual-task condition: A fMRI study in elderly adults[J]. Neuroscience letters, 2019, 692: 225-230.

3. Wang Y, Hao Y, Zhou J, et al. Direct current stimulation over the human sensorimotor cortex modulates the brain's hemodynamic response to tactile stimulation[J]. European Journal of Neuroscience, 2015, 42(3): 1933-1940.

4. Zhou J, Hao Y, Wang Y, et al. Transcranial direct current stimulation reduces the cost of performing a cognitive task on gait and postural control[J]. European Journal of Neuroscience, 2014, 39(8): 1343-1348.

制作人員：

主持人：Soma （中科院神經科學研究所博士研究生）

策劃：Wendy （耶魯大學?生物醫(yī)學工程博士研究生）

編輯：Wendy（耶魯大學?生物醫(yī)學工程博士研究生）

排版：光影如墨

關于我們

“腦人言”是公益的腦科學原創(chuàng)科普團隊，由海內外一線科研人員組成，專注于神經科學、認知科學和腦機接口等領域的科學知識和思想的傳播。關注請長按上方二維碼；轉載請聯(lián)系：lyx15951083876；合作請聯(lián)系：iam7182；加入作者團隊請聯(lián)系：chinatang2010。