编者按：本栏目旨在与脑科学相关的科研人员以及产业界人士深入交流，直击科研和生产一线，帮助大家更好的了解脑科学现状和未来发展动态。

时间导览

嘉宾介绍

记忆和学习是大脑最重要的能力之一，为了探索这背后的机制，研究者们进行了许多的探索。同时，尽管人工智能发展迅速，它们在某些任务上的表现仍不能够与人脑相媲美。因此，研究记忆的形成不仅有科学和医学上的意义，还能够对人工智能的发展方向有所启发。

今天我们邀请到了从事计算神经科学研究的王晔老师来分享她在这个领域的研究以及对未来发展的展望。同时，王晔老师有丰富的学科交叉背景，她将与我们分享从数学到脑成像再到计算神经科学的探索历程，向未来有志于脑科学研究的读者提出一些建议。

01

记忆与关联记忆

主持人：每次一说到记忆，我就会联想到夏洛克福尔摩斯中描写的记忆宫殿，各式各样的知识和记忆像图书馆一样排列在书架上，那么从科学的角度来说，记忆是怎么储存的呢？

夏洛克福尔摩斯的记忆宫殿(图源网络)

嘉宾：很久之前人们就开始去关注记忆到底是怎么储存的。从神经科学的角度来讲，我认为在这方面的先驱者应该是 Karl Lashley。他最开始通过对鼠的脑进行不同程度的损伤，然后去探究鼠在迷宫任务中的表现，最后他得出一个结论：损伤的区域越多，鼠的记忆就会越差。但这个结论是被证伪的，因为他当时实验的设计有诸多的不严谨的地方。 

在这之后，神经科学领域最著名的一个病人，H. M. 给我们提供了一个非常好的例子：H. M. 的双侧海马体，因为癫痫被切除掉了，脑人言之前有过一篇关于H.M.的介绍文章，感兴趣的读者也可以去阅读。通过H. M. 的案例我们就知道，海马体是陈述性记忆形成所必须的脑区。这时我们就找到了记忆形成所必须的一个区域，而不是分布在全脑上的。但是海马体毕竟还是在脑区的层面，那么在更小尺度上，记忆是怎么存储的？有人开始研究印记细胞，在这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，我个人比较感兴趣的是，在05年的时候，英国的莱斯特大学的Quiroga教授在人脑中发现了概念细胞，也就是说在我们大脑的内侧颞叶（MTL，medial temporal lobe）区域当中，有些细胞会对特定的概念产生响应。在初级视皮层（V1）中，只是有一些方向选择性的细胞，在下颞叶皮质 （IT，inferotemporal cortex）中我们发现了一些对面孔有响应的细胞，这些细胞看起来已经比在 V1中的那些细胞高级了很多，但是它并不知道所识别的是哪一个面孔，或者说它只是一个对视觉刺激有响应的细胞。回到MTL的概念细胞，这些细胞它不单是对某一个概念的刺激有响应，而且是对多模态的刺激有响应。比如说苹果这个概念，给被试呈现一个苹果的图像，编码苹果的概念细胞会有响应；说苹果这两个字，编码苹果的概念细胞也会有响应；甚至你把苹果这两个字写在纸上，编码苹果的概念细胞也会有响应。纸上的文字和苹果的图片虽然都是视觉刺激，但是从形态来说非常不一样。在IT脑区来说，一个是文字的识别，一个是物体的识别。在MTL的概念细胞层面，只要是同一个概念，尽管是多模态的刺激，它们都会引发概念细胞的响应。我觉得这是让人非常兴奋的一件事情：我们在人脑中发现了概念细胞。所以我总说：你对一个人有多重视，可能就看你脑子里面有多少细胞去编码这个人。如果对这个人一个概念细胞都没有，你见到他就不认识他。这是一个动态变化的过程，有的时候我们会慢慢的忘掉一个人，可能就是关于这个人的概念细胞越来越少，有的时候我们对一个人越来越了解，对于他的各个方面了解得越来越多，可能就是关于这个人的概念细胞越来越多。这个是细胞的层面，其实做神经科学有不同的尺度，我们刚才提到了有脑区的尺度，有细胞的尺度，再往下还有突触的尺度，甚至是分子的尺度。 

V1，IT和MTL中细胞偏好的刺激[1]

“卢克·天行者（Luke Skywalker）细胞”被卢克·天行者的照片、文字、声音激活（卢克·天行者是电影《星球大战》中的主角）[1]

其实现在也有一些研究发现，记忆可能是存储在突触上的，细胞只是一个表象。所以，两段不同的记忆，同一个细胞可能会编码它们。但是这两段记忆由同一个细胞编码，你怎么又能把它们区分开呢？可能它们是由不同的突触再去编码，再下面这个分子层面也并不是我所擅长的领域，这里我就不再去细说了。 

主持人：好的。根据我们的生活经验来看，记忆和知识似乎不是以独立的碎片形式存在的，很多时候我们能够触类旁通，把知识组织起来。我想问一下有没有有没有什么理论能够解释一下我们所看到的这种现象呢？ 

嘉宾：这个问题其实是关于关联记忆的一个问题。我刚才所提到的记忆，其实你可以把它认为是一个独立的东西，比如说概念细胞，你可以存储苹果这个概念，你也可以去存储橘子这样的一个概念。那么现在这个问题就是说，我们明显会觉得苹果和橘子它们俩是更加接近的，而苹果跟黑板擦，它们两个可能是完全没有什么关系的。也就是说你看到苹果的时候，你更容易会联想到橘子，而不是更容易会联想到黑板擦。 

对此科学家们也有很多的探索，关联记忆到底在神经科学中它是什么样的一个研究的状态？又得到了什么样的研究结论？这里其实还是可以从概念细胞这个角度出发，比如说我们脑子里面有一群细胞去编码了苹果这个概念，那么自然可能会有一些细胞去编码橘子这个概念，还有一群细胞去编码了黑板擦这个概念。现在在人脑中的研究表明，我们在主观上认为两个概念越接近，在神经元的层面，它们共享的细胞就会越多。这一结果是基于人脑的单细胞记录得出的，我觉得在人脑上能做到这个尺度已经非常不容易了。 

所以当共享的细胞越多的时候，我们就很容易去进行这样的联想，也就是说我从苹果就很容易联想到橘子，但是苹果和黑板擦可能共享的细胞非常的少，那么你去做这样的一个联想，就非常的困难。关联记忆可能听起来我们觉得已经挺炫了，但是除此之外其实还存在一个问题，就是一个推理的问题。因为我们人是有非常强的智能的，智能的程度应该是高于目前的一些人工智能的。 

我们的脑子里面会有一些知识体系，这些知识体系也是基于我们对不同的概念的存储。所以这里可以举一个例子，比如说你看到一个男人去遛一条金毛。那么你过两天又看到了一个女人也在遛狗，遛的是同一条金毛。那么我们就自然的会推理出来，这个男人和女人可能是一家人，因为他们遛了同一条狗。这其实就是由关联记忆所引发的一个推理。我们是可以通过一些已有的记忆去进行推理的，我觉得这也是我们人之所以如此智能的一个很重要的原因。 

而且我们大脑中存储的知识可以基于这样的推理去形成一些知识体系，我们再去学习一些新的东西的时候，新的东西就可能很快的在大脑中找到它合适的位置，而不是说还要经过一个很长的时间去看看这个东西到底放在哪儿更合适。关于这一块儿其实也有很多的理论方面的支持。我觉得比较著名的就是一个叫做CLS理论（Complementary Learning Systems），翻译成中文的话应该是叫补充学习系统，感兴趣的读者也可以去关注一下这一块的理论模型。 

主持人：我听到您之前的描述多次提到了细胞的这样一个概念，那么我想问一下，所以您是认为这些记忆或者说是还有一些关联性记忆，他们都是由细胞所编码的是吗？ 

嘉宾：至少我们从表象上上去看，两个记忆他们之间的关联越强，他们共享的细胞可能就会越多，也有一些实验提供了这方面的证据。但是记忆或者关联记忆是不是在细胞层面上编码的，我觉得这个结论可能有一点过于武断，我们可以再去看一下突触的层面。 

我们知道一个细胞它会有成千上万个突触，如果两段记忆共享了同一个细胞，但是可能没有共享同一个突触，这样的话他们即使有关，这个关系可能也不是特别的强。如果两个东西他们共享到了突触的层面，而且共享特别多的话，我们可能就会很容易把它搞混，就说明这两个东西已经非常接近了。所以从突触的层面可能会把这件事情描述得更加清楚。但是现在受限于我们的实验技术，我们很难在人脑上去观察到突触层面上有什么？ 

虽然说用小鼠做实验可以去看突触上面发生了什么，但是毕竟鼠和人的智能还是有很大的差异的。而且现在有观点认为在老鼠的脑中是没有概念细胞的，所以如果都没有这个东西，你再去观察突触层面的现象，可能结论的说服力就不是那么高了。 

主持人：但是本身这种概念性细胞对外界输入的一些响应是受突触的影响而来，那么有可能他的信息就是直接储存在突触里面。 

嘉宾：是的。 

主持人：细胞会因为不同的突触结构而做出不同的响应，对吗？ 

嘉宾：对的。 

主持人：实际上如果我们有一个比方说突触编码矩阵的话，我们就能够编码相关的记忆，对吗？直接实际上记忆是由突触的形成而来，这样的观点是对的吗？ 

嘉宾：这个问题其实挺难回答的，我觉得以我现在的水平，我可能没有办法去做出判断，说这个观点是不是对的。但是我们说一个神经元，它要放电的话，在脑子里面你不可能直接的去给它注一个电流，它肯定是通过接收更多的突触前细胞通过突触的输入让它能够起反应。所以说至少在表象上面，我们可以看到神经元的反应，至于是哪些突触让它起了这个反应，我们从实验角度其实并不好观察这件事情。但是从联想记忆或者关联记忆的角度来说，我们海马体里面有一个叫做CA3的区域，它有非常多的循环（recurrent）连接。其实我们可以通过神经元和突触的角度去做这样的一种思想实验，也就是说如果两个东西它们共享的神经元越多的话，那么两个刺激A和B，A的激活就更容易能够带起 B的激活。 

海马体分为诸多区域(图源网络)

这方面我觉得非常出色的一个工作是Hopfield在1982年提出的Hopfield网络。它虽然是一项针对人工神经元的研究，但是它是基于我们海马体的CA3的这样的一种特殊的结构去做出的这样的一个网络的模型。通过Hopfield网络，我们可以窥见记忆之间是怎么产生联系的，以及突触在这中间起到了什么样的作用。 

02

大脑的模拟模型

主持人：Hopfield网络好像还是比较比较早期的网络，那么现在模拟记忆肯定有了很多新的模型。那么您能不能简单介绍一下呢？在Hopfield网络之后又发展出了怎样的模型和怎样的概念？ 

嘉宾：Hopfield的网络到现在已经30多年了，对这个领域也有非常好的奠基性作用。在这之后，做网络的模型可以做到神经元的层面，也可以做到脑区的层面。从我的角度来说，有一些模型是做到脑区层面的，但是在脑区层面上有些东西感觉看得还不太清楚。因为你不知道在神经元层面发生了什么，在突触层面发生了什么？ 

如果说我们去看神经元层面的模型，Hopfield还算是一个人工的神经元，那么后面就发展出了用 spiking neuron，就是这种跟我们大脑一样的脉冲神经元，去做这样的模拟。这样的网络，它的动力学的系统的感觉更加的强，因为它有随着时间不断去演化的过程。在这方面有一些模拟是做得非常的精细的。我们以海马体的模拟为例，它会去看海马体里面都有哪些区域，这些区域都是用到了哪些神经元，就相当于在计算机里面去构建了一个虚拟的海马体。然后我再去研究记忆形成和提取的过程中，不同的区域到底起到了什么样的作用？比如现在已经比较清楚的就是海马体里面的齿状回（Dentate Gyrus），我们简称DG，这个区域它可能起到了一个模式分离的作用。这在生理实验上面，我们已经有了非常强的证据，在模拟的层面同样也模拟出了这样的效应。这对于我们记忆的存储也是非常关键的，它会避免一些不必要的混淆。刚才又讲到 CA3这个区域有大量的recurrent连接，这个就对关联记忆的形成非常的关键。另外，大家现在普遍认为CA3起到了一个模式完善，也就是pattern completion的作用。这个也是我们在生理实验中有了很好的观测，模型也可以提供这方面的一些证据支持。后面还有 CA1，再后面可能海马体再去跟前额皮质（prefrontal cortex）进行关联，可能涉及到脑区的尺度就是要大一点。目前的算力还不允许我们去从神经元的层面去做这么大规模的模拟，但是我们也可以通过生理实验中所记录到的一些数据，比如说通过一些局部场电位（local field potential）的数据，我们可以知道在记忆形成的过程中，是哪个波段在增强，在记忆提取的过程中，又是哪些波段在增强，哪些波段在减弱？这样我们也可以在模拟的过程中以局部场电位作为一个基本单位，而不是以神经元的脉冲作为基本的单位，去搭建一些模型，去探究不同的脑区在整个记忆的形成，提取或者遗忘过程中的作用。 

主持人：好的。您提到了这些模型，它含有的这么多的信息必须要来源于我们对大脑的观测嘛，对吧？那人的大脑是一个黑箱子，在研究记忆形成的过程中，我想了解一下，您一般是用什么工具来看我们大脑黑箱子里面发生了什么呢？ 

嘉宾：其实从我本人的角度来讲，我主要是用计算机去看大脑的黑箱子里面发生了什么？但是这个过程中其实我要去看很多真正去做生理实验的人，他们提供了哪些结论。用结论的这个词，可能有一点重，提供了哪些实验的结果吧。这些结果有一些是突触层面的，有一些是单神经元层面的，有一些是神经元集群层面的，有一些是局部场电位层面的，再高一点是脑区层面的，甚至是行为学层面的，所以我会整合不同尺度的实验的研究结果，然后去用我自己的脑子去想大脑这个黑箱子里面到底都是些什么，然后就去用计算仿真的方法去构建一些神经网络模型。

然后我们去给一些比如说跟是实验中一样的input，然后去看看我的模型会产生什么样的output。如果说我的模型产生的output跟生理实验得到的output是一致的话，那么我们再去解构这个模型，看看到底是哪些神经元起了反应？哪些突触发生了变化？这就可以说明大脑可能是这样去工作的，所以我平时就是以这样的方式去尝试揭开黑箱子中的一角。 

主持人：一般您对已经记录到的数据进行仿真，主要是用的什么模型来进行模拟的？ 

嘉宾：从神经元的层面，现在已经有一些非常成熟的神经元模型了。这里面最经典的应该就是在1963年获得诺贝尔生理学或医学奖的Hodgkin–Huxley model。这个模型可以去精确地模拟神经元的动作电位，而且它是基于神经元的离子通道的，现在研究者给出了很多不同脑区的神经元的HH模型。除此之外，还有一些HH模型的简化版，比如说LIF模型，还有Izhikevich模型，还有AdEx模型，这些模型计算起来会更加的方便。也可以在捕捉一定的动力学特征的情况下，去完成这样的一个模拟。 

Hodgkin和Huxley通过记录枪乌贼巨大轴突中的动作电位建立了HH模型

图片来源：https://physoc.onlinelibrary.wiley.com/doi/10.1113/jphysiol.2012.230458

在突触的层面，突触的连接其实也是有一些很成熟的模型。比如说，突触前神经元发放了一个脉冲之后， 突触后神经元会有一个PSP（Postsynaptic Potential），如果是一个兴奋性连接的话，就会有一个兴奋性的突触后电位。这个过程中会有一个突触的电导的变化，电导变化可以用一些指数函数来进行模拟。 

在另外一个层面，因为我做的是记忆相关的研究，可塑性也是非常重要的一点。也就是说，网络中它的连接权重其实是在动态变化的。在可塑性这一点上，非常经典的有Hebb’s rule。其实Hebb跟我们最开始第一个问题中提到的Lashley是师生的关系，可以说Hebb是Lashley最著名的学生。他提出的Hebb’s rule给我们提供了一个实现起来非常容易，但其实也是比较有效的一个可塑性的计算策略。但是Hebb’s rule还有一些局限性，因为我们的大脑其实并不是如此的简单。那么再更复杂一点的可塑性模型，比如说有STDP（Spike-timing-dependent Plasticity），还有与一些离子浓度相关的BCM Rule（注：由三位提出者姓的首字母命名），诸如此类的可塑性模型也都可以作为网络的一些学习的规则。

神经元的可塑性为大脑功能提供了丰富的可能性 (图源网络)

对于整个大的网络，刚才我们谈到的神经元、突触以及突触可塑性，这三个我认为是构建神经网络的三块基石。如果你已经有了这三块基石，那么你需要的就是大脑网络的结构，比如说他兴奋型的神经元和抑制型神经元，他们的比例是多少，它们之间是以一种什么样的连接的方式，有多少的 recurrency，有多少的feedforward，有多少的feedback。这方面可能有些实验没有办法给我们提供非常精确的数据，因为其实挺难去观测到的，这个时候可能就需要做模型的人去做一些猜测。你认为它应该是什么样子，或者去尝试多种可能性，去看一下哪种可能性可以提供与实验结果最一致的output。 

主持人：在研究的过程中，实际上您是通过之前所谈到的方法来进行计算的建模，然后与实际的数据来做比较。这个过程是不是反过来也促进了模型的调整和改进？ 

嘉宾：其实我们去做模拟的时候，无论是行为学的实验数据还是生理学的实验数据，对模型都是非常重要的一个验证，就好比它就是一个考卷的答案。我们是去答考卷的人，我们希望我们得到的答案和正确答案是一样的，那么至少可以说明你的模型，它也许是对的。注意我这里说的是也许是对的，我觉得我们很难说我们的模型一定是对的，结论非常非常的难下。 

去做模型的时候，对于计算神经科学来说，从我的角度，其实去修改模型有的时候，你并不知道应该从哪里去做调整和改进，因为它的可变的因素太多了，或者说它有很多的变量。目前以我做spiking神经网络为例，它又没有像ANN（Artificial Neural Network），就是人工神经网络，那样的一种很成熟的BP（Back-propagation）算法。你直接去看一下你的输出跟label有什么样的差别，然后把它BP回来去调整权重，最后训练出来的这个结果肯定是会越来越接近，因为你的loss会越来越小。但是在我的工作当中，我现在没有这么好的一个东西去调整我的参数。所以，有很多时候有一点点靠直觉，然后去不断地尝试，或者说是用一些经验，去对模型进行调整和改进。 

这个过程其实也会加深你对整个大脑的理解，而且这里我还想谈的一点是，我们做模型，当然最希望的就是你的模型跟实验的结果是一样的，而且你的模型又具有它的合理性。至少我们在脑子里面现在所得到的一些研究结果，跟你模型中的一些假设是不冲突的。我自己的一个愿望是希望我的模型可以跟实验的结果一致，因为模型具有方便性，我可以在计算机上去做各种各样的尝试，给各种各样的input，那么这个时候我就会有很多组实验。这些实验可能是在动物身上没有做过的，所以做实验的人也不知道这应该有一个什么样的输出，那么我可以通过模型去告诉你，模型给出了这样的输出。如果说你后面做了实验，发现你的实验的结果跟我模型的结果是一致的，我觉得是一件非常有成就感的事情。这证明你的模型有一定的预测的功能，也就更加能说明这个模型它就更可能是正确的。 

主持人：如果说你有一个模型表现非常好，这意味着这个模型有可能你实际的工作就是大脑的工作机制是一样的。由这种方法得到的模型，能否用在其他的地方？ 

嘉宾：您指的其他的地方是指一些应用的场景吗？ 

主持人：对。 

嘉宾：这方面我的工作可能比较有限，但是据我的了解，的确是有一些模型，它们得到了跟生理实验一致的结果之后，就会有人去把它真正的用到一些真实的应用场景上面。 

比如说我们以记忆为例，其实Hopfiled网络就是一个很好的例子。最开始大家可能想用这个模型去研究大脑的记忆是怎么回事。研究着研究着发现这样的一种recurrent神经网络对于我们去形成吸引子非常有帮助的。那么从此之后，其实很多工作就会借鉴这样的思想，然后去把它应用在我们现在的人工智能上面。还有一些比如说跟强化学习有关的，那也是我们从实验中拿到了一些data，然后去做一些计算的模型，去把这个过程让它可以用模型来描述出来。因为计算机需要你要给它写代码进去嘛，这个代码就相当于是一个模型化的东西，那么最后我就可以把这个模型去用于一些真实的强化学习的场景。我觉得在这一方面，DeepMind的做了很多非常出色的工作，所以有兴趣的读者可以多去关注一下DeepMind的工作。他们一方面会有一个实验团队去负责采集不同的生理实验的数据，负责模型的团队去看一下，我们能不能建一些模型去解释这些实验的数据。那么还有一些人就会去基于这些模型去做一些真实的应用。我们所熟知的AlphaGo系列，以及他们后面做了很多的工作，其实都是有很多很深刻的神经科学的思想在里面的。 

AlphaGo在围棋领域取得巨大成功(图源网络)

03

转行历程及对读者的建议

主持人：关于记忆的形成和关联研究，我们可能就聊到这里。我对您的研究经历非常感兴趣，因为你有着非常丰富的学科背景，像从数学的到医学，然后还有神经科学，你好像还有成像的经验，是吗？能否跟我们分享一下您的研究经历中有哪些重要的节点，以及为什么您是选择这样的一个道路？ 

嘉宾：我本科是学数学与应用数学的，当时高考报志愿的时候，我觉得大家可能都会有过对专业的选择，到底要选什么样的专业？由于我本身就是非常的喜欢数学，所以当时报了各种学校的专业，都是填的数学。最后就果然如我所愿就去学了数学。当我本科快要毕业的时候，就会涉及到下一步要干什么的问题了。那个时候其实我们班里面有非常多的数学大神，我自己也对自己有一个很清晰的认识，就是我成不了一个数学家。 

我没有办法去做数学方面的研究，我觉得这个是比较需要天赋的一件事情。我觉得数学专业是一个非常好的基础性的专业，它让你很容易转行。比如说你可以去转做计算机，你可以转做金融，包括像我一样去转做神经科学。因为可以说各行各业它都是多多少少是会需要一点数学的。当时由于我自己对大脑又特别的感兴趣，所以在博士期间，就转到神经科学的领域做功能磁共振成像的研究，因为当时这个实验室主要就是在做这方面的研究。我主要是通过功能磁共振成像的方法，去做运动控制这方面的研究。当我最后博士毕业要找工作的时候，就又面临一个问题，因为我刚才说了，功能磁共振成像所观测的尺度，可以说是脑区层面的尺度，它的分辨率其实非常的有限，而且它的时间分辨率也是非常的有限的，这其实就限制了我们去更加仔细的去观察大脑。所以当时我就决定去转做更加小的尺度，也就是神经元尺度的这样的一个研究。但是我本身属于比较笨手笨脚的，做不来生理实验，本身又有这样的一个数学的背景，就想着转做计算神经科学可能是一个比较好的选择。所以说最后就去转做计算神经科学了。在做的过程中，其实也是对大脑有了更加深刻的理解。我们说磁共振成像它的最小的单位是voxel，对吧？一个voxel里面可能有几十万甚至是几百万的神经元。你去看几十万神经元，你看到的是它们活动的叠加。具体每个神经元是怎么活动的，功能磁共振成像没有办法给我们提供这个尺度上面的结果。所以这个时候你会有一点，“我还不过瘾”的这样的一种感觉，就是我想看的更细，但是你看不到了。就好比你的望远镜的观测范围有限，你想看更远的地方就看不到了。所以当时就给了我这样的一种感受。去转做计算神经科学之后，我可以从神经元、突触甚至是分子的层面去窥见大脑中一些更加本质的工作机制，这也是我特别喜欢现在做的研究的一个原因。 

主持人：那您现在还在成像的领域内，还是说现在就已经不再做成像了？ 

嘉宾：对，我现在已经不再做成像了，已经完全的转到做计算这一块了。 

主持人：那这两次方向的转变跨越还挺大的，在方向变化的过程中，您遇到过什么样的挑战？ 

嘉宾：中间其实遇到的挑战还是蛮多的。首先，其实我博士期间大的专业是力学，并不是神经科学，所以当时相当于是自己学了一些东西，通过读文章啊，去看书啊。那么，可能本身对于神经元层面，突触层面的基础可以说是非常的不牢固的。但是当我转做计算的时候，我就必须要去学习这方面的东西。所以最开始我是花了大概有一年多的时间，去打这方面的基础，去看很多的书，去看很多的paper。 

然后还有尺度方面的转变。因为刚才说到了以前是一个voxel里面就有几十万个神经元，我现在去做的这些网络，它们可能一个网络的规模大一点也就是几万个神经元，因为算力的限制。所以也就是说我现在做的模拟，可能还没有一个voxel的神经元那么多。虽然神经元的数量没有那么多，但是我们可以看得更细。所以这中间的挑战我觉得主要是你转行，你可能要放弃之前已经有的一些东西，已经积累的一些东西，你要完全换一个方向去做。然后你要花很多的时间去学习这个新的领域中的一些知识，所以这方面其实还是要做好比较充足的心理准备的，但是兴趣是最好的老师嘛。我们转行其实是想做自己更加感兴趣的事情，所以在很多时候都是靠这样的一句话去坚持下来。 

我觉得现在已经工作已经三年多的时间了，所以应该基本上是转过来了。已经过了可以说是当时最痛苦的一段时间了，柳暗花明又一村了。 

主持人：您觉得您现在的工作是您兴趣所在的地方吗？ 

嘉宾：是的。我觉得既用到了我最开始本科时候学数学，当时所积累下来的一些能力，主要是逻辑思维的能力以及建模的这些思想。然后当时做脑成像的时候，其实又对神经科学又有了一些了解，所以之前的这些经历对我现在做的东西，还是有很大的作用的。我只是在不断地调整自己的方向，然后去找一个最适合自己的领域。 

主持人：对，您认为您现在做的是一个最适合自己的领域，但是您之前也提到，您是按照自己的兴趣去找的。现在您所在的领域是一个计算神经科学的，用数学模型来模拟大脑的一个位置。您觉得这个是一个您非常感兴趣的一个地方，是吗？ 

嘉宾：是的，首先大脑是非常神奇的，我们有很多很多的方式可以去研究大脑。我觉得有的人是用实验的方法，有的人是用理论的方法，还有的人比如说在更早的时候，既没有实验的手段，也没有理论的模型，仅仅靠空想其实也是一种研究的方法。 

不论是怎么样的研究方法，其实大家都是想去揭开大脑的黑箱中到底发生了什么。既然你对这个东西感兴趣的话，要看你自己的技能，适合去做什么。刚才提到了，我可能不太适合去做生理实验，但是我有数学和计算机方面的工具，那么我就可以通过这样的工具，用计算神经科学的方法，去为揭开大脑之谜贡献自己一点非常微薄的力量。所以我也非常感谢计算神经科学领域的创始人，让我们这些后辈们有机会去用这样的方式去研究大脑。 

主持人：从转行碰到困难到坚持，然后最后到一个比较擅长，比较舒服也比较感兴趣的领域这样的一个过程。您有什么建议，或者是您有总结什么经验来跟我们的读者朋友做一个分享呢？ 

嘉宾：对。其实首先我觉得要感谢大家在关注脑人言这个公众号。你关注它应该就说明你是一个对大脑感兴趣的人。不论你现在是多大年龄，你是什么样的学科背景，你现在处于一个什么样的状态，其实都不影响你去对大脑产生兴趣。因为我的工作就是在做脑科学相关的研究，所以我可能每天大部分的精力都是花在这个上面，去做我自己感兴趣的事情。 

我们觉得大脑非常的神秘，我们去研究它，可能可以找到一些脑疾病发生的机制，还可能会对人工智能有一些启发，或者我单纯地就想知道这个东西它里面到底是怎么回事。我们提供了很多的方式，很多条路径，让我们可以关注大脑。所以各位读者朋友们，既然大家都是志同道合的人，都是对大脑非常感兴趣的人，我觉得一方面继续关注我们脑人言的公众号，可以不断地去更新脑科学相关的知识。对于现在还在上学的朋友，我不知道有没有更小一点的朋友，比如初中生、高中生，你们可以在选择专业的时候就去选择跟脑科学相关的专业，或者是像我一样去选择基础学科，比如说生物、数学或者是物理，这一类的基础的学科。那么你可能在本科期间去打了一个基础之后，对你博士期间去转做神经科学也是非常有帮助的，因为这是一个交叉学科，脑科学需要各路人才。如果说你已经是在研究生的阶段，本身就是做神经科学相关的研究，你对大脑感兴趣，你又做了这方面的研究，那么恭喜你，你在做一件你感兴趣的事情，刚才说了兴趣是最好的老师。如果说你并不是在做神经科学相关的研究，也许脑科学一些知识对你的生活是有帮助的。 

因为脑科学的研究的范围太大了，比如说男女的大脑有什么样的不同，对吧？如果你看到了我们做的这方面的科普文章的话，你就会更加地理解异性，对吧？平时要跟男朋友或者女朋友吵架了，你会知道为什么ta会这个样子。为什么女性好像情绪很容易波动，为什么女性的话有点多，为什么女性有的时候不识路，路痴会更多一点。然后有的时候又会觉得，咦，为什么男性好像有的话比较少，这些其实多多少少在我们的生理层面、生理结构上，它都是有很多很有意思的研究的。 我们会用很科普的方式去把这些故事讲出来，不需要你再去读英文原文的paper，讲出来之后你就会更加的理解异性，所以我觉得对我们构建和谐社会也是非常有帮助的一件事情，对吧？那么这是刚才举了一个例子，就是男性和女性的大脑本身多多少少存在一些差异，那么这些差异可能造就了不同的行为、不同的性格。

我们还有一些跟脑医学相关的科普，现在有很多的疾病其实都是跟大脑相关的，比如说阿尔兹海默症，比如说帕金森，比如说中风，还有自闭症、失语症，诸如此类的疾病，其实对于我们健康的威胁是很大的。当然我这里没有去关注具体的数据，但是至少我们也做了很多这方面的科普。还有一些精神类的疾病，比如说抑郁症，比如说精神分裂症，因为我们作者团队背景也是非常的丰富的。你也可以通过这些科学的文章去了解这些疾病它们背后的脑机制是什么，现在科学发展到了什么样的一种程度，哪些病是有药可治的，哪些病现在目前药物还处于攻关的阶段，还有我们哪些方式可以去预防这方面的脑疾病？ 

这些我觉得都是非常好的科普，我们的作者团队应该至少都是研究生了，有一些还是在高校或者研究所的研究者，所以我们都是从非常科学的角度去给大家去讲这些东西，这些可能要比之间你在网上随便搜搜出来一个结果要靠谱的多。而且其实我们应该也做了一些辟谣的工作， “造谣一张嘴，辟谣跑断腿”，我们其实做的是“跑断腿”的这件事，我们在用我们的专业的知识，尽我们最大的努力，去给大家提供最科学的见解。然后也希望这个东西是真正能够帮助到大家，做很好的一个科普，所以这是一个脑医学的角度。 

那么另外一个角度是可能跟我这边关系更大一点的人工智能的角度。我们现在人工智能的发展其实非常的迅速，小到你们每个人手里都有智能手机，对吧？然后每天其实你的生活已经离不开人工智能了，有人脸识别，包括现在我们疫情阶段所用到的一些什么健康码，这些东西我觉得多多少少都会跟人工智能有关系。那么还有比如说现在炒的比较火的什么自动驾驶，还有自动翻译。但是这些东西我们看起来是人工智能，但是它跟脑科学也有着千丝万缕的联系。刚才我也提到了DeepMind的团队，它就做了很多从脑科学里面去寻找一些答案，然后去应用到实际的场景中的这样的一些非常有趣、非常出色的工作。通过我们脑人言的公众号，其实我们也会普及很多这方面的研究工作以及相关的应用。所以说我们去理解大脑，有的时候会启发你去思考，为什么我们人是有这样的智能的。现在的人工智能，比如说人脸识别，它是怎么做到的？这跟我们用我们的人脑去做人脸识别有什么样的差别？人工智能的人脸识别是不是借鉴了我们大脑去做物体识别的这样的一个机制？诸如此类的。以及为什么自动驾驶或者说智能驾驶已经说了挺多年了，但是现在这个东西还没有完全的商业化？为什么说自动驾驶还处在这样的一个阶段？我们人为什么当司机去开车就没有这个问题？ 

其实这中间都是有很多非常有趣的想法在里面的，包括我们最开始谈到的主题，记忆。那么我们是如何进行推理的？机器又是如何进行推理的？有很多非常有意思的例子，所以从人工智能的角度，脑人言也可以给你提供非常多的新鲜资讯。刚才有讲到研究生层面的关注者，你们如果喜欢脑科学的话，脑人言一定是不可错过的。可能我们还有一些读者朋友现在已经工作了，如果你的工作是跟我刚才所说的脑医学、人工智能，或者是包括心理学相关的，这是一个非常好的同行交流的机会。如果说你的工作与脑科学没有关系，那么我们公众号里面的东西我觉得也多多少少都会对你的生活有帮助，是一个非常好的调剂。 

主持人：非常感谢王老师对我们脑人言的认可。王老师也是我们的脑人言的老朋友了，也作为作者给我们分享过很多知识，非常感谢王老师作为脑科学从业者，为我们提供的一些选择脑科学，以及在脑科学进行科学研究的一些建议。那么我们本次的访谈就到这里，希望各位读者在听取王晔老师的访谈之后能够有所收获，谢谢大家。

参考文献：

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

拓展阅读：

脑人言文章：与记忆有关的H.M.与她

脑人言文章：记忆来自何处？大脑里的那一只海马

嘉宾名片

个人简介

王晔博士。2011年毕业于西安电子科技大学，获学士学位。2016年毕业于北京大学，获博士学位。2016年7月来中国传媒大学工作，现为该校脑科学与智能媒体研究院讲师。

联系方式

邮箱：pkuwangye@163.com

代表论文

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

人员

主持人：Soma（中科院神经科学研究所博士研究生）

策划：Wendy（耶鲁大学 生物医学工程博士研究生）

编辑：Wendy（耶鲁大学 生物医学工程博士研究生）

排版：光影如墨

关于

我们

“脑人言”是公益的脑科学原创科普团队，由海内外一线科研人员组成，专注于神经科学、认知科学和脑机接口等领域的科学知识和思想的传播。关注请长按上方二维码；转载请联系：lyx15951083876；合作请联系：iam7182；加入作者团队请联系：chinatang2010。

友情

赞助