2024年10月24日，北京大学心理与认知科学学院院长吴思教授做客才斋讲堂，带领同学们走进计算神经科学的奇妙世界，一道领略前沿科学的独特魅力，深入了解其所蕴藏的巨大潜力。计算神经科学作为一门新兴的交叉学科，综合运用数学模型与神经生物学研究方法，致力于揭示人脑的复杂工作原理，并在此基础上发展类脑智能算法。一旦实现，它必将对人类认知过程解码、人工智能深度学习等科学研究提供强劲动力。因此，长期以来，计算神经科学备受关注。

　　讲座伊始，吴思教授通过生动的案例对比了大脑和人工智能之间的异同，特别是两者在动态信息处理方面的区别。他指出，大脑在信息加工方面具有独特的优势，如灵活地识别物体、控制眼球运动，以及实时响应环境变化等。而当前的人工智能技术在深度学习领域则主要依赖于对静态数据的学习和处理，因此在动态信息处理方面稍显劣势。吴教授强调，尽管人工智能在特定任务中表现出色，但其能力远未达到人脑所具有的灵活性和适应性水平。

　　吴思教授主讲才斋讲堂第265讲

　　为了深入探讨大脑的动态加工过程，吴思教授以“视觉稳定性的语言机制”为切入点，结合亥姆霍兹之问，通过对于猴子眼动行为的神经元研究向大家揭示了大脑是如何精准控制眼球运动，继而实现视觉信息的稳定感知的。这一研究为我们理解大脑何以在瞬息万变的环境中维持视觉稳定提供了新的视角。在讲述“运动信息的加工机制”时，吴思教授又引入了数学模型，引导同学们思考“生物进化过程中信号传递机制为什么没有演化出更快的速度”这一问题。在此基础上，他提出了大脑的“补偿机制”理论：大脑通过自身的一系列调节操作，能有效地弥补神经信号在传递过程中的延迟缺陷，从而保证对于信息的及时解析。这一理论不仅为计算神经科学的纵深发展提供了新的思路，也为人类理解运动控制机制的复杂性奠定了坚实的基础。　　

讲座现场

　　在讲述过程中，吴思教授借助两幅风格迥异的画作与同学们展开互动，深入浅出地讲解了人脑在识别物体时的信息处理方式，即先整体把握物体大致轮廓，再逐步填充细节。这与更加注重局部信息提取的深度学习网络形成了鲜明对比。此后，吴思教授以诈死的老鼠为例，展示了大脑在高效识别复杂环境中的物体方面的信息传递优势。

　　接着，吴思教授向同学们介绍了神经信息加工的吸引子网络模型与他所带领的研究团队在该领域取得的成果。他提到，2024年诺贝尔物理学奖得主约翰·霍普菲尔德（John J. Hopfield）构造的Hopfield模型，以及吴教授团队正在研究的Amari-Hopfield吸引子网络模型，均在现代计算神经科学中占有极其重要的地位。

　　讲座最后，吴思教授积极地展望了计算神经科学在未来的更多可能：未来的人工智能技术将更趋智能化，与人脑的运作机制呈现出更为紧密的连接。吴教授的研究团队将在大型神经元认知模型开发领域倾注更多努力，不断揭秘，探索大脑的不同分区如何开展协同配合以实现复杂的认知功能。计算神经科学领域的持续性进展将深化人类对大脑的认识，也定会为人工智能技术的发展带来新的机遇和挑战——这是一场探索生命体智慧编码的奔跑，终点是全人类。讲座在热烈的掌声中圆满结束。

  撰稿：刘涵予

  摄影：姚以升