1.1 学科定义与哲学范式

1.1 学科定义与哲学范式

本节是全册的坐标原点：先把"计算神经科学"和它的两个邻居——神经生物学与人工智能——划清界线，再交代这门学科选择哪条解释路线。界线划清楚了，后面每一章"为什么非要建这个模型"才有答案。

概念锚点：一句定义

计算神经科学是研究神经系统如何表达、计算与存储信息的学科，核心手段是建立数学模型并让模型与实验数据互相约束。注意这个定义里的两个动词：表达（编码问题，第 4 章）与计算（动力学问题，第 2、5 章）。存储（可塑性与记忆，第 3、6 章）则是两者在时间维度上的延伸。

它和邻居的差别可以摆成一张表：

三列并不互相排斥，但评判标准不同。一个模型在人工智能的标准下可以"够用就好"，在计算神经科学的标准下却必须回答：它保留的机制是不是大脑真的在用的机制。

从一个对比开始：两条理解大脑的路

理解大脑有两条经典路径。第一条是还原论：把系统逐层拆开，从行为到环路，从环路到细胞，从细胞到离子通道，再到蛋白质构象。这条路带来了分子级的精度——今天我们已经能数清一个突触上受体分子的数量。代价是"只见离子，不见意向"：把海马体每个突触都测绘完，"回忆"这件事发生在哪里，依然没有答案。

第二条是功能主义：只看输入输出映射，不管内部实现。它擅长复制行为，却难以解释行为背后的必要性条件——当一个网络完成了人脸识别，我们无法确认大脑也用同样的方式完成它。

计算神经科学给自己选的位置是建构性的中间道路：功能必有结构基础，结构必有动力学逻辑，动力学必有信息意义。三者不可割裂。这不是和稀泥，而是一种可操作的工作准则——

• 向下，它要求模型中的每个关键参数都有生物来源（电导值来自膜片钳，连接概率来自解剖）；
• 向上，它要求模型产生可检验的预测（改变某参数应当出现某现象），把预测交回实验裁决。

机制性解释：这门学科的硬通货

计算神经科学最看重的产出不是拟合精度，而是机制性解释：指出现象由哪些必要部件、按什么相互作用产生。1952 年的 Hodgkin-Huxley 工作是范本——他们不仅拟合了动作电位波形，还把波形分解为钠通道激活、钠通道失活、钾通道延迟激活三个机制部件。三十年后分子生物学克隆出钠通道蛋白，证实其四个结构域与模型中 m³ 的三次协同假设吻合。模型预言了尚未被发现的分子实体，这才叫解释。

再看一个反例。人工神经网络的 ReLU 激活函数能高效完成分类，但大脑神经元用的是带阈值的脉冲发放，两者在数学上不等价。用 ReLU 网络解释视觉皮层，充其量是"行为级相似"；用第 2 章将建立的脉冲模型去对照皮层记录，才可能触及"机制级相似"。这条标准贯穿全册：每引入一个模型，我们都会问它保留了什么、扔掉了什么、扔掉的部分是否影响它声称要解释的现象。

图：学科的三层解释尺度——同一现象在不同层级的提问方式

概念在行动：把准则用一次

以"神经元为什么用脉冲而不是连续电压通信"为例走一遍流程。现象：轴突上传导的是离散脉冲，脉冲形状固定，信息看起来只在发放时刻里。若只做功能主义回答，会说"脉冲抗噪声、传输远"，止步于此。机制性解释则要求拆到底：膜电容与钠通道的正反馈联合决定了只有超过阈值的电流才能触发自维持的放电事件（第 2 章给方程）；全或无的波形让信号在长距离传输中不衰减，因为每一处都是重新触发而非被动传递；代价是模拟量信息被压进了发放率或发放时序，这直接定义了第 4 章的编码问题。三个环节环环相扣，每个环节都有方程与实验可查——这就是这门学科希望你在每章末尾带走的东西。

常见误解辨析

误解一：计算神经科学就是用 AI 模拟大脑。恰恰相反，两者互为逆向工程：AI 用工程合成智能，计算神经科学用模型解释自然智能，二者共享数学工具但评判标准不同。

误解二：模型越真实越好。一个包含全部已知分子细节的全细胞模型往往因参数不可测而失去预测力。建模的功夫在于恰当抽象——针对特定问题保留最少的关键变量。第 2 章会看到从 HH 四变量到 LIF 两变量的降级，每一级降级都是一次明确的问题置换。

误解三：这门学科离工程很远。脉冲神经网络、神经形态芯片、脑机接口解码算法，全部生长在本书前几章的概念上，第 8 章会正面处理这条衔接线。

问题：这门学科到底算神经科学还是计算机科学？

两者都是，但评判标准不同。判断一项工作属于哪个阵营，看它失败后如何被对待：工程系统性能不达标就调参重来，计算神经科学模型与实验对不上则意味着一个机制假设被证伪——这正是它作为科学的标志。实践中大量研究两者兼顾，用同一套模型同时服务解释与工程。

问题：没有任何神经科学背景，直接学这本书行吗？

行，这正是"概念筑基"路线的设计初衷。全册需要的生物学知识只有一节多（本章 1.2 与 1.3），且都围绕电学职能组织；需要物理的只有电压电流电容的中学概念。真正的前置是耐心：概念链一级咬一级，跳读会让后面的方程失去物理含义。

问题：模型"解释了"现象的判定标准是什么？

三条：模型的关键参数有独立实验来源（不是调出来的）；模型能复现训练数据之外的现象（预测）；模型指认出"哪些部件是必要的"——拿掉某个部件现象应消失，且这一预言可被实验检验。三条齐备才算解释，只有第一条只能算拟合。

本节要点回顾

• 要点一：计算神经科学研究神经系统如何表达、计算与存储信息，以数学模型为工作语言。
• 要点二：它与还原论、功能主义都不同——主张功能、结构、动力学的三位一体。
• 要点三：机制性解释是最高产出，HH 模型预言钠通道结构是历史范本。
• 要点四：模型的价值在于恰当抽象，而非细节堆砌；每次简化都要能辩护。
• 要点五：编码（第 4 章）、动力学（第 2、5 章）、可塑性（第 3 章）是全册三条明线。

下一节我们把镜头对准被建模的对象本身：一个真实的神经元长什么样，每个部件在电学上是什么。