计算神经科学

计算神经科学教程导读

「All-or-none」（全或无）是本册想让你真正吃透的第一个词。神经元的放电不讲情面：刺激弱于阈值，它一个脉冲都不给；刺激一旦越过阈值，脉冲的形状和幅度就不再由刺激决定。这个看似简单的物理事实，层层堆叠出了树突整合、动作电位、突触传递、网络振荡、学习与记忆的全部故事。计算神经科学做的事情，就是把这些生物学事实翻译成方程，再从方程里读出大脑的计算原理。

这是一门什么学科。 计算神经科学（Computational Neuroscience）以数学模型模拟大脑的神经活动，追问三个彼此咬合的问题：神经系统在什么物理层面上携带信息（编码）、它靠什么机制处理这些信息（动力学）、这些机制如何被学习和经验改写（可塑性）。它不是神经生物学的数学装饰，也不是人工智能的灵感便签，而是一门独立的交叉学科：向下为电生理实验提供可证伪的理论框架，向上为类脑工程提供原理性启示。

为什么值得从零筑基。 市面上的神经科学读物常分两类：一类堆砌脑区名词，读完记住了"海马管记忆"却说不清记忆如何被写入；另一类直接抛出微分方程组，读者不知道每个变量对应什么生物实体。本册选择第三条路——概念筑基。我们从最底层的一小块细胞膜出发，先建立"膜电容+离子电导"的等效电路直觉，再顺着因果链逐级加码：离子通道给了动作电位，电缆性质给了树突整合，突触给了细胞间通信，可塑性给了学习，网络相互作用给了振荡与吸引子，最后所有概念汇聚成编码解码与类脑工程。每上一级台阶，都只用上一级已经建立的概念。

全册知识地图。 下图给出八章内容的学习依赖关系。第 1 章是地基，第 2、3 章沿"单个细胞"纵向深入，第 4、5 章横向铺开到信息与网络，第 6 章把模型接到真实认知功能，第 7 章给工具，第 8 章通向工程与临床。箭头指向"学完前者才好理解后者"的方向，虚线表示可平行推进。

图：全册知识地图——八章的学习依赖关系

怎么读这本册子。 每章开头有支柱页，交代本章要解决的问题和各节分工；每节都有"概念锚点"（本节要把哪个概念钉牢）、定量锚点（具体数值与方程）和一段可以照着敲的 Python 概念代码。代码不为跑通生产级仿真而生，而为把抽象公式变成你手指上的记忆。全册的定量主线只有几组数字，记住它们比记住十页文字更有用：静息电位约 -65 mV，膜电容约 1 μF/cm²，钠电导最大 120 mS/cm²、钠平衡电位 +50 mV、钾平衡电位约 -77 mV；LIF 模型的膜时间常数典型值 20 ms；STDP 的增强窗口约在突触前超前 10 ms 之内最强。

读完你能带走什么。 一条完整的解释链：从"为什么静息电位是负的"一路讲到"为什么神经形态芯片要用脉冲通信"。中间任何一环被问住（比如"不应期是怎么来的""为什么抑制输入不是简单的减法"），都能回到对应章节的方程里找到答案。这条链也是通往神经形态计算、脑机接口等工程领域的通行证——第 8 章会专门做衔接。

读法上只有一个建议：别跳。这本册子的章节是串成链的，每一节的概念都是下一节的建筑材料。遇到方程先读文字直觉，再对照代码跑一遍，最后回头看方程——三遍之后，那些符号会开始自己说话。

最后交代本册与配套资源的关系。全册的代码块刻意保持"概念代码"尺寸——每段不超过几十行、依赖只有基础数值库，目的不是替代专业仿真工具（第 7 章会正式介绍它们），而是让每个方程都能在你自己的设备上当场验证。建议的学习动作是"三遍法"：先读文字建立直觉，再逐行敲代码跑出结果，最后回到方程核对每项——三遍之后，符号与现象在脑中就接上了。图也按同一原则使用：每张示意图都标注了它压缩掉的细节，读图的正确姿势是问"这张图里哪些东西被扔掉了"——答案往往正是下一节的主题。