1700678230
1700678231
[107] 例证参见：Dehaene (2014); Clark (2016); Shea, N. and Frith, C. (2019), Trends in Cognitive Sciences 23: 560–71。
1700678232
1700678233
[108] Tononi and Koch (2015), p. 10宣称他们的整合信息理论能够“预测”裂脑患者出现分裂心智的现象。事件出现后再去预测总是容易的。两个理论提出的检验方式的细节见：Reardon, S. (2019), Science 366: 293。
1700678234
1700678235
[109] Dehaene, S., et al. (2017), Science 358: 486–92.
1700678236
1700678237
[110] 丘奇兰德的著作是一泓清泉，充满了良好的判断力，用她的话来说，当你感到“被哲学的胡言乱语所迷惑”的时候，你就应该跃入其中。见：Churchland, P. (2017), in K. Almqvist and A. Haag (eds.), The Return of Consciousness: A New Sci-ence on Old Questions (Stockholm: Axel and Margaret Ax:son Johnson Foundation), pp. 39–58, p. 59。
1700678238
1700678239
[111] Sarasso, S., et al. (2015), Current Biology 25: 3099–105.
1700678240
1700678241
1700678242
1700678243
1700678244
大脑传 [:1700672997]
1700678245
大脑传 第三部分 未来
1700678246
1700678247
我们最终将如何理解脑，以及这种理解将包括哪些内容，对此做出预测并不容易。这么做也很鲁莽，许多读者（尤其是各位当中的神经科学家们）无疑会不同意下文中的一部分内容，而且预测往往是白费工夫，尤其是事关未来的时候。然而，我还是要写出来。
1700678248
1700678249
如今，令人惊奇的新技术为脑实验提供了一定程度的操控能力，而就在几年前，这种操控能力还会被视作只可能出现在科幻小说里。与此同时，我们将各种发生在脑中的事情成像的能力也变得越来越精确。然而，科学家们一再指出，不仅所有这些数据没有让我们能够理解脑，而且我们甚至还没有踏上实现这一目标的道路。[1] 正如神经科学家奥拉夫·斯波恩斯（Olaf Sporns）所说的那样，“神经科学在很大程度上仍然缺乏组织原理或者理论框架，因此无法将脑研究数据转化为基本知识和认识”。[2] 我们对脑的理解似乎陷入了僵局。
1700678250
1700678251
2017年，《科学》杂志在题为《神经科学：寻找新概念》（Neuroscience: In Search of New Concepts）的系列文章中探讨了这个问题。[3] 法国神经科学家伊夫·弗雷尼雅克的文章聚焦于当前的一个流行趋势：开展耗资巨大的大型研究项目并收集海量的数据。对于弗雷尼雅克来说，这代表了脑研究的工业化——出资机构（以及研究人员）相信，“利用最新奇的工具并借助规模的力量，可以带来一些启示”。[4] 世界各地都有这样的项目，从美国（“脑计划”“人类连接组计划”等）到中国（“中国脑计划”），再到欧洲（“人脑计划”以及许多其他计划），还有澳大利亚和日本。矛盾的是，这些研究产生的海量数据反而正在成为脑研究进程中的主要瓶颈。对于造成这种情形的部分原因，弗雷尼雅克一针见血地指出是“大数据不等于知识”：
1700678252
1700678253
仅仅在二三十年前，神经解剖学和神经生理学的信息还相对稀缺，理解心智相关的过程似乎还可以实现。如今，我们已经淹没在了信息的洪流中。矛盾的是，我们所有对心智问题的整体理解都处于被冲走的极度危险之中。每一次技术上的突破都打开了潘多拉的魔盒，暴露出隐藏的变量、机制和非线性关系，把问题的复杂性提高到了新的水平。
1700678254
1700678255
对于这个问题，弗雷尼雅克没有给出直接的答案，只是提出了一系列建议，包括通过鼓励跨学科合作、专注于假设检验等方式来驾驭和丰富大数据项目，而不是单纯地收集大量信息。
1700678256
1700678257
尽管生产出的海量数据是新事物，但问题并不是新问题。1992年，帕特丽夏·丘奇兰德和泰瑞·谢诺夫斯基出版了著作《计算脑》（The Computational Brain ）。他们在书中描述了感觉、可塑性和感觉运动整合的最新模型，但仍然认为在理论方面几乎没有什么进展：“几乎所有事情都有待完成，各个方面的重要谜题都若隐若现。”[5] 将近四分之一个世纪后，丘奇兰德的女儿、神经科学家安妮·丘奇兰德（Anne Churchland）做出了类似的判断。她与拉里·阿博特共同撰文，强调了我们解释世界各地实验室产生的大量数据时所面临的困难：“在这场科学攻坚战中，想要取得深刻的理解，除了需要巧妙和创造性地应用实验技术外，还需要更为先进的数据分析方法，以及对理论概念和模型的大量应用。”[6]
1700678258
1700678259
这些对更多理论的反复呼吁可能只是一种虔诚的希望。我们有理由相信，对脑功能的解释不可能只有单一的理论，即使在线虫中也不可能，因为脑不是一个单一的东西（科学家甚至很难对脑做出一个精准的定义）[7] 。正如克里克指出的那样，脑是一个进化和整合出的结构，在进化的过程中，脑的不同部分出现于不同的进化时期，以解决不同的问题。我们目前对脑运作机制的理解是非常片面的。例如，大多数有关感觉的神经科学研究都集中在视觉上，而不是嗅觉，因为嗅觉研究在概念上和技术上都更具挑战性。但无论是在计算方式上还是在结构上，嗅觉和视觉的工作方式都是不同的。通过聚焦视觉，我们对脑的功能以及它是如何运作的已经有了非常有限的理解。[8]
1700678260
1700678261
脑的本质是集成与复合同时存在，这可能意味着我们未来对脑的理解必然是支离破碎的，对不同的部分有不同的解释。毕竟，正如大卫·马尔所说的那样，脑是由“非常非常多”的信息处理装置组成的。丘奇兰德和阿博特明确地指出了个中的含义：“当我们建立起对脑的全面理解时，这种理解可能会很像一幅拼贴出的作品，由高度多样化的‘布片’松散地‘缝合’而成。”[9]
1700678262
1700678263
1700678264
1700678265
1700678266
半个多世纪以来，人们一直认为脑的信息处理过程与计算机的处理过程类似，所有对高度多样化的“布片”的研究都是基于这个想法。但这并不意味着这个隐喻在未来会继续有用。1951年，数字时代刚开始的时候，卡尔·拉什利就对使用任何基于机器的隐喻表示过反对：
1700678267
1700678268
皇家园林中的液压雕像令笛卡儿印象深刻，他因此发展出了脑活动的液压理论。从那以后，我们有了电话理论、电场理论，现在又有了基于计算机和自动方向舵的理论。我认为，通过研究脑本身和行为现象，我们更有可能发现脑是如何工作的，而不是沉溺于牵强附会的物理学类比。[10]
1700678269
1700678270
法国神经科学家罗曼·布雷特（Romain Brette）最近把这种对隐喻的排斥更进了一步，他挑战了脑功能最基本的隐喻——编码。[11] 自从阿德里安在20世纪20年代提出这个概念以来（最重要的是霍拉斯·巴洛在20世纪60年代对这个概念的热情推广），神经编码的想法已经主导了神经科学的思考。在过去的10年里，总共有超过11000篇关于这个主题的论文被发表。[12] 布雷特提出的批评的基本点是，在思考“编码”时，研究人员无意中从技术意义上偏移到了表征意义上，前者基于的是刺激与神经元活动之间的联系，而后者基于的则是神经元编码对刺激的表征。这个问题早在1990年就由沃尔特·弗里曼（Walter Freeman）和克里斯汀·斯卡尔达（Christine Skarda）提出了，当时他们发表了一篇题为《表征：谁需要它们？》（Representations: Who Needs Them?）的论文。[13] 弗里曼当时对气味引发的电生理反应已经开展了几十年的研究，他论述道，不再想着神经系统如何反映环境，他就能“更少地关注输入脑的有关外部世界的信息，更多地关注脑正在做什么”。神经系统表征或编码信息的观点还包含着更深一层的含义。正如丹尼特向克里克和科赫提出的问题指出的那样，这一切呈现给谁呢？
1700678271
1700678272
在大多数关于神经编码的描述中，一个没有被明确指出的意涵是，神经网络的活动是呈现给脑中的一个理想化的观察者或读者的，它们通常被描述为“下游结构”（downstream structure），能够以最佳的方式解码信号。但这些结构究竟是如何处理外周神经元的活动的，我们目前还不清楚，甚至在神经网络功能的简单模型中也很少有明确的相关假说。神经编码的处理过程通常被看作一系列线性的步骤——就像一连串的多米诺骨牌那样，在反射中尤其如此。然而脑是由相互连接并且高度复杂的神经网络组成的，这些神经网络与外部世界相连并产生行动。只关注一组感觉和处理神经元，而不把这些网络与动物的行为联系起来，就会忽略整个处理过程的关键点。“动作电位是产生动作的电位，”布雷特总结道，“而不是需要破译的象形文字。”
1700678273
1700678274
盖伊尔吉·布萨基在他的新书《由内而外的脑》（The Brain from Inside Out ）中也提出了类似的观点。[14] 布萨基认为，脑并不是简单被动地接收刺激，然后通过神经编码来表征它们，而是通过积极地搜索各种可能性来测试各种可能的选择。基于赫尔姆霍兹和马尔的观点，他得出的结论是脑并不表征信息，而是在构建信息。
1700678275
1700678276
计算机、编码、连线图等神经科学隐喻必然是片面的，这是隐喻的本质。科学哲学家和科学家都对隐喻开展过深入的研究，因为它们似乎是科学家思维方式的核心。[15] 但隐喻也可以很丰富，协助科学家形成见解和做出发现。总会有那么一个时刻，它们带来的限制会超越它们促成的理解，但在脑的计算机隐喻和表征隐喻中，科学界对这样的时刻是否已经到来仍然无法达成一致意见。[16] 从历史的角度来看，出现了这样的争论就表明我们可能确实正在接近计算机隐喻的尾声，然而我们现在还不清楚它将被什么取代。
1700678277
1700678278
当科学家们意识到隐喻是如何塑造他们的观点的，并意识到新的类比可能会改变他们对自己工作的理解，甚至使他们能设计新的实验时，他们常常会兴奋不已。想出这些新的隐喻是很有挑战性的——过去出现的与脑相关的大多数隐喻都与新技术有关。这可能意味着，有关脑的有洞察力的新隐喻以及它们会发挥怎样的作用将取决于未来的技术突破，就像过去的液压动力、电话交换机以及计算机那样。目前还没有这种进展的迹象，虽然最近出现了很多科技流行词，比如区块链、量子计算（或者量子任何东西）、纳米技术等等，但这些领域不太可能引发技术变革或者我们对脑看法的变革。
1700678279