大脑算法：动机、学习与AI的神经科学——Terry Sejnowski博士专访
嘉宾：Terry Sejnowski博士，索尔克生物研究所计算神经生物学实验室主任，计算神经科学家。 主持人：Andrew Huberman博士，斯坦福医学院神经生物学教授。
大脑如何运作：从零件清单到算法
我们常把大脑看作由神经元和脑区组成的复杂机器，但仅仅知道“零件清单”（如海马体负责记忆、视觉皮层负责视觉）并不能真正回答“大脑如何工作”这个根本问题。Sejnowski指出，神经科学有两个传统路径：自下而上（从分子、突触等细节入手）和自上而下（从行为和心理规律入手），但两者都未能触及核心。如今，一个新的中间层——算法层面——正在崛起。算法就像食谱，规定了如何组合原料、以什么顺序、用多长时间，最终产出结果。我们正在发现神经回路中使用的算法，这为理解大脑功能提供了新视角。
基底节与学习算法：一个统一的规则
Sejnowski实验室在90年代揭示了基底节（位于皮层下方的一个脑区）在学习动作序列以达成目标时所使用的算法。基底节与皮层（包括前额叶皮层）相互作用，不仅负责动作（“Go”），也负责抑制动作（“No-Go”），这一机制同样适用于思维——我们需要学习该想什么和不该想什么。
这个算法的核心极其简单：预测你即将获得的奖励。每次采取行动后，将实际获得的奖励与预期比较，利用这个误差来更新突触连接，从而优化未来的行为。这个过程构建了一个“价值函数”，它存储了我们一生中关于什么好、什么坏的知识。例如，你去一家新餐厅点菜，你的选择基于过去无数顿饭积累的价值函数。
有趣的是，这个算法与DeepMind的AlphaGo使用的算法相同。AlphaGo正是通过这种强化学习，击败了世界围棋冠军。围棋的复杂度远超国际象棋，因为每一步都会影响全局未来的局势。
价值函数与学习
- 原理：大脑通过不断比较预期奖励与实际奖励，更新价值函数，指导未来的决策和行为。
- 应用：学习任何技能（运动、社交、专业知识）。
- 作用：将经验内化为长期、稳定的知识或习惯，即使经历长时间间隔也能重新调用。
- 例子：学网球时，每次挥拍后根据结果（球是否过网、落点是否理想）调整动作，逐渐形成高效的肌肉记忆。在人际关系中，一次成功的互动或一次痛苦的冲突（单次惩罚性学习）都会深刻改变我们未来的社交行为。
惩罚的单次学习效应
负面惩罚（如一次糟糕的关系、创伤经历）比逐步奖励的学习效率高得多，一次经历就足以形成长期记忆，甚至导致PTSD。
程序性学习 vs. 认知学习：两者缺一不可
我们拥有两套主要学习系统：
- 认知学习系统：位于皮层，涉及有意识的思考、理解概念、阅读书本。
- 程序性学习系统：位于皮层下的基底节，涉及通过试错进行自动化的、无意识的技能学习。
原理：认知学习提供知识和框架，程序性学习通过反复练习将其内化为自动化的技能。两者协同工作，才能达到精通。 应用：任何复杂技能的习得，如学物理、学开车、学游泳。 作用：程序性学习使技能执行快速、高效、无需思考；认知学习则提供灵活性和深度理解。 例子：
- 学物理：课堂听讲（认知）结合做习题（程序性），才能真正掌握方程的应用。
- 学潜水：阅读教材（认知）结合在泳池中练习面罩排水（程序性），才能在紧急情况下自动反应。
当前教育中过度强调认知学习、减少练习的趋势（如为了减轻学生压力而取消作业）是错误的，会削弱学生解决问题的能力。
学习如何学习
Sejnowski与Barbara Oakley共同开发的免费在线课程《Learning How to Learn》已惠及全球数百万人。该课程教授：
- 主动学习：通过解决问题（程序性学习）来深化理解，而非被动听讲。
- 应对考试焦虑：利用大脑的工作机制来优化学习策略。
- 克服拖延：理解拖延的神经基础并采取相应方法。
- 利用测试：测试不仅是评估，更是通过识别错误来强化学习的有效手段。
睡眠、记忆与脑波
睡眠纺锤波与记忆巩固
在非快速眼动睡眠的过渡阶段，大脑皮层会出现名为“睡眠纺锤波”的圆形传播波。这些波持续约1-2秒，在皮层上环形移动。
- 原理：海马体在睡眠中回放白天的经历，触发睡眠纺锤波，将这些新经验“揉入”皮层已有的知识网络中，同时避免覆盖旧知识。
- 作用：将短期记忆巩固为长期记忆。
- 例子：学习新知识后，睡个好觉，第二天醒来会记得更牢。
应用：保证充足的睡眠是巩固学习的关键。有研究发现，睡前服用安眠药Ambien（唑吡坦）会增加睡眠纺锤波数量，从而增强对睡前所学内容的记忆。但副作用是，服药后形成的对新经历的记忆会被清除，导致失忆（如忘记如何到达酒店房间）。这再次印证了“没有免费的午餐”——任何药物干预都会打破大脑的微妙平衡。
运动、睡眠与能量
- 原理：白天的体育锻炼有助于优化运动系统，并可能与快速眼动睡眠有关。
- 应用：规律运动可以改善睡眠质量，进而促进记忆巩固和大脑健康。
大脑的能量、衰老与认知速度
能量与线粒体
随着年龄增长，我们感觉精力下降，这与细胞内的能量工厂——线粒体——的衰退有关。线粒体数量减少、效率降低，导致ATP（细胞的能量货币）供应不足。
- 原理：线粒体功能随年龄下降，大脑和身体供能减少。
- 应用：运动是最好、最便宜的能量补充剂。有氧运动和间歇性高强度运动都能刺激线粒体再生，提升其效率，从而为大脑和身体提供更多能量。
- 例子：Sejnowski本人每天在沙滩上跑步，包括冲刺间歇，这有助于维持他的精力和认知敏锐度。
认知速度与学习的最佳区间
Huberman提出“认知速度”概念，即大脑处理信息的速度。他发现在学习时，如果以略高于自己舒适区的速度阅读或听讲，同时努力保持理解，就能进入最佳学习状态，此时能量消耗和认知投入达到最优平衡。这类似于运动中的间歇训练：短时间的高强度认知负荷有益于大脑。
教育储备与阿尔茨海默病
一项在中国进行的研究发现，受教育程度越高的人群，阿尔茨海默病的发病年龄越晚。
- 原理：持续的教育和脑力活动可能建立了“认知储备”，使大脑更能抵抗病理损伤。
- 应用：终身学习和保持心智活跃，可能有助于延缓认知衰退。
人工智能（AI）与大脑的协同
AI作为合作伙伴，而非替代者
Sejnowski以皮肤病诊断为例：AI和顶级医生单独诊断的准确率都在90%左右，但当医生与AI合作时，准确率提升至98%。AI擅长识别罕见病例（基于海量数据），而医生对常见病例的细微差别有更深入的理解。两者结合，优势互补。
用AI激发科学灵感
索尔克研究所的Rusty Gage教授将大型语言模型用作“点子泵”：他向AI输入所有已做的实验和文献，然后请AI提出新实验的想法。
- 原理：AI能快速整合海量信息，发现人类专家可能忽略的关联和模式，从而为科学家提供新的研究方向和假设。
- 应用：科学发现、医学研究、药物研发。
如何开始使用AI
- 原理：不同AI模型（如ChatGPT, Claude, Google Gemini）各有特点，用户可以根据自己的偏好选择。
- 应用：Sejnowski本人几乎每天使用ChatGPT。他提到，如果你像对待人类一样礼貌地和AI互动，它会给出更好的答案，而且使用者也不会感到疲劳——因为大脑已经习惯了与人类交流的模式，无需额外能量。
- 作用：提高信息获取、整合和创作的效率。
AI预测未来
- 原理：通过训练AI学习大量历史数据（如飓风路径、天气模拟），它可以做出比传统模型更快、更准确的预测。
- 例子：经过训练的AI能在几分钟内，在普通笔记本电脑上准确预测飓风登陆点，而传统超级计算机需要数天。
精神疾病的机制与治疗启示
精神分裂症的谷氨酸假说
传统上，精神分裂症与多巴胺系统紊乱有关。Sejnowski解释了另一个重要线索：氯胺酮（K他命）。
- 原理：亚麻醉剂量的氯胺酮能短暂引发与精神分裂症无法区分的全面精神病症状（如幻听、偏执）。氯胺酮的作用靶点是NMDA受体（一种谷氨酸受体），它会削弱抑制性神经环路，导致皮层过度兴奋。
- 应用：这一发现将研究焦点引向谷氨酸系统和兴奋/抑制平衡，为精神分裂症的治疗提供了新方向。
氯胺酮治疗抑郁症的悖论
同样是氯胺酮，却对难治性抑郁症有显著疗效。
- 原理：抑郁症常与皮层某些区域的兴奋性过低有关。氯胺酮通过短暂增加兴奋性，可能帮助大脑“重置”回平衡状态。可以理解为用“微量的精神错乱”来对抗抑郁。
- 作用：为抑郁症患者（尤其是对传统药物无效者）提供了新的治疗选择。通常需要每三周左右维持一次给药。
帕金森病与运动起点
帕金森病是由于脑干中产生多巴胺的神经元死亡所致，导致运动启动困难、动作迟缓。
- 原理：多巴胺是程序性学习的关键神经调质。它的缺失使得学习动作序列和启动动作变得异常困难。
- 奇怪的现象：患者主观上认为自己移动的速度是正常的，但实际上非常缓慢。如果要求他们“再快一点”，他们可以正常速度移动，但会感觉自己像在“超速”。这揭示了大脑内部有一个“设定点”，而这个设定点在帕金森病中被扭曲了。
- 治疗：左旋多巴（L-DOPA，多巴胺前体）的发现是革命性的，能让“锁住”的患者重新开始说话和活动。
意识、自由意志与AI的未来
自由意志：一个历史演变的概念
Sejnowski认为，“自由意志”和“意识”这些词是“狡猾的词语”，因为没有人能给出一个大家公认的定义。五百年前，人们普遍相信“命运”，认为一切由神或外部力量决定。今天关于自由意志的争论（如Kevin Mitchell支持，Robert Sapolsky反对）表明，这个概念本身可能不是科学问题，而是哲学问题。
AI理解语言了吗？
大型语言模型是否能“理解”语言？Sejnowski指出，我们其实并不清楚“理解”是什么。AI可以生成连贯、有见解的文本，甚至能根据指令变换角色（如向10岁孩子解释科学论文）。这促使我们反思：人类的理解和AI的“理解”可能是一个连续谱，而非截然不同。
AI的内部生成模型
人类大脑即使在无外界输入时也在持续活动（走神、计划、做梦），而当前的大型语言模型在被询问后会“变空白”。这是人脑与AI的关键区别之一。Sejnowski正在研究大脑如何产生这种持续的、自生成的内部活动，这对于理解规划、创造力和意识至关重要。
变革者（Transformer）与大脑的自我注意
当前最先进的AI架构“变革者”（Transformer）的核心是“自我注意”机制，它能连接句子中相距很远的词语，建立语义关联，从而形成对世界的内部模型。Sejnowski提出了一个大胆的假设：大脑中的基底节可能执行着类似的“自我注意”功能，以实现时间上的上下文整合。他的新研究计划旨在探索大脑如何实现这种机制。
实用工具与建议总结
学习优化
- 原理：大脑拥有认知（有意识）和程序性（自动化）两套学习系统，需协同使用。
- 应用：
- 被动学习（听讲/阅读）后，务必进行主动练习（做题、实践）。
- 遇到难题卡壳时，暂时放下，去做点别的事（散步、洗碗），让大脑在后台无意识处理。
- 睡前思考一下难题，利用睡眠进行记忆巩固和问题解决。
- 调整学习材料的输入速度，使其略高于舒适区，以保持最佳认知投入状态。
- 作用：提升学习效率，加深理解，促进长期记忆。
- 免费资源：Coursera上的《Learning How to Learn》课程。
能量与健康
- 原理：线粒体是细胞能量工厂，随年龄增长而衰退。
- 应用：
- 定期进行有氧运动和间歇性高强度运动，刺激线粒体再生。
- 保证充足睡眠，特别是深度睡眠和快速眼动睡眠，以巩固记忆和恢复精力。
- 作用：维持身体和大脑的能量水平，延缓衰老，提升认知功能。
与AI协作
- 原理：AI擅长处理海量数据和模式识别，人类擅长深度理解和细微判断，两者互补。
- 应用：
- 将AI作为“点子泵”，用于激发科研新思路。
- 在专业领域（如医学诊断）中，将AI作为辅助工具，提升决策准确性。
- 像对待人类助手一样礼貌、清晰地与AI交互，可获得更佳结果，且减少自身认知疲劳。
- 作用：突破人类认知局限，加速科学发现和技术创新。
理解精神疾病
- 原理：精神分裂症、抑郁症、帕金森病等都与特定的神经递质系统失衡和脑区功能障碍有关。
- 应用：从神经算法和系统层面理解疾病，有助于发现新的药物靶点和治疗策略（如氯胺酮用于抑郁症）。
- 作用：为患者带来新的治疗希望，推动精神医学的进步。
结语：Sejnowski教授的工作揭示了大脑运作的核心算法，并展示了如何将这些原理应用于学习、健康以及与AI的协同中。他的活力和对科学前沿的敏锐洞察，无疑为我们所有人提供了宝贵的启示。
- 主动实践来学习
- 保持睡眠
- 定期运动