感谢 &a data-hash=&fb440c8570ce40aceafafaef& href=&///people/fb440c8570ce40aceafafaef& class=&member_mention& data-editable=&true& data-title=&@Frida Lee& data-tip=&p$b$fb440c8570ce40aceafafaef& data-hovercard=&p$b$fb440c8570ce40aceafafaef&&@Frida Lee&/a& 和 &a data-hash=&e37963dbb4dad2d20825fc4& href=&///people/e37963dbb4dad2d20825fc4& class=&member_mention& data-editable=&true& data-title=&@刘柯& data-tip=&p$b$e37963dbb4dad2d20825fc4& data-hovercard=&p$b$e37963dbb4dad2d20825fc4&&@刘柯&/a& 的邀请。首先楼主给出的截图来自UC Berkeley的Jack Gallant lab 2011年发到Current Biology的文章：&a href=&///?target=http%3A///science/article/pii/S9377& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Reconstructing Visual Experiences from Brain Activity Evoked by Natural Movies: Current Biology&i class=&icon-external&&&/i&&/a& 网站上有他们的重建效果的视频，感兴趣的可以去看看（以防有些同学没有阅读权限，这里附几张视频截图）。&br&&br&&figure&&img src=&/eab83ce5dd2efcf25f2b9f3_b.jpg& data-rawwidth=&756& data-rawheight=&454& class=&origin_image zh-lightbox-thumb& width=&756& data-original=&/eab83ce5dd2efcf25f2b9f3_r.jpg&&&/figure&&figure&&img src=&/a134ea27edeb08b05a10_b.jpg& data-rawwidth=&754& data-rawheight=&443& class=&origin_image zh-lightbox-thumb& width=&754& data-original=&/a134ea27edeb08b05a10_r.jpg&&&/figure&&br&&br&大家或许没有想到，其实关于brain decoding的研究已经有不少（科学家就是在“偷偷摸摸”做大家看不到的事情），这些研究主要用machine learning的方法，开创性的研究在2001年由Haxby和同事完成, 他们利用fMRI结合machine learning的算法，实现了预测被试在MRI scanner中看到的是人脸还是房子，还是猫，还是鞋子... 2005年的时候Kamitani和Tong, 利用fMRI解码出了被试看到的grating的方向，如下图（其实没有必要放这个图，不过好像有个研究说相较于行为数据，人们更愿意相信有大脑图的结果，所以无论如何也得放个脑图上来）&br&&br&&figure&&img src=&/4be7b42d3b195b5cc83eaf_b.jpg& data-rawwidth=&663& data-rawheight=&713& class=&origin_image zh-lightbox-thumb& width=&663& data-original=&/4be7b42d3b195b5cc83eaf_r.jpg&&&/figure&&br&&br&另外最近（2014）也有篇重建人脸（静态） 的文章也很有趣：&a href=&///?target=http%3A///science/article/pii/S1633& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural portraits of perception: Reconstructing face images from evoked brain activity&i class=&icon-external&&&/i&&/a& 可见这个重建brain image/representation的技术是逐渐发展的，并不是忽如一夜春风来的。因为brain decoding是很复杂也很有趣的课题，答主时间和水平有限不能展开讲，所以接下来我就只针对性地回答一下楼主提到的这篇文章的原理。&br&&br&如果楼主阅读过原文的话，应该发现文章的大量篇幅其实是在自（炫）豪（耀）地讲他们之前提出的一种新型的encoding model （编码方法，有decoding自然也就有encoding）如何如何好，这种叫作motion-energy encoding model的方法（主要是用来model对运动物体的感知的）的特别之处呢在于克服了fMRI研究的一个局限：fMRI主要是以BOLD（blood oxygen level-dependent, 血氧依赖水平）信号来间接反映神经元信号的，fMRI分析的假设认为只要相应的神经元被激活了，BOLD信号就会开始增加，但是实际上它们并不同步，BOLD信号要比神经活动慢一些，比如说BOLD信号的peak点就比神经活动的peak点要慢6s左右。最常用的假设的BOLD信号模型如下图1，我们可以看到神经活动大概过了6s后，BOLD的曲线才慢慢到达顶点。但是BOLD信号变化这么滞后，怎么能快速反映瞬息万变的世间万象和心理变化呢？这个问题深深地深深地困扰着很多fMRI研究者。所以这篇文章的算法解决了这个问题，“顺便”重构了一下看电影片段时的fMRI信号来验证，然后我们就被震惊啦，纷纷拜倒在大牛手下！&br&&br&&br&&figure&&img src=&/6c58f1c0_b.jpg& data-rawwidth=&525& data-rawheight=&536& class=&origin_image zh-lightbox-thumb& width=&525& data-original=&/6c58f1c0_r.jpg&&&/figure&&br&图1(来自维基百科). &br&&br&其实基本的过程就如楼上 &a data-hash=&7ada0af28bc1& href=&///people/7ada0af28bc1& class=&member_mention& data-editable=&true& data-title=&@徐元直& data-tip=&p$b$7ada0af28bc1& data-hovercard=&p$b$7ada0af28bc1&&@徐元直&/a& 所说，我这里只是增加一些细节内容。作为machine learning的方法，首先他们需要training data，这里的training data是观看7200s的电影片段相对应的位于后侧和腹侧枕颞视觉皮层（posterior and ventral occipitotemporal visual cortex）的BOLD 信号，BOLD信号记录下的是观看电影时视觉皮层特定区域的整体活动，这样是不能用来建立fMRI活动和视觉图像的对应关系的，所以他们用了某种叫做nonlinear spatiotemporal motion-energy filter 的过滤器来提取图像的特征 (这里叫filters，但是我感觉应该是特征的意思), 比如位置，方向，空间，时间频率啊这些，如图2B 所示。然后再把这些特征与BOLD信号（也就是图2A中的Hemodynamic response）结合起来，每一个特征对应一种特定的BOLD曲线（运用了L1-regularized linear regression的方法），把这些曲线合在一起就是预测的BOLD 信号。这里是用training data得到的模型，然后他们又把这些模型用到540s电影(新的电影片段)的test data上面，拿预测的BOLD信号与实际的BOLD信号作比较从而判断模型的准确性（通过计算两者的相关性）。为了显示自己模型的优越性，作者拿了另外两个模型作比较，最后当然如我们所料，作者的模型“完胜” (差异显著啦！！)。&br&&br&&figure&&img src=&/757bf4e79f_b.jpg& data-rawwidth=&780& data-rawheight=&467& class=&origin_image zh-lightbox-thumb& width=&780& data-original=&/757bf4e79f_r.jpg&&&/figure&图2.&br&&br&前面大费周折说了那么多，总结一下就是作者的encoding model是可以用来预测看natural movie时的BOLD信号的！&br&&br&下面是大家比较感兴趣的重建(reconstruction)过程, 所谓重建就是利用BOLD信号来重构图像，传统的fmri研究是刺激→BOLD信号这样一个过程，重建就是反过来BOLD信号→刺激的过程，也就是传说中的“读心术”。重建的刺激是新的电影片段，BOLD信号来自视觉皮层。首先要说明一下这个重建并不是真的直接提取大脑信号来重建，而是先建立一个包罗众多电影片段的数据库（18 million second，5000小时），然后用上述的encoding model来建立新输入的视觉刺激与BOLD信号之间的关系（predicted signal），通过比较预测的信号与实际测量的信号（被试在MRI scanner里面躺了5000小时？？？）来对数据库中的收录的电影片段（1s）进行一个排名（图3B），图3C就是与站立人像的BOLD信号最接近的30副图。所谓的解码也就是在记录被试看影像时的BOLD信号的同时，比对数据库中已存的实际影像的BOLD信号，然后找出最接近的片段。图4看起来更清楚，红色方框里就是所谓重构的图像，按照接近程度进行排列，如果数据库中的图像和看到的图像比较接近，解码效果就比较好，反之，效果就比较差。楼主给的图的右侧看起来比较模糊，是因为那幅图是100张图平均的结果，并不是一幅图，也就是图4的AHP（averaged high posterior）。至此，重构过程也就完成了。2013年的时候，日本的学者发了一篇science用的是类似的方法来解梦，感兴趣的可以移步看一下：&a href=&///?target=http%3A//www.sciencemag.org/content/340/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural Decoding of Visual Imagery During Sleep&i class=&icon-external&&&/i&&/a&&br&&br&如果大家觉得这样的黑科技出来，以后人类就没有隐私了，因为我心里想什么就会被知道了（心理学的学生窃喜终于可以回答“你知道我心里在想什么吗？”这个高深莫测的问题了）那就实在高估现在的技术水平了。首先MRI那么昂贵笨重的机器在那里，直接就限制了这项技术的商业化运用；其次整个编码解码过程都需要被试的高度配合（告诉大家一个诀窍，如果那天你被人强制读脑的话，你只要摇晃一下脑袋，数据就不能用了。&b&不过，做实验的时候千万不要动！！要听主试的话！！&/b&），这也是为什么文中只用了三个被试，而且都是合作者（永远不要低估研究者发文章的决心！）；再者，解码的算法还需要很大的改进，因为不是直接解码，所以从图4中可以看出解出来一些奇怪的画面。不过不管怎么说，这篇文章的想法真的很独特，虽然说这种想法本身就会导致重构图像的不精确，不过技术进步那么快，相信未来的发展会更加超出我们的想象的！&br&&figure&&img src=&/ce8af61ea02c58e29204_b.jpg& data-rawwidth=&780& data-rawheight=&531& class=&origin_image zh-lightbox-thumb& width=&780& data-original=&/ce8af61ea02c58e29204_r.jpg&&&/figure&图 3.&br&&br&&figure&&img src=&/cf6002ecd16d3b16ff0afb_b.jpg& data-rawwidth=&780& data-rawheight=&480& class=&origin_image zh-lightbox-thumb& width=&780& data-original=&/cf6002ecd16d3b16ff0afb_r.jpg&&&/figure&图 4.&br&&br&&br&&br&后记： 今年学期要结束的时候，Dr. Gallant来我们系做一个讲座介绍他的研究，不得不说Gallant lab做的研究真的特别impressive，有兴趣的朋友可以去他的实验室lab看一下（&a href=&///?target=http%3A//gallantlab.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gallant Lab homepage&i class=&icon-external&&&/i&&/a&），重建视觉信息只是他研究的一部分，他们还有很多有意思而且很重要研究正在进行。Dr. Gallant在讲座的时候说他不是一个psychologist，因为那些高级的认知功能太复杂恐怕这辈子都搞不清楚，但是视觉区域的研究已经相对比较透彻了，所以他有生之年还有可能见到搞清楚的一天。这篇文章也正如他说的那样，主要在讨论技术层次的问题，涉及到fMRI技术，信号处理还有贝叶斯统计方面的内容，基本上和认知功能没有太大联系。虽然有些fMRI的经验，但是有太多不熟悉的概念，我个人阅读起来还是挺费劲的，有不少地方理解的也不清楚，如果表述有什么不对的地方还请轻拍和指正。谢谢！&br&&br&References:&br&Haxby, J. V., Gobbini, M. I., Furey, M. L., Ishai, A., Schouten, J. L., & Pietrini, P. (2001). Distributed and overlapping representations of faces and objects in ventral temporal cortex. &i&Science&/i&, &i&293&/i&(5539), .&br&Kamitani, Y., & Tong, F. (2005). Decoding the visual and subjective contents of the human brain. &i&Nature neuroscience&/i&, &i&8&/i&(5), 679-685.
的邀请。首先楼主给出的截图来自UC Berkeley的Jack Gallant lab 2011年发到Current Biology的文章： 网站上有他们的重建效果的…
谢邀。&br&&br&看完问题的第一反应是：题主看来是没有分清楚【神经科学】和【认知科学】……得出这样的结论有两个原因：&br&&br&1. 问题中出现了【哲学/语言学与神经科学的联系】这样的表述（当然有可能是笔误）；&br&2. 哲学/语言学和认知科学的联系远远超越了【有帮助】的程度。问【哲学/语言学对学习认知科学是否有帮助】就像是在问【线性代数对学习数学专业是否有帮助】或【数据结构对学习计算机科学专业是否有帮助】一样。&br&&br&哲学、语言学、心理学、计算机科学、人类学、神经科学被称为【认知科学六边形（Cognitive Science Hexagon）】，事实上，认知科学这门学科就是由上述领域中对同一课题——人类意识——的研究集合而成的。如果进一步解释，认知科学是用现代的科学方法研究柏拉图和亚里士多德时代就已提出的问题：&br&&br&(1). 知识从哪里来？&br&(2). 思考的本质是什么？&br&(3). 人类的认知是否有其独特之处？（人类和动物的意识有什么区别？）&br&&br&就【知识从哪里来】这一问题展开的哲学思考可以粗略分为两派：理性主义（rationalism）和经验主义（empiricism），而后世开展的认知科学研究，也多少受这两派思想影响：语言学中的乔姆斯基学派偏向理性主义、而萨丕尔-沃尔夫学派偏向经验主义；心理学中的行为主义是经验主义的延伸、而认知心理学是理性主义和经验主义的综合；计算机科学中的逻辑模型偏向理性主义、而神经网络偏向经验主义……&br&如果缺乏对认知哲学的了解，就很难将认知科学不同分支的理论联系起来——在认同乔姆斯基学说的同时希望通过神经网络实现语言学习，就是很模棱两可的做法。&br&另一方面，对于大脑（肉体）和意识（精神）是否统一，认知哲学界分为二元论（dualism）和一元论（monism）两派。到了近代，阿兰·图灵提出的图灵测试（最近莫名其妙火了起来）和希尔勒教授（下学期可以上他老人家的课~）提出的中文房间问题实际上也是在讨论【思考的本质是什么】这一问题。人工智能、神经科学、人类学等领域的研究者必然要对此问题进行思考。&br&&br&接下来说说语言学。除了之前提到的乔姆斯基学派和萨丕尔-沃尔夫学派在【知识从哪里来】上的分歧，【人类的认知是否有其独特之处】，也即【语言是否由人类独有】也是语言学家热衷于讨论的问题。这是认知语言学和认知哲学的联系。&br&至于语言学和认知科学六边形上其他学科的关系：&br&语言一直是神经科学家研究的热点。从布洛卡区（Broca's Area）和韦尼克区（Wernicke's Area）的发现到今年的神经科学研究成果（运动语言区在听音时的活动、布洛卡区在发音时并不被激活等），受语言学指导的猜想和实验都是至关重要的。&br&心理学和语言学的交集可以用一个例子来说明：萨丕尔-沃尔夫弱假设（又是这俩家伙……）。萨丕尔-沃尔夫弱假设认为语言会在一定程度上影响其使用者对世界的认知，以至于影响到语言使用者的情绪、世界观等心理学属性。这方面的研究很多，就不展开了……（其实是懒得翻论文）&br&语言学在计算机科学领域的应用当属【自然语言处理】（natural language processing）。如果一名计算机科学家想运用逻辑模型让计算机学习语言，那对于语义学（semantics）、句法学（syntax）甚至语用学（pragmatics）的了解都是必要的。即使是神经网络教徒也无法完全脱离【普遍语法】（Universal Grammar）理论的影响。&br&人类学这方面不太了解就不说了。&br&&br&为什么语言学在认知科学研究中占这么重要的位置？&br&因为长久以来，语言都被认为是表达意识最重要的渠道，人类幼儿为何能学会一种语言也被认为是研究意识产生和发展的关键。更进一步，中文房间问题让我们思考，语言是否能和意识等同起来？萨丕尔-沃尔夫假设让我们思考，我们认知的世界是被语言描述着、还是被语言塑造着？人类学家提问，语言可以单独成为区别人类和其他动物的事物么？亦或是语言和其他独特的认知能力一起将人类和其他动物区分开？&br&所以也不需要回答【语言学对认知科学学习有没有帮助】这种问题，因为学习认知科学终究是绕不开语言学的。&br&&br&那么对认知科学的学习该是怎样的呢？这里借鉴一下我们学校的Major Program：想要获得认知科学本科学位，学生必须在认知科学六边形上的六个领域各选修一门相关课程，然后在其中选择一个希望专攻的方向再选修三门相关课程。&br&&br&最后再强调一次：认知科学不是神经科学！认知科学不是计算机科学！认知科学不是认知哲学！……很多人觉得对意识的研究就是对大脑的研究、或者对意识的研究就是对认识论的研究，这是没有理解认知科学【跨学科】（Interdisciplinary）的属性。建议题主可以去了解一下各种【认知xx学】的研究内容，应该会很受启发的。
谢邀。 看完问题的第一反应是：题主看来是没有分清楚【神经科学】和【认知科学】……得出这样的结论有两个原因： 1. 问题中出现了【哲学/语言学与神经科学的联系】这样的表述（当然有可能是笔误）； 2. 哲学/语言学和认知科学的联系远远超越了【有帮助】的…
利用fMRI信号重建视觉场景，是一种对神经活动的解码，本质上是神经编码的一个逆问题。&br&&br&&blockquote&&i&顺便说一句，题主将问题做了变动，实际上原标题更确切。因为论文的工作是用fMRI信号重建受试者看过的视频。新标题中中“大脑中浮现的画面”也可以理解为在不看视频的情况下想象出来画面，如是与原文工作有所出入；另外，在这种条件下用fMRI信号反推“浮现”的画面，具有更大的挑战性。&/i&&/blockquote&&br&基于大脑反应重建视觉刺激（图像或者视频）的研究并不新鲜，而且也不局限于用fMRI信号重建。Yang Dan 博士（现在UC Berkeley）在上个世纪90年代就用神经元的放电活动重建视觉场景（文献［1-3］）。因为没有对神经解码类课题的一手研究经验，而且很长时间不看这方面的文献了，只能依据一点初浅理解对题主的问题做个概略性的回答。欢迎批评指正。&br&&br&&b&1. 视觉神经通路编码和fMRI信号的产生&/b&&br&虽然从技术角度&b&并非必须&/b&（文献［4］），了解视觉神经编码和fMRI信号的产生原理，可以帮助理解为什么可以用fMRI信号重建视觉场景。视觉神经编码的基础知识在任何一本基础性的神经生物学都有介绍。&br&&br&&b&关于编码：&/b&（1）从眼球的后壁视网膜开始，到外侧膝状体 (LGN)，到初级视觉皮层 (V1)，到后面分化的视觉通路上（腹侧-ventral和背侧-dorsal pathway），视觉神经细胞对视觉场景的各种视觉信息特征（大小，形状，颜色，运动速度，空间位置等）的编码逐级分化 (图1)。（2）现在广泛接受的编码理论是视觉神经细胞用&b&放电活动频率&/b&表征&b&视觉信息特征&/b&。例如初级视觉皮层的一个神经细胞对某个空间位置上垂直方向的线条产生强烈放电（e.g., 50 spikes/second），对其他位置和水平方向的线条放电频率则大幅下降（e.g., 6 spikes/second），甚至不放电。（3）类似功能的神经元分布在相邻的区域，例如早期视觉皮层的功能柱。Hubel 和Wiesel博士在50年代开始对（2）和（3）的开创性的系统研究为他们赢得了1981年诺贝尔奖。（4）Population coding的概念［文献6］：不同区域的视觉皮层中大量神经细胞在同一时刻的反应构成某种特定的放电模式从而表征视觉场景，这种模式可能与表征过去场景的历史模式有某种关系。&br&&figure&&img data-rawheight=&248& data-rawwidth=&398& src=&/dcb2a8207ef2e_b.jpg& class=&content_image& width=&398&&&/figure&&br&图1，视觉神经通路 (Strand-Brodd K et al. 2011)&br&&br&&b&关于fMRI信号：&/b&（1）虽然具体的量化关系没有定论，fMRI信号的强弱与神经放电的强弱正相关［7］。（2）一个fMRI 像素表征三位空间的一个小区域内（1个立方毫米量级）大量神经元的放电活动，还好如前面提到，这个空间内的神经元的功能比较类似。（3）相对单个神经元的放电活动信号，fMRI信号在时间有延迟（1－10秒）。&br&&br&&b&2. 神经解码&/b&&br&有了上面的信息，理论上当我们理解了每个神经细胞的放电活动，可以根据足够多的数据完全重现对应的视觉场景。如果我们进一步知道fMRI信号与神经放电活动的数量关系，我们也可以利用fMRI信号精确重建对应的视觉场景。&br&&br&具体实施的时候，也不必理解中间编码的具体过程。根本问题变成求解视觉刺激与脑活动信号（fMRI、脑电、多电极纪录的单个神经元放电等信号）之间的关系。数学上，视觉刺激可以用一个矩阵描述V，脑电信号可以用一个矩阵描述B，中间联系他们的是一个传递函数T，同样用一个矩阵表示。他们之间的关系可以表达为VT=B。如果先通过测量对应一系列的视觉刺激Vi (i＝1, ..., N)的脑活动Bi (i=1, ..., N) 可以求出传递函数T，那么在已知B的情况下，可以求出对应的V。文献［3］中论述了这几个矩阵之间的关系，［4］是一个很好的综述，文献［5］是一个具体的应用实例。&br&&br&&figure&&img data-rawheight=&242& data-rawwidth=&640& src=&/8d0cf732fb0b267eeb93b_b.jpg& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/8d0cf732fb0b267eeb93b_r.jpg&&&/figure&图2，视觉刺激和脑活动fMRI信号的对应关系（Naselaris et al., 2011）&br&&br&补充一下用电极记录的神经放电活动重建视觉场景的研究。第一行和第三行的是视觉刺激，第二行和第四行是相应的重建结果。&br&&figure&&img data-rawheight=&472& data-rawwidth=&443& src=&/a7db1226323eef9c2a3159_b.jpg& class=&origin_image zh-lightbox-thumb& width=&443& data-original=&/a7db1226323eef9c2a3159_r.jpg&&&/figure&图3，利用LGN 神经放电信号重建视觉场景（Stanley GB, Li FF, Dan Y 1999）&br&&br&&b&神经解码的困难：&/b&因为原理和技术的限制，精确地实现神经解码是非常困难。第一个问题是我们对神经编码的理解还十分有限，因而导致我们的测量和建模未必能抓住最核心的参数。第二个困难源于数据采集技术带来的信息局限性。基于不同技术在数据采集精度和对神经系统损伤程度的考虑，现在能获取的数据在时间和空间分辨率都非常有限。第三个挑战是作为编码的逆问题，解码通常是一个病态问题。在有限精度下，两幅场景对应的神经放电模式／fMRI图像可能几乎一致，从而当你看到一幅fMRI的模式，你不能确定反推出到底哪幅图像是本来的刺激图像。在这种情况下，你无法实现视觉场景重建。&br&&br&&b&3. 几篇关键文献&/b&&br&1）基于LGN神经放电活动的视觉场景重建 (Dr. Dan的工作让我首次了解到神经信号解码的问题)：&br&［1］Dan Y, Atick JJ, Reid RC (1996) Efficient coding of natural scenes in the lateral geniculate nucleus: experimental test of a computational theory. J Neurosci 16:.&br&［2］Dan Y, Alonso J-M, Usrey WM, Reid RC (1998) Coding of visual information by precisely correlated spikes in the LGN. Nat Neurosci 1:501–507.&br&［3］Stanley GB, Li FF, Dan Y (1999) Reconstruction of Natural Scenes from Ensemble Responses in the Lateral Geniculate Nucleus. The Journal of Neuroscience 19(18): .&br&&br&2）fMRI信号解码原理及应用&br&［4］Naselaris et al. (2011) Encoding and decoding in fMRI. NeuroImage 56 (0. （综述）&br&［5］Shinji Nishimoto, An T. Vu, Thomas Naselaris, Yuval Benjamini, Bin Yu & Jack L. Gallant (2011) Reconstructing Visual Experiences from Brain Activity Evoked by Natural Movies. Current Biology. （应用，按照作者说法可以看看这片文章的价值：This paper presents &b&the first successful approach&/b& for reconstructing passively viewed natural movies from brain activity measured by fMRI.）&br&&br&3）population coding&br&［6］Alexandre Pouget, Peter Dayan, and Richard S. Zemel (2003) INFERENCE AND COMPUTATION WITH POPULATION CODES. Annual Review of Neuroscience 26: 381-410.&br&&br&4）fMRI和神经放电活动的关系&br&［7］Logothetis et al. (2001) Neurophysiological investigation of the basis of the fMRI signal, Nature 412, 150-157.
利用fMRI信号重建视觉场景，是一种对神经活动的解码，本质上是神经编码的一个逆问题。 顺便说一句，题主将问题做了变动，实际上原标题更确切。因为论文的工作是用fMRI信号重建受试者看过的视频。新标题中中“大脑中浮现的画面”也可以理解为在不看视频的情…
&p&个人觉得前面几个人都没有真正回答楼主的问题，本人不算狭义 (定义后面会提) 的computational neuroscientist，但是身边无论是faculty还是学生在这个领域的都接触了不少，根据楼主的需求谈一谈对这个领域的理解。&/p&&br&&p&在回答问题之前，首先来说什么是computational neuroscience (也叫theoretical neuroscience)，这个term其实是个非常新的词，最开始是被Boston University的Eric L.Schwartz于1985年提出，本人手上刚好有一本此人1990年写的《Computational Neuroscience》，其内容已经和现在的最新发展严重脱节，说明本身这是个定义快速变化发展的领域。同时需要和另一个词『bioinformatics』做出细微区分，广义的『bioinformatics』应该包括computational neuroscience，都是计算方法在生物领域的应用，但是目前的bioinformatics很多是关于genetic方向，所以做computational neuroscience的人一般不说自己是做『bioinformatics』&/p&&br&&p&广义的Computational Neuroscience (CN)，其实就是指运用计算模型(具体有machine learning，applied math相关知识) 解答神经科学问题，从这个定义来讲其实很多神经科学家都算，也的确很多人把computational neuroscience这一条加到自己的CV和研究介绍里。但是狭义的来说，Computational Neuroscientist或者是『theoretical neuroscientist』是要和experimental neuroscientist区分开的，前者分析数据建模推崇理论，但是自己几乎从来不做实验直接验证，神经科学数据(比如电生理数据)的记录主要由后者来完成。狭义的CN研究者在整个神经科学家的队伍中只占小部分，其他大部分我们叫experimentalist. &a href=&/people/8bb80097ecfcec5fa9aafc& class=&internal&&@Xun Huang&/a&贴出的那篇博客我也看过，主要是针对狭义的CN。题主问了这个问题，我推测你可能是个国内高校的学生，希望申请北美狭义的CN PhD, 以下的讨论也基于这个前提。&/p&&br&&p&首先，录取难度&/p&&p&个人觉得挺难。为什么难？难在哪？&/p&&p&难在交叉背景。这个领域要求既要有神经科学知识，也要数学计算机的知识。难点具体来说有这么几点。&/p&&br&&p&1. 在目前国内的院系建构内，前者可能是在生物系，心理系，后者可能是在应用数学，工程或者计算机系，从操作层面来说就不是很容易。有些学校有双学位或者辅修制度，也许能填补这类空白。&/p&&br&&p&2. 主观上，对于一个大一或者大二的本科生来说，很难有这个意识去主动的同时对这两个方向做知识储备，因为99%的人还不知道什么是CN。&/p&&br&&p&3. 我觉得更重要的难点在于，除了课程，很多学校要求本科生科研，国内几乎找不到研究computational neuroscience导师。目前只有北师大的脑科学所的吴思老师，李兆平老师，北大的Louis Tao，还有上海交大的David Cai等少数人算是很这方面很优秀的科学家，钩指头算我都觉得不超过10个人。光上基础课程对CN完全不会有概念，必须要一个导师一样的人带你入门才行。在一些工程院系，有很多人做complex system，neural network的研究，但是他们还是在做engineering。简单区分的话来看他们发表文章主要是在神经科学期刊上还是工程学期刊上。在我看来，这还不是北美尤其是Xun Huang转载的博客里所说的CN。&br&&/p&&br&&p&那么，课程上不了，导师找不到的情况下，你觉得还容易么？如果非要说个 ，神经科学背景和数学计算机背景只能选其一的话，我建议还是选后者。其实国内院校数学，计算机和工程专业每年要毕业大量的毕业生，但是极少有人转到神经科学领域，最重要的原因还是不了解，既然不了解，也就谈不上兴趣。这个交叉学科的问题其实在很多领域都有，比如目前金融专业和数学计算机专业就是没法培养既懂金融也懂计算的人。。&/p&&br&&p&其次，学习难度，毕业难度&/p&&p&假如你是一个985，211等知名院校毕业的广义工程专业的学生，高等数学，线性代数，概率统计，随机过程等都有相应的基础课程 （差一两门也没关系），那么其实学习起来不是那么困难，毕业 和别的神经科学方向并无本质区别。如果你本科是生物背景，要去补数学知识，可能要难一些。从现实来看，经常看见计算背景的人转到神经科学领域，往往都成了大牛。极少有生物医学背景的人来做这个，因为目前整体生物医学训练中，对数学能力的要求实在太低。&/p&&br&&p&再次，生活是怎样的？&/p&&p&身边就有CN的PHD，也认识很多CN的PHD朋友，过的日子和我们并无两样。有一点不一样的就是他们几乎从来不做实验，每天就是推公式，想算法，分析别人的实验数据，和我这样的实验狗有一点区别。有一点特别强调的是，做CN的人往往和做实验的experimentalist紧密合作，不过目前国内还没有这个意识。&/p&&br&&p&最后，就业情况&/p&&p&分两部分，工业界和学术界&/p&&br&&p&工业界&/p&&p&做CN在工业界一直非常好就业，尤其是在最近几年的大数据背景之下。个人觉得CN和目前最火的deep learning就是一个硬币的两面。Deep learning本身就是做CN的人发明的，从80年代起，计算神经科学家和做AI的计算机科学家本来就是一拨人，后来在90年代才逐渐分化开。Geffoery Hinton和Terry Sejonwski在80年代做了大量的理论奠基，后来Hinton逐渐往计算机领域靠拢，Sejonwski则继续留在了神经科学领域。90年代，在计算机领域neural network不受待见，直到最近又死灰复燃，但是在神经科学领域人们这么30多年来一直在坚持用neural network这种approach，因为本来大脑就是这么工作的嘛。还有一个例子就是UCL毕业的Demis Hassabis,PhD是做CN的，后来创立的deepmind，是世界上少数的顶尖AI科学家。&/p&&br&&p&学术界&/p&&p&大数据和machine learning的发展最近几年也渗透到了学术界，很多神经科学家们招phd和postdoc都偏向于招有计算背景的人，哪怕你不懂神经科学技术。还是那句话，你懂计算还可以补习神经科学知识，你只懂神经科学老板就没耐性补习你数学知识了。本人曾经想postdoc转行做狭义的CN，但是被老板苦口婆心的制止了，因为从总体来看，CN的faculty职位哪怕在最近几年大量增加，也远少于experimentalist。而且，只有少数综合实力很强的大学和研究机构有能力设置这样一个职位。而且，做狭义的CN有一个致命弱点，就是你必须要和experimentalist合作，有了data你才能发真正不错的paper，所以必须依靠别人的data，没法独立。在学术界要求文章数量和质量的时候，这一行稍微有点吃亏。&/p&&br&&br&目前在中国做这方面研究的人很少，主要有以下几个原因&br&1， 交叉背景，前面讲了，所以北美哪怕读CN PhD的中国学生就很少，回国的就更少。&br&2，一般国内优秀的数学或者计算机专业的毕业生，基本也都被BAT挖走了，谁还会有心转行学点神经科学？&br&3，现在machine learning，data science这么火，你要是读在北美CN的phd，随便硅谷找个公司高薪妥妥的，请问你还会去做年薪只有3-4w刀的postdoc么。。。我认识的读CN的phd，毕业大多数都被google挖走了。&br&4，国内的学科壁垒太深。以前在心理系从来就没听说过心理系的人和计算机那边搞machine learning的人合作过，教授们哪怕在一个大的课题基金下也是各做各的，这个没办法，意识不够。&br&&br&唯一可喜的是最近国内脑科学发展较快，认识的很多物理或者数学背景的师弟师妹开始想学这个方向，以后中国人会越来越多的。但是等你过几年这一步赶上来了，谁知道美国又出现了什么新的思潮，于是永远在追赶。。。&br&&br&目前只想到这些，以后想到了继续补充。。
个人觉得前面几个人都没有真正回答楼主的问题，本人不算狭义 (定义后面会提) 的computational neuroscientist，但是身边无论是faculty还是学生在这个领域的都接触了不少，根据楼主的需求谈一谈对这个领域的理解。 在回答问题之前，首先来说什么是computatio…
我只能顽皮的告诉你，如果你看到一个想要搭讪的姑娘在前面，你走上前去的时候却发现半路上不约而同的走出来几个竞争者，因为他们也看到那个姑娘了，而且他们的优势就是走在你前面，你跑是跑不过这些家伙了。看来是没有机会了。可难道没有破解的方法了吗？&br&&br&不，你此刻赶紧整理衣冠，朝那女孩喊一声：“姑娘！”。近似一个标准大气压下声音以340米/秒的速度会召唤来那个姑娘的一个艳绝的回头。&br&&br&你觉得姑娘回过头看的是你还是前面那些家伙？&br&&br&——这就是声音传播与光传播的相对论。
我只能顽皮的告诉你，如果你看到一个想要搭讪的姑娘在前面，你走上前去的时候却发现半路上不约而同的走出来几个竞争者，因为他们也看到那个姑娘了，而且他们的优势就是走在你前面，你跑是跑不过这些家伙了。看来是没有机会了。可难道没有破解的方法了吗？ …
已有帐号？
无法登录？
社交帐号登录