当前观察 › 来源档案 › 马特·博特文尼克 马特·博特文尼克：神经科学与AI的融合之路 DeepMind神经科学研究主任马特·博特文尼克探讨了神经科学与AI的融合。他认为理解大脑的关键在于连接认知功能与神经机制，心理学与神经科学本质是同一学科。他分享了从医学生到AI研究者的转变，以及强化学习、多巴胺编码等前沿研究如何揭示大脑运作原理，并展望了AI与神经科学相互促进的未来。
这份材料帮助我们理解什么？ 访谈/对话 · 自动转录 · 已找到对应文本，不代表完整性或事实已经核验
以下保留原有自动整理内容，尚未完成逐句复核；日期与人物沿用档案记录。当前答案和重新核对的依据，请看上方问题页。
导语 DeepMind神经科学研究主任马特·博特文尼克（Matt Botvinick）是一位跨越认知心理学、计算神经科学和人工智能的杰出学者。在本次访谈中，他阐述了自己对神经科学与AI关系的深刻见解。博特文尼克认为，理解大脑的关键在于将高层次的认知功能（心理学）与底层的神经机制（神经科学）联系起来，这两者本质上是同一学科的不同层面。他结合自身从医学到艺术史，最终投身神经网络研究的独特经历，探讨了强化学习、多巴胺信号编码等前沿课题，并展望了AI与神经科学如何形成一个“良性循环”，共同推动我们对人类智能乃至社会的理解。
大纲与深读 8 章 展开「深读」看每一段讨论的问题与论据。
01
神经科学的现状与整合愿景 当前对大脑的理解在高层次上较为宏观，但在神经元机制层面存在巨大鸿沟。 Matt Botvinick 认为心理学与神经科学不应被严格区分，两者应统一于理解大脑功能的最终目的。 他将研究大脑的功能（即心理学）与理解其实现机制（即神经科学）的关系，类比为肾脏功能与肾单位工作原理的关系。 深读这一段 讨论的问题： 当前我们对大脑的理解处于什么阶段？心理学和神经科学应如何统一？
论据 / 案例： 用肾类比说明：先明确器官功能（如肾脏过滤血液），再研究其机制；类比遗传学史上孟德尔基因概念（隐喻）先于DNA物理机制的发现。
02
从心理学、神经科学到AI的交叉 08:00 心理学中使用的“注意力”、“记忆提取”等概念是功能性的“虚拟因果机制”或隐喻，但有助于指导寻找底层的物理机制。 神经心理学通过研究脑损伤患者的特定缺陷（如语言功能），为理解大脑区域功能提供了重要见解。 AI 研究（尤其是深度学习/连接主义）正开始吸收认知心理学长期以来的研究方法，这令人兴奋。 深读这一段 讨论的问题： 心理学中的概念（如注意力）与神经科学中的物理机制有何关系？认知心理学对AI有何启发？
论据 / 案例： 提及“平行分布式处理”书籍作为连接主义起点；以神经心理学对语言功能（如阅读、听觉与语义处理）的研究为例。
03
大脑的神秘与前额叶皮层 16:00 大脑的悖论在于其极度神秘，却又负责产生日常生活中一切显而易见、熟悉的事物。 前额叶皮层（PFC）在解剖上位于运动皮层前方，其核心功能与灵活性、覆盖习惯行为、目标导向行为相关。 与习惯行为（自动化路径）相对，PFC使我们能够根据新奇或异常的情境调整行为，例如从握手改为碰肘。 深读这一段 讨论的问题： 大脑最令人着迷的悖论是什么？前额叶皮层在认知中扮演什么核心角色？
论据 / 案例： 引用洛利亚（Luria）对额叶损伤患者灵活性缺陷的研究；以驾驶（从学习到熟练）为例说明习惯化与自动化行为。
04
智能的基元与环境结构 24:00 人类具有类似图灵机的适应能力，能运行“软件”来执行前所未有的行为，但受限于容量。 智能的基元应定位于个体人类，尽管其行为总是在群体/社会环境中产生和理解。 认知结构的形成不仅依赖大脑架构和算法，更关键地取决于其与环境结构的交互（如强化学习中的模拟环境或自我对弈）。 深读这一段 讨论的问题： 智能的基本单位是什么？环境在塑造认知中起什么作用？
论据 / 案例： 提及“自我对弈”机制作为竞争驱动学习的关键；强调任务分布（task distributions）中“无尽的多样性与冗余性”对元学习的重要性。
05
AI与神经科学的互动循环 32:00 AI 与神经科学之间存在持续的“良性循环”，一个领域的进展会启发和推动另一个领域。 近期AI领域的创新领先，其产生的想法（如分布强化学习）为寻找大脑中的类比机制提供了新方向。 通过发现大脑可能采用与AI相似的计算原理（如多巴胺的分布编码），可以增强我们对这些AI方法有效性的信心。 深读这一段 讨论的问题： AI 与神经科学如何相互促进？近期AI进展对神经科学有何具体启示？
论据 / 案例： 讨论基于多巴胺奖励预测误差的时序差分学习；提出大脑可能存在“分布编码”的假设。
06
AI研究的深层社会与文化意涵 40:00 构建能与人类交互的AI系统，必然引出关于人类偏好、文化、伦理乃至社会选择理论的非工程问题。 AI 研究可能迫使社会回归对“美好生活”、“谁来决定”等根本哲学问题的思考，甚至可能带来文化复兴。 在AI安全之外，必须同样重视研究如何引导AI走向积极、丰富的结果（如改善人类交互），而不仅仅是规避最坏情况。 深读这一段 讨论的问题： 构建与人类交互的智能体，会引发哪些超越工程的根本性问题？
论据 / 案例： 举例：机器人演奏贝多芬的“审美选择”问题；引用《圣经》中人类获得智慧可能导向仁慈的叙事，与“AI统治者”反乌托邦叙事对比。
07
多巴胺与分布强化学习 48:00 传统强化学习将预期累积奖励表示为一个单一数值，而分布强化学习则保留了未来奖励的完整概率分布。 分布表征能加速学习并改善策略，部分原因是它保持了具有相同均值但不同分布的情景在内部表征上的区分。 多巴胺信号在功能上类似时序差分学习中的奖励预测误差信号，且最新证据提示其可能也采用分布编码方式。 深读这一段 讨论的问题： 什么是分布强化学习？多巴胺在大脑中可能如何表征奖励信号？
论据 / 案例： 论文《A distributional code for value in dopamine-based reinforcement learning》；引用多项行为实验和神经生理学数据支持多巴胺的分布编码假说。
08
神经科学的未来：技术、行为与AI的融合 56:00 未来神经科学的突破点可能在于将新型监测/调控技术（现多用于固定状态动物）与更丰富、自然的行为研究相结合。 这一结合有望复兴对行为结构及其底层机制的研究，并由AI领域的计算原理提供新的理论框架。 终极目标是实现心理学与神经科学的真正统一，即直接理解大脑行为功能的神经实现机制。 深读这一段 讨论的问题： 未来10-30年，神经科学最可能取得突破的方向是什么？
论据 / 案例： 提及为头固定小鼠设计虚拟现实环境等解决方案；强调将新兴技术与行为研究重新结合的趋势。
金句
"The point of neuroscience is to study what the brain is for... The brain is for producing behavior." —— 神经科学的意义在于研究大脑的用途……大脑的用途是产生行为。
"I'm happy to think of it as just basic computation. But mind you, I won't be satisfied until somebody explains to me how what the basic computations are that are leading to the full richness of human cognition." —— 我乐于将其视为基本计算。但请注意，除非有人向我解释，是什么基本计算导致了人类认知的全部丰富性，否则我不会满足。
"The real world is sort of saturated with this kind of this property, it's endless variety with endless redundancy." —— 真实世界充满了这种特性，即无尽的多样性与无尽的冗余性。
← 上一篇 哲学家辛格：痛苦、动物伦理与机器人权利 下一篇 → 苏世民谈创业、慈善与中国科技未来 
