神经科学历来寻求对经验现象给出因果解释，而机器学习则致力于设计能够进行预测的系统。但如今，这两个领域的界限正在消融：神经科学越来越关注预测，越来越多地采用机器学习方法；而机器学习越来越关注因果解释，越来越多地采用神经科学方法。哈佛大学心理学教授、脑、思维与机器中心联合主任Samuel J. Gershman就此邀请八位专家探讨：这种交换带来的究竟是进步还是陷阱？

核心争议：预测 vs. 解释

Gershman指出，预测与解释之间的张力是哲学、统计学和社会科学中反复出现的主题。一个核心问题是：能否用预测完全取代解释？虽然像Brain-Score这样的平台和神经基础模型推动了预测，但仅靠预测无法替代解释，因为解释能提供“不变预测”——即在剔除虚假相关后仍能保持的预测关系。然而，不变预测本身并不能揭示因果机制，这需要对系统组件进行测量和操作。

机器学习的“神经科学化”：解释的陷阱

机器学习领域兴起的“机制可解释性”研究，试图识别人工神经网络中的“电路”机制。这直接借用了神经科学的方法：分析单神经元和群体调谐、刺激/消融实验等。但Gershman警示，这可能会陷入“复杂性壁垒”：在最坏情况下，要全面理解一个电路，所需的干预次数会随神经元数量呈指数增长。此外，神经科学工具还可能产生“定位幻觉”和“可解释性幻觉”——即错误的将子网络与特定功能绑定，或低维表示在训练数据上有效，但在新数据分布上失效。

神经科学的“机器学习化”：预测的局限

以Brain-Score和神经基础模型为代表，神经科学正演变为一门预测学科。但宾夕法尼亚大学计算神经科学家Konrad Kording指出，好的预测往往恰恰是因果推断困难的条件——变量间的强相关性使因果推断变得病态。DeepMind研究科学家Kimberly Stachenfeld也提醒，如果只用黑箱模型预测，我们得到的只是第二个黑箱模型，对理解毫无增进。

乐观的声音：约束、进化和多层次解释

也有专家持更乐观的态度。加州大学圣迭戈分校神经科学教授Bradley Voytek指出，我们在解释受强约束的系统（如早期感觉系统）和由进化塑造的系统上取得了成功。进化并非随机，神经系统必须通过基因程序生长，受到组织生物物理、局部性、稀疏性和细胞类型等多重约束。这种复杂性或许不必像解戈耳狄俄斯之结那样一刀斩断，而可以像剥洋葱般层层揭开。

伦敦大学学院计算神经科学博士后Grace Lindsay则提出，解释的价值在于泛化。因果机制解释之所以宝贵，不是因为它将系统拆解成部分，而是因为它能在新条件下（跨干预、分布转移和任务）进行预测。如果解释的价值在于泛化，那么预测和解释就并非对立：解释正是让预测能泛化的东西。

实用主义的路径：理解比黑箱更重要

牛津大学实验心理学教授Christopher Summerfield认为，无论是预测还是因果机制，都不能保证真正的理解——因为“理解”本身是主观的。即便成功识别因果机制，如果人类无法理解其结构，或对干预如何生效的解释有误，我们仍然只是多了一个黑箱。

纽约大学神经科学助理教授Wei Ji Ma指出，预测模型失败可以证伪假设，但成功并不等于理解。关键在于，我们需要设计能够打破这些预测模型的严格测试。麻省理工学院大脑与认知科学系助理教授Ila Fiete则强调，未来需要将可解释性方法与明确的机制分析相结合，而不是把对齐或预测作为终点。研究应该追问模型内部的电路、转换和学习结构如何与特定的认知功能相关。

结语

这场对话揭示，神经科学与机器学习的交融并非简单的工具交换。预测无法完全替代解释，而可解释性在复杂系统中可能同样棘手。但两者的持续对话仍有巨大价值——至少它能揭示我们工具的局限和假设的脆弱。或许，最根本的出路并非在预测与解释之间二选一，而是识别出能在相关科学领域泛化的描述层次，并设计足够强的测试来验证它。正是在这一点上，神经科学与机器学习的相互作用最有价值。