随着神经科学领域的快速变化，特别是新的人工智能工具的出现，培训项目如何才能最好地满足学生和领域的需要？我们对读者和撰稿人进行了调查，并对全球领先神经科学项目的高级科学家进行了访谈。
核心观点：技能与思维的双重变革
受访者普遍认为，未来的神经科学家需要更强的数学、统计学、计算机科学和机器学习基础。同时，研究者担心学生过度专注于生成数据和应用AI，而非深思熟虑地分析结果。因此，重新强调批判性思维和实验设计将至关重要。
关于量化技能培训
“我们没有教授足够的量化计算技能。我在大学里、在合作者中、在暑期学校教学时都深切感受到这一点。这就是为什么我做YouTube视频，试图为那些想要更多计算但课程中找不到的学生提供培训资源。有很大一部分人到了博士后或研究生阶段还不会编程或建模——你不一定要精通，但你需要能够与合作者交流。”
——Bing Wen Brunton，华盛顿大学生物学教授
“学生们需要成为开普勒！他们需要学习如何设计机制性的、定量的假设来解释复杂数据。没有人教他们如何做到这一点。几乎所有神经科学分支的实验室都被数据淹没。最多10%的数据被用于发表论文，这是一个巨大的浪费。这是因为典型的生物学学生和教师不知道如何理解海量的复杂数据。临时的解决方案包括使用进行SVD、PCA、ICA、NMF、UMAP等的黑箱软件包。但学生们不知道这些软件包的局限性、潜在的人为伪影，或者结果能/不能告诉我们什么。结果是许多发表论文包含有缺陷的推论。解决方案是培训学生线性代数、几何、拓扑和数值技术等基础知识，使他们能够针对手头的问题设计新的分析工具，而不仅仅是使用软件包。这不仅会避免有缺陷的推论并利用海量数据，而且会产生关于大脑如何施展其魔力的定性新见解。”
——Mayank Mehta，加州大学洛杉矶分校物理学、天文学、神经学和神经生物学教授
“我们需要找到正确的方式来利用AI。项目和实验室需要适应。这将带来巨大的变化。”
——Drew Robson，马克斯·普朗克生物控制论研究所研究组组长
“数据科学将越来越重要。无论你做的是精确神经科学还是系统神经科学，大多数情况下，你必须成为一个数据科学家，因为我们正处于海量数据的阶段。我们确实需要让我们的学员具备数据科学技能，能够使他们收集的数据有意义。在机构或大学层面支持科学计算，实际上是让我们的学员具备这种技能所必需的。”
——Lin Tian，马克斯·普朗克佛罗里达神经科学研究所科学主任
“我们需要培养一代能够在计算框架内思考，同时理解当前大脑知识基础及存在差距的神经科学家。当前一代往往要么缺乏计算专业知识，要么缺乏神经科学基础，反映了工程学与神经科学培训背景的割裂性质。”
——Shahab Bakhtiari，蒙特利尔大学心理学助理教授
关于科学方法、批判性思维与独立性
“我们需要改变我们的方式。随着AI和其他技术的发展，学生在实验室中接受的培训与以往不同。我注意到一个趋势，学生在独立解决问题和独自接受挑战方面更加困难。你需要尝试和失败，很多次，来学习、建立直觉，并最终找到新的解决方案和发现新想法。不幸的是，许多新生成长在一个答案可以通过谷歌和现在的ChatGPT轻易获取的世界。当面对还没有‘可谷歌答案’的问题时，有些人不知道该怎么办。他们不想尝试，害怕失败。他们把失败的实验视为浪费精力——或者更糟，视为个人失败——而不是宝贵的教训或重要的数据点。我们需要独立探索。”
——Martijn Cloos，昆士兰大学生物工程副教授
“我注意到一个令人惊讶的现象：对学生甚至博士后的‘科学’部分培训缺乏关注。神经科学是一个多样化的研究领域，我所观察到的课程在向学生展示这种多样性、提供资源让学生深入特定兴趣领域方面做得很好。然而，这种神经科学知识并没有与如何应用这些知识回答新问题的智慧相平衡。学生们急于收集数据，而不停下来考虑实验设计，更不用说先产生可检验的假设。也许这是发表或灭亡的焦虑以及生成大规模、可挖掘数据的方法的结合，导致了这种对科学方法的轻视，将科学家从假设生成者转变为数据生成者。然而，当我们进入这个数据丰富的新时代时，钟摆将需要摆回来。”
——Kyle Jenks，麻省理工学院皮考尔学习与记忆研究所研究科学家
“在专业化（真正理解和应用领域先进技术所需）与避免只见树木不见森林之间存在着张力。这总是非常非常困难。在理想的世界里，一方面你有实验室培训，涉及使用所有这些专业技术；另一方面，你的课程让你了解大局：你为什么做你所做的事情？你想理解什么？总体目标是什么？我认为最好的神经科学培训项目正在这样做。在那里，你在课堂上学到的几乎是哲学性的，而在实验室学到的是工具。我认为目前这是我所能设想的最佳模式。真正重要的是帮助人们理解神经科学是关于问题本身，而不是关于方法。”
——Jan Wessel，爱荷华大学心理与脑科学教授
关于多元化与公平性
“目前，博士项目要求的是它们本应教授的经验。硕士项目虽然有帮助，但由于成本问题而不公平。博士后研究职位已成为进入博士项目的主要途径，即使是对高素质、有经验的本科生来说也是如此。这些机会的减少将减少有资格进入这些博士项目的中产阶级和经济上处于劣势的研究人员数量，尤其是在美国。”
——Zachary Fournier，芝加哥大学研究分析师
“当你只能接受前5%的人时会发生什么？我们接受已经做了四年技术员、发表了三篇论文的人。如果你刚从研究生院毕业，是一个有前途的人，但没有所有这些机会，你就没有机会进入我们这样的项目，这最终对领域不利。我认为这也使事情变得更加保守。”
——Gregory W. Schwartz，西北大学范伯格医学院眼科学、神经科学和神经生物学教授
“在过去10年里，对多样性和包容性的重视实际上创造了这些对领域非常有益的社区。它带来了新的人才，那些可能通常不考虑这些职业的人。我担心这一切都会消失，我们不仅会失去所有这些势头，还会失去一整代年轻科学家，他们因为资金问题或因为缺乏这些已建立的社区而认为这个职业没有前途。”
——Jason Shepherd，犹他大学神经生物学教授
关于资金环境的影响
“压力很大，即使是在一个成功、资金充足的实验室。你不知道一两年内会发生什么。这将影响我们的指导能力，影响我们让很多人获得机会的能力。只有最有动力的才会得到支持。”
——Luana Colloca，马里兰大学护理学院教授
“我们隶属于霍普金斯大学。今年研究生项目的招生减少了一半——由于不确定性，招生人数减少了一半以上。到处都一样。那些没有超额招生的地方也不得不撤销录取通知。所以，据我所知，在培训未来科学家方面，我们已经受到了很大的打击。”
——Joshua Dudman，霍华德·休斯医学研究所珍利亚研究园区高级组长
“资金可能会缩减。R01资助续期将不那么常见。维持原状是不够的。想办法优雅地缩减。更少的教职员工。更少的博士后和学生。最大化利用AI。向公众传达我们所做的工作以及它对他们为什么重要。”
——Tim Harris，霍华德·休斯医学研究所珍利亚研究园区高级研究员
“年轻研究者的职业前景在未来几年可能会非常困难，至少在美国是这样。因此，他们需要接受广泛的培训，并被鼓励发展可转移的技能，使他们能够从事替代职业。那些非常有才华、完全致力于研究并且非常容忍风险和不确定性的人应该继续做他们正在做的事情。其他所有人都应该考虑他们的B计划。”
——Charles Jennings，哈佛医学院BWH跨学科神经科学项目和罗姆尼神经疾病中心执行主任
“我认为（美国的资金和政策变化）最终将导致人才流失。这已经开始了。现在更难吸引来自中国或欧洲的外国研究人员到美国做博士后。我认为一些在美国的资深研究人员最终会举手说，‘我可能在英国或欧洲或新加坡有机会’，如果他们真的想继续做高水平研究，特别是那些新政府认为有争议的主题，他们将不得不离开。”
——Steven Proulx，伯尔尼大学研究组组长
结语
未来神经科学培训需要应对多重挑战：加强量化计算技能培训，同时保持对科学方法和批判性思维的重视；在专业化和全局视野之间找到平衡；应对日益激烈的竞争和可能缩小的资金环境；确保来自不同背景的学生仍能获得机会。正如许多受访者所言，真正的挑战在于如何培养既能使用先进工具，又能独立思考、提出有意义的科学问题的下一代神经科学家。
(责任编辑：泉水) |