近二十年前，哥伦比亚大学的拉里·阿博特（Larry Abbott）在《神经元》（Neuron）杂志上发表了一篇题为“理论神经科学的崛起”（“Theoretical neuroscience rising”）的评论文章，为理论神经科学这一新兴领域奠定了原则和基础。其中一个核心思想是，严谨的模型——以方程而非文字表达——能够以实验项目无法比拟的速度被构建、探索并常常被证伪。阿博特认为，方程“迫使模型变得精确、完整且自洽”，这种精确性与速度相结合，形成了一种智力过滤器，在昂贵的实验开始之前筛选出各种可能性。阿博特描绘了一幅理论建模者快速循环进行模型探索和证伪的图景。

然而在实际操作中，这一愿景并未完全实现。将文字模型转化为方程，再将方程转化为代码，以及将模型与数据整合，这些都属于工程工作，在科学叙事中往往是隐形的。这些“工程成本”构成了瓶颈，限制了哪些模型能被探索、采纳和发表，最终扼杀了理论探索的速度——而这正是阿博特所指出的理论核心优势。

如今，智能编码框架（Agentic coding frameworks）——即通过自然语言交互编写、调试和整合代码的系统——正在迅速改变这一局面。它们并非取代人类在构思模型和权衡其优劣方面的工作，而是消除了迄今为止限制我们充分探索理论、测试模型以及快速证伪模型的工程障碍。现在，一位理论神经科学家可以通过对话来指定一个模型——勾勒出假设、描述数据、概述推理过程——并在数天而非数月内获得可运行的代码。这正是该领域所期盼的。

那么，智能编码框架将如何重塑理论和计算神经科学的格局？本文将概述四个主要方向，这些方向预示着该领域将迎来结构性变革。为了更全面地了解这一变化，我们还采访了六位神经科学家，听取了他们的看法。

首先，理论研究人员终于能够以阿博特所设想的速度加速他们的探索性工作。阿博特曾提出，理论家可以比实验人员更快地“构建、探索并常常证伪模型”。但这一优势总是受到将文字模型转化为方程、再将方程转化为代码所需时间的制约。在过去，许多萌芽中的想法可能仅仅停留在笔记本上的草稿，因为实施成本与潜在回报（考虑到大多数想法都是死胡同）相比并不划算。这种摩擦也促使研究人员倾向于构建可以快速分析和编码的简单模型。他们不太可能开发和探索需要更多工程开销的复杂模型。有时这种简单性提供了更深刻的见解，但有时它也未能捕捉到关键的生物学真实性。在智能编码框架时代，理论家可以勾勒出一个大胆的新理论构想——例如，一个修改过的循环神经网络、一种新颖的学习规则或一种不同的群体编码方案——并迅速将其实现，在合成数据上进行测试并加以完善。理论前沿将显著扩展，使得从萌芽到成熟的更多、更复杂的模型探索成为可能。许多想法将会失败，而这恰恰是好事。阿博特关于快速探索和证伪模型的愿景，终于得以实现。

其次，也是最令人意想不到的是，智能系统能够自主发现。由大型语言模型（LLMs）引导的进化算法，例如谷歌的AlphaEvolve，能够以人类直觉可能无法自然触及的方式探索模型空间，其规模甚至是最勤奋的研究生也无法企及。我们可能不会想到去尝试，或者没有无限的带宽去穷尽地尝试特定非线性组合，或者神经群体之间的特定耦合，即使这些组合的前体已经存在。通过纯粹的暴力计算，AI系统可以探索这些组合，创建数百万个潜在模型，其中既包括已建立的经典思想，也包括尚未探索的新方向。

历史为我们提供了快速、技术驱动的科学发现潜在陷阱的启示：例如，19世纪60年代光谱仪的出现，引发了一波新的假想化学元素浪潮，其中既有氦等真实发现，也有冠状元素（coronium）等虚构元素——后者源于真实的观测，但耗费了数十年的物理和化学理论工作才得以澄清。对于AI引导的搜索，一些发现将具有科学意义；另一些则可能是搜索过程的产物。我们将不得不发展新的技能来理解我们没有直接构建的模型，并继续依赖和发展基于第一性原理的模型，以区分“氦”与“冠状元素”。

第三，智能编码框架使得更复杂的数学模型成为可能。计算神经科学中一些最受赞誉且数学上最严谨的模型，例如统计物理学中的平均场理论，采用了需要多年专注训练才能掌握的高级技术。随着我们进入一个“直觉验证”（vibe proving）时代，基于方程、AI辅助的理论工作前景正在改变。一个能够同时操作符号数学和可执行代码的系统，通过支持那些非常熟悉计算机终端但不太擅长黑板推导的研究人员，为数学上复杂的模型开辟了新的研究方向。

值得承认的是，理论可能性的这种加速和扩展伴随着真实的风险，特别是对于受训者而言。对于理论家来说，将一个想法转化为方程再转化为代码的挣扎不仅仅是摩擦；它是一种纪律性思维的体现。当理论家一点一滴地构建模型时，他们会与模型建立起一种亲密的关系，这种关系迫使他们深入理解模型。缓慢而艰苦的构建过程，正是建模者发现自己推理中漏洞、模糊直觉与现实碰撞的方式。如果自动化消除了这种挣扎，我们就有可能创造一个理论家永远无法对其自身模型产生深刻理解的世界。对于受训者来说，这尤其危险。导师们肩负着重大的责任，需要决定哪些挣扎值得保留，以保护学习发生的条件。

然而，还存在一个更深层次的风险。正是这种挣扎，常常能激发真正的理论洞察力。那些夜晚盯着无法解释的模型行为的时刻，正是理论家们做出概念性飞跃并带来真正发现的时刻。如果我们失去了这种挣扎，我们可能不仅失去理解，还会失去灵感本身。该领域可能变得多产但肤浅，生成模型的速度快于产生洞察力的速度。正如蒂姆·雷夸斯（Tim Requarth）最近在谈到AI辅助写作时所说：“如果阐明一个想法的挣扎是理解它的一部分，那么绕过这种挣扎的工具可能会损害……对实际发现最重要的那种思维。”

智能编码框架帮助我们实现了阿博特的愿景：自由地快速探索和证伪想法，消除阻碍模型采纳的技术障碍，以及让更多研究人员能够探索复杂且数学严谨的模型。在我们驾驭这个时代时，一个重要的指引是记住大多数想法都应该失败，为了培养和保持这种判断力，我们可能需要定期远离AI，回归我们自身经过时间考验的心智资源。