“大脑是如何工作的？大脑不同区域的神经回路如何执行生物体在世界中活动所需的操作？”这些正是计算神经科学领域致力于解答的核心问题。在本次访谈中，我们与牛津大学计算神经科学教授、伦敦大学学院塞恩斯伯里-韦尔科姆神经回路与行为中心小组负责人蒂莫西·贝伦斯（Timothy Behrens）进行了深入交流，探讨了该领域的目标、方法、其作为大脑与心智之间桥梁的定位，以及在多个前沿领域所取得的显著进展。

贝伦斯教授多年来一直是该领域的领军人物，尤其对认知地图（cognitive maps）抱有浓厚兴趣。此前，他在Bluesky社交媒体上发布了一系列帖子，列举了计算神经科学已取得实质性进展的一些系统，包括果蝇中央复合体中追踪头部方向的环形吸引子（ring attractor）、啮齿动物用于路径整合（path integration）的网格细胞回路（grid cell circuit）以及斑马鱼的鸣唱学习回路（song learning circuit）等。正是这些引人注目的案例促使我们与他进行对话，以了解他列出这份清单的初衷及其衡量成功的标准。

在我们的对话中，贝伦斯教授指出，这些特定系统之所以能取得进展，主要归因于两个关键因素。首先，这些系统在相对低维的空间中运行——它们需要解决的问题本身并不那么复杂（至少在孤立来看是如此）。其次，由于这些回路所执行的生态任务非常基础且至关重要，演化可能已将解决方案“硬编码”到其回路设计之中。

贝伦斯教授和我都认为，大脑中此类“硬编码”的部分可能比大多数人想象的要多。当前对学习规则和算法的普遍关注，以及大型语言模型（LLMs）的成功，可能会让人误以为“学习就是一切”。然而，这种观点却模糊了大脑回路在局部架构上的高度多样性，以及其高度特化细胞以刻板方式连接的事实。在脑部演化过程中，“硬件”与“软件”是协同演化的，它们无法像数字计算机那样被割裂开来。

正如贝伦斯教授所指出的，即使是灵活、习得的行为，也受益于某些先天的表征，或者至少是一个具有先天结构的表征空间（innately structured representational space）。他阐述了这种结构化的回路如何将物理空间、目标进展等信息结合起来，从而构建复杂任务的表征。这种结构很可能反映了布线效率的核心原则：由于神经元倾向于与其空间上最近的神经元连接，特化的簇群会因学习而产生。但这些簇群的布局在个体之间表现出高度的一致性，这强烈暗示它们是由神经回路的某种先天结构所支撑的。令人惊奇的是，这类地图不仅存在于视觉物体类别等具体事物中，也存在于更为抽象的语义概念中。

贝伦斯教授的研究深入探讨了海马体地图的工作机制及其与皮层的相互作用。越来越多的证据表明，海马体除了简单的记忆和空间映射功能外，还扮演着更为抽象的角色。在贝伦斯教授看来，这可以解释该结构在追踪空间运动、事件序列、任务进展以及许多其他认知参数方面的多样化功能。我们还探讨了时间振荡（temporal oscillations）在塑造海马体与皮层之间通信中的关键但仍神秘的作用。

最后，我们讨论了当前推动计算神经科学发展的一些激动人心的技术进步。其中之一是动物实验能力的显著提升，例如利用光遗传全息术（optogenetic holography）等技术，能够推导出复杂认知任务背后的详细机制。贝伦斯教授乐观地认为，这些方法将有助于实现计算神经科学的使命：阐明动物如何学习世界，这些知识如何被结构化，以及这些结构如何促成认知过程的发生。