比较分析是生物学中最基本的研究策略之一。达尔文正是通过比较不同物种，提出它们的差异反映了随时间推移的适应性修饰，从而奠定了进化论。如今，这一推理方式已深深融入我们的思维，许多研究领域都建立在比较原则之上。

比较分析不仅仅是简单的收集和分类——它帮助生物学家建立机制性理解。例如，20世纪60年代，科学家发现肾髓质（肾脏内部区域）厚度与物种产生浓缩尿液的能力之间存在紧密相关性。这些跨沙漠和非沙漠哺乳动物的比较，成为确认和完善现代肾脏功能理解中逆流倍增机制的关键线索。

作为神经科学家，我们能从这些例子中学到什么？在许多方面，比较分析已经深刻影响着我们的工作。神经解剖学图谱帮助我们识别跨物种的同源脑结构。与上述肾脏例子类似，我们甚至可以绘制一些相关性，例如海马体大小与物种空间导航能力的相关性。

如今，人们对大规模共记录神经元群体之间新型比较分析的需求迅速增长。例如，如果我们记录两只动物同一脑区的神经活动，如何判断这些神经反应是相同还是不同？虽然这种比较在小型无脊椎动物神经回路中早已可行，但在哺乳动物皮层系统中的尝试历来面临重大技术障碍——最显著的是，无法在单个动物中记录足够多的神经元以获得进行适当比较所需的统计效力。随着记录技术变得更便宜、更小型化和标准化，该领域正在逐步克服这些障碍。

此外，现代人工智能的出现为这一比较增添了全新的系统类型。这些计算机模拟模型与生物系统有一些粗略的相似之处，例如计算在大量简单单元组成的群体中的分布式特性。但相似点远少于差异点，例如基于脉冲与模拟通信方式的区别。这自然引发了一个问题：尽管实现层面存在差异，生物和人工网络是否遵循相似的算法或计算原则？因此，我们看到了一些高调的比较研究，如Brain-Score基准测试和Algonauts项目。

简而言之，我们现在拥有从多种哺乳动物皮层系统记录数据的技术能力，也能制造、观察和操纵强大的计算机模拟模型。但我们仍在努力解决如何通过比较原则将这些不同数据集联系起来的问题。我们仍在寻找更深层次问题的答案，例如：两个神经系统"相似"意味着什么？如何严格量化这种"相似性"？此外，如何将"相似性"的度量转化为更好的机制性理解？

事实上，计算文献中充斥着大量竞争性方法，用于量化神经群体编码的某种相似性。一类方法通过几何视角构建问题，询问两个系统是否以相同形状排列其响应。这包括表征相似性分析（RSA）框架，以及已成为机器学习研究社区事实标准的线性中心核对齐（CKA）。其他方法则偏好预测，通过一个系统的活动能在多大程度上预测另一个系统的活动来衡量相似性。这种观点在Brain-Score等倡议中很普遍，它们使用正则化线性回归性能作为相似性度量。一些方法，如Procrustes形状距离，则结合了几何相似性和预测的元素。

以上总结远非完整——最近一篇文献综述记录了超过30种正在使用的方法。这种方法的多样性为我们提供了丰富的选择，但也带来了严重问题。许多神经科学实践者——即使是具有计算和数学背景的人——也没有时间仔细梳理这些复杂文献并理解其细微差别。怀疑者甚至可能觉得我们把问题过度复杂化了。