Shownotes Transcript
本期内容 人的架构是如何实现智能的？计算神经科学运用数学模型、理论分析和大脑抽象，试图解答的就是这个问题。以计算理论为工具，我们揭示而非简化人脑神经结构之“湿”与复杂性。 我们强烈推荐你使用泛用型播客客户端（iOS苹果自带播客、Pocket Casts、Overcast、Castro或安卓AntennaPod）收听我们的节目。这是第一时间听到我们的节目并得到每期完整背景资料的唯一方法。搜索「神经漫游」，你也可以在国内各大音频平台找到我们。 本期纲要 04:30 计算和神经，谁为谁服务？ 11:05 计算神经科学 vs. 计算认知科学研究人这种架构 14:40 行为实验能帮助我们确定因果关系吗？ 20:09 最后“抠得只剩肉色的部分了”的行为实验 25:09 对照物理的发展，还处在经典力学阶段的神经科学 29:10 就 David Marr 3 层展开：当我们说自上而下和自下而上时，上和下是什么？ 39:20 从哪一层开始研究取决于你相信哪一层；连接组从底层开始 43:43 对连接组的反驳的反驳 46:05 一个类比：拆开手机从晶体管开始能弄懂手机的运作吗？ 49:40 人的目的是什么：活下来？ 53:34 进化论，对抗生成网络［生成对抗网络］与机器学习的三种学习范式 01:04:19 大型劝学计算神经科学：1）男女失衡？2）计算机才是风口？3）谁有前途 4）对数学感兴趣最好？ 延伸阅读 David Marr 的三个层次：Implementation - Algorithm - Computation / 顾金涛（老猫）提到 / 因不可知的原因部分参考资料显示不全，请移步官网或推文，谢谢呀。
- 老猫一件私货：科研界的性别偏差。（下次也邀请做计算的师姐来聊一期。） 见 https://www.nature.com/news/women-need-to-be-seen-and-heard-at-conferences-1.20825
/ 李想提到 / - 行为实验：目标为收集人/实验动物行为反应的实验 - Sparsity（稀疏度）：指在神经网络（当然也可以是跟一般的网络）中，神经元（更一般而言 不同单元）间的连接保持相对低的数量（例如相对于全连接） - Tom Griffiths 一篇论文，大意是通过在 Marr 的三层中的 computational level 上加限制，并反解出对应的最优决策，有助于理解/发现人在相应环境下的行为 见 https://onlinelibrary.wiley.com/doi/pdf/10.1111/tops.12142 / 杨闰哲提到 /
- Hebbian & Correlation Game - 赫布法则 Hebbian rule可见第一期延伸阅读
- （来自闰哲）Runzhe & Kyle & Sebastian 最新的论文: https://www.cs.princeton.edu/~runzhey/demo/asilomar2019.pdf
- 53:34 提到的机器学习3种学习方法：监督学习（Supervised Learning），强化学习（Reinforcement Learning），非监督学习/无监督学习；以及尚未有百科的自监督学习
- 社会学家 Charles Tilly 著作《为什么？》（Why）
- Sebastian Seung vs. Tony Movshon 就“大脑”“大脑地图”“神经科学的未来”的论战, https://blog.eyewire.org/brain-brawl-sebastian-seung-vs-tony-movshon-at-columbia-university
- Gorilla是一个在线的行为学实验平台 /计算机白痴汉那 没贡献/ 本期人物 李想：**纽约大学心理系二年级博士生，对计算认知/神经科学感兴趣，目前手上的项目主要是前者。曾经的兴趣之一是跟老猫一起做饭，现在的兴趣之一是回忆跟老猫一起做饭的日子。 顾金涛（老猫）：**本科生物，现在在上海纽约大学跟着 Sukbin Lim 用数学模型研究记忆和神经可塑性，还在找课题。 杨闰哲：**普林斯顿大学计算机系与神经科学研究所在读博士，本科毕业于交大ACM班，研究兴趣主要包括人工智能与计算神经。个人主页：https://runzhe-yang.science 汉那：**UCSD 认知科学本科在读。心灵哲学；语言认知；科技人文；后人类。写字，摄影，嗜咖啡。游荡者。书呆子。野心家。 剪辑/**北方 后期/**小葵花