主题：266-June Barrow-Green：怎样科学地打炮 -- 万年看客

https://www.youtube.com/watch?v=seEr0wwLu_I

今天讲座的主题是“思考自身的网络”，主要内容是泛泛的介绍一下我的实验室的三个研究分支，以及这三大分支以怎样有趣的方式相互交织。在此之前我想先问一个非常宽泛的问题，让大家熟悉一下我正在思考的高维空间：知识是什么？通过画面上这些书籍图片，大概可以猜到我心目中的知识是什么，但是当你听到“知识”这个词的时候，你的想法或许和我非常不一样。不过有一点或许贯穿了一切对于“知识”的定义。约翰.杜威在《民主与教育》一书当中非常雄辩地表述过这一点：

“知识就是针对某一学科的各种内在关联的认识，这些关联决定了在面对某个具体情况时应当如何应用这门学科。因此我们可以间接而非直接地应对某个新事件。创新、机智与智慧都可以作为我们应对这些新事件的中介。理想化的完美知识可以提供一张相互关联性的网络，其中任何过往的经验都可以提供居高临下的优势。使人得以凭借这一优势来应对新经验呈现出来的新问题。”

这段话当中有很多论点我都很喜欢，但其中最重要的一点在于杜威直截了当地指出知识由关联性构成，而完美的知识则是由关联性构成的周密网络，以至于人们可以根据这种知识来做出新的决策。我的实验室提出的问题是：我们怎样才能获得这样的知识网络？假如你在闲暇时间手捧一杯咖啡或者啤酒来思考这个问题，你可能会出于直觉地认为人们有两种获取知识网络的方式。第一种是好奇，你对某事产生了好奇，于是寻找到某项信息，并将这项信息添加进你的现有网络。用杜威的话来说：

“好奇心并不是出于偶然的、孤立的品质。事实上，人的经验是不断运动、不断改变的事物，包括了与其他事物的各种联系。而好奇心正是这一事实的必然结果。所谓好奇心就是揭示上述条件的倾向。”

但是好奇心或者说自我驱动的寻求信息的行为未必就是我们获取知识网络的唯一方式。还有另外一种方式，也就是例证。为了说明这一点，我这里姑且举个例子。下面这段话选取自罗伯特.麦克法兰（Robert MacFarlane）的著作《地标》（Landmarks）。书中提到了他的一位导师罗杰.迪肯（Roger Deakin），此人是一位英国作家以及记录片制作人。专精领域是英国的水路。有一次麦克法兰邀请导师来到剑桥大学，向教职员工发表讲座，希望导师能向自己的同事们展现一下自己为什么什么如此看重他这个人。不幸的是，讲座的效果并不很好。麦克法兰这样描述听导师做讲座时的感受：

“我两眼直勾勾地盯着我自己的鞋子，心里感到万分尴尬，因为我的朋友没能在我的学术同侪面前展露风采。直到后来我才意识到，他并非表现欠佳，而是拒绝循规蹈矩。剑桥讲座一贯要求演讲人风格严谨，逻辑缜密，要举重若轻地在举例与说理之间来回切换，要用经过验证的证据来支持因果关系。但是水——也就是罗杰的主题——与严谨毫无关系，而罗杰本人也与严谨二字不沾边。尽管他的文笔总是恢宏精准，宛如诗歌。对于罗杰来说，水迅捷而又无拘无束地从文化当中流过，水千变万化，千形万状。因此他这篇关于水的讲座也同样奔涌不羁，既东泼西洒又井井有条，从这个观点流向下一个理念，一路追寻着水的影响。他的节奏如此之快，以至于他自己的笔记与观众都跟不上他的涌动……观众们很难与他一道通过运河与水渠共同构成的无形网络来思考这些像水一样难以捉摸的主题。”

上面这段话暗示我们，罗杰讲座的实际结构——或者说思路流动的结构——实际上反映了他想要描述的讲座内容，也就是英国水网的拓扑结构特征。他讲解这一课题的方式正如水流淌过英国大地的方式那样毫无定式可言。换句话说，演讲人以身作则地展现了演讲内容在他自己头脑内部的组织结构。如果我们从广义上将一切讲座都视作穿越一套知识网络的过程，那么讲座结构肯定会因为讲座内容的不同而有所不同。关于英国水网的讲座或许毫无定型，充满了曲折迂回的弯路；关于线性代数的讲座相比之下或许要更加齐整一些；关于历史的角度或许更倾向线性结构，因为研究历史是一个沿着时间线一路向前的过程，在这一过程中我们必须解释为什么先前发生的事件能够引导之后发生的事件。这样一来就有了一个问题：是否存在穿越内容网络的最佳方式？无论这里涉及的内容网络是一场讲座、一本书、一篇论文还是在座各位昨天、今天或者明天撰写的研究经费申请？

上面这个问题听上去或许有些抽象，那我再说得实在一点。我们来思考一个具体问题。想象一下我要为一群大学生授课，课件内容包括15个知识点，而且这15个知识点之间亲疏有别，每5个相互关系较为紧密的知识点构成一组，且三组知识点同样相互关联。尽管这15个知识点构成了网状结构，但我却只能以线性结构加以表达，因为上课时间是一维且单向的。问题在于怎样将存在于高维当中的知识点网络结构投射到一维时间当中，才能让听众得以最大化地重建这套网络。说得再实在一点，我们姑且想象这套知识点网络就是授课老师的大脑。你想传达这套知识点的整体结构，但是你存在于一维时间当中，每次只能传达一个知识点。无论授课、写作还是任何我们常用的交流方式，我们的目标都是让听众或者读者能够尽量重建这套知识点网络。那么有趣的问题就来了：传达这套网络的好办法究竟是什么？最好的方法要么尽量降低接收者在重建网络时可能会犯的错误，要么尽量加强接收者对于原本网络的拓扑结构的正确认知。

我们不妨设计一个行为试验来检测这样的学习、重建与映射过程。我们将全部知识点的结构视为一个网络，每一个知识点是一个节点，节点之间的联系是边。每一个节点都是特定的刺激源。所谓的刺激源可以是一个词，一幅影像或者一个动作。每一道边都指向了两个节点之间可容许的过渡——换句话说，讲完了9号知识点我可以接着讲10号知识点，但是不可以接着讲4号知识点，因为9号与4号之间没有直接边。然后我要在这张知识点网络图上随意行走，构建一套刺激源序列。一路上我只能沿着确实存在的边前进，不会遍历任何并不存在的边。为了理解人们如何通过这套序列来领会网络结构，我会向他们提出一系列任务，这些任务只有通过某一个或者某一组刺激源才得以完成。通过他们对任务作出反应并且完成任务的时间，我们可以衡量他们在多大程度上掌握了这张图的结构。

我简要介绍一下如何在实验室里针对人类进行这个实验。受试者将一只手放在电脑键盘上，五根手指分别按住H、J、K、L和空格键。这五个键对应了图当中同一组的1至5号刺激源。我们给受试者下达一系列指令，例如“按下5号键，同时按下1号、3号键”，“同时按下3号、4号键”，“按下5号键”，“按下2号键”。这一系列指令基于在图上的一套任意行走。图上的每一个节点都代表着一个动作。画面上是受试者在执行这项基于概率的序列动作任务时的表现情况。一般来说，假如两个节点属于同一个聚类，受试者的反应时间会比较短，假如两个节点分属不同的聚类，受试者的反应时间就会明显放慢。

这一点乍看上去并不能令人感到意外，但其实还是挺令人意外的，因为我们这里使用的图是是K4正则图，换句话说这张图中的每个节点都正好有四条边。靠近相邻聚类的节点有三条边指向聚类之内，一条边指向聚类之外；聚类内部的其他节点的四条边全都指向聚类之内。由此可见，假如我在无穷的时间内遍历这张图，那么图里的每一条边被通过的次数应当相等。从任何一个节点出发通过四条边中任意一条的概率都是25%。就常理而言，如果人们完全按照这一预测的概率来行动，他们在执行跨越聚类的动作时的反应时间就不该更慢。换句话说，受试者对于图的认知并非基于每一个节点的局部连接，而是基于图的整体结构，即由三个互不相同的聚类相互连通组成的大结构。

既然聚类之内的动作反应时间较快，跨聚类的动作反应时间较慢，那么假如我们维持动作序列指令不变，但是将代表动作的节点安排成结构不同的图结构，那又会怎么样？有没有可能某些图结构比另一些结构更易于习得？所谓易于习得，就是让受试者表现出更短的反应时间。于是我们比较了模块结构图与格栅结构图。平均来说，模块结构图对应的反应时间要远远少于格栅式图。哪怕刺激源或者说每个节点对应的动作指令完全相同。换句话说，图的拓扑结构或许确实会显著影响图的习得难易度。

你可能会想——至少我肯定这么想——人的思维究竟有什么特别之处，以至于我们会观察到跨越聚类边界时的反应速度放慢现象，尽管从一个节点出发越过各条边的概率一致？我们的假说认为，人们通过记住刚才发生的事情构建了一套关于网络结构的预期，以及对于接下来更有可能发生的转移行为的预期。说得更具体一点。假设一名受试者总共接受了t次刺激并且进行了t次转移行为，在第t次时接受的刺激是Xt，那么为了让他构建对于第t+1次转移行为Xt+1的预期，他必须记得两件事：首先，眼下正在发生什么？其次，刚才总共发生了什么？我们还可以假设受试者回忆起若干步骤之前某一个动作的概率。换句话说，假设受试者并不具备完美的记忆或者记忆临时受到干扰，那么他们大概并不能准确记得两步、三步或者四步之前自己究竟从几号节点出发转移到了几号节点……

按照自由能原则，大脑会尽量减少预测错误，同时也会尽量减少进行预测所需的计算资源。大脑必须在两者之间进行取舍，达到平衡。因此我们就有了一个非常简单的波尔兹曼分布结果，其中β代表反温度参数。用白话来说，当β等于0时，受试者记住此前任何一次转移的概率都全然相等，这意味着受试者预期的图结构是一套完全连通的结构，每一个节点都与其他所有节点相连，任意两个节点之间发生转移的概率都完全相等。这种情况相当于受试者根本没有记忆，预测所需的计算资源确实被压到了最低。反过来说，假设β为无穷大，即受试者拥有完美记忆，那么受试者预测的图结构就会与实际的结构分毫不差。但是绝大多数人的记忆都处于两个极端之间，而他们预测的图结构也介乎于完全连通与丝毫不差之间。人们记得之前两三步的概率非常大，但是越往前回溯，记得的概率就越小。实验刚刚开始时的最初几步几乎无法影响到你对于当前步骤的预测。这种情况下β大约等于1。受试者遵循最近刚刚出现过的边来做出预测的预期值很高，基于出现时间间隔较长的移动作出预测的预期值则比较低。这一计算结果与我们实际观察到的受试者反映时间的差异完全一致，这意味着每一位受试者都在头脑当中构建了一套关于实际图结构的预期。或者说他们预测了图中各个节点之间的拓扑距离……

假设受试者的头脑当中确实构成了一套近似于实际图结构的预期，并且根据这套预期来期待接下来自己将会接收到一串怎样排序的刺激源，那么我们就可以通过新的试验来做出进一步的预测。具体来说，我们用另一张图测试了另一组受试者。这次的图是一张环形图，所有节点都安置在一个圆环上。当然我们没有让受试者看到图，他们所接收到的只是基于图上节点结构的刺激序列。我们的问题是：假如我们在刺激序列当中扔进几个违背环形图结构的异常指令，是否会让受试者感到惊讶？如果他们会感到惊讶，那就意味着尽管他们无法准确形容指令序列代表的节点拓扑结构是什么样子，但是心中依然存在大致的估计。我们发出的异常指令按照违背环形图结构的程度分为轻重两类，轻度违背即两个跳距的异常，重度违背则是三四个跳距的异常。比方说从白色节点——也就是出发点——跳到相邻的绿色节点不构成违背，从白色节点跳到相隔一个绿色节点的蓝色节点构成轻度违背，从白色节点到相隔一个绿色节点与一个蓝色节点的红色节点构成重度违背。试验证明，出现违背原图结构的指令时——例如从白色到蓝色——受试者很明显十分惊讶，他们的反应时间明显放慢。而且违背程度越严重反应速度就越慢，从白色节点到红色节点的违背指令会导致最慢的反应时间。实验表明，与无违背指令相比，轻度违背指令会使得受试者的反应时间延长大约40毫秒，而重度违背指令则会延长大约60毫秒。以此可知，尽管受试者接收到的刺激呈线性序列，但是反应时间的差异表明他们能够感知到刺激源的环形拓扑结构。

上述实验得出了若干个需要在接下来的几个月乃至几年解决的问题。首先，当我们运用这些拓扑图学习过程时，我们学习的内容不仅局限于动作，也包括视觉信息。最近我们还在将试验范围进一步扩展到概念与词语。因此有趣的问题在于，当我们运用这些拓扑图学习过程时，我们的知识空间是否会出现缺口？如果会的话，应当怎样应对这些缺口？……另一个问题在于最适合学习的图形结构是什么？刚才我说过，模块图形结构要比格栅式的图形结构更利于学习，但是模块与格栅只是众多图结构当中的两种。我们能否找出最适宜学习的图结构，以此来改进我们在课堂环境里呈现概念的方式？最后，不同的人们是否会更偏好按照不同的图结构进行学习？会不会有某些个人更偏好按照模块图结构呈现的信息，而另一些人仍更偏好不同的信息组织形式？说到具体学习者对于特定图结构的可习得性的依赖，难免让我想到亚历山大蒲柏的诗句：

There's some Peculiar in each leaf and grain,

Some unmark'd fibre, or some varying vein:

Shall only Man be taken in the gross?

Grant but as many sorts of Mind as Moss.

每一片叶，每一粒沙，都有独特之处，

无人注意的质地，互不相同的纹路：

莫非只有人要被视作千篇一律？

像苔藓那般单调的寥寥几种心智？

反过来说，我们不应当将每一个人的心智都视作千篇一律，每一个心智其实都互不相同。真正重要的问题不仅在于这些差异如何影响到每个人的行为，还在于大脑的神经生物学结构如何造成了这些差异。我们过去几年的大部分工作都致力于解答这个问题：大脑的特定结构与大脑偏好的学习方式怎样导致了特定的行为特征？我们尤其感兴趣的是大脑的哪些特征可以支持学习图结构，无论图结构的体现方式是词汇、图像还是动作，以及这些特征的区别能否用来解释不同个体之间学习能力的差别。早在我们的实验室成立之前，我们就提出了下面这个问题：具有怎样结构特征的大脑才最擅长在各种不同的环境下进行适应与学习？从广义进化论与发育生物学层面来说，以及从具体的神经科学层面来说，都有一句司空见惯的主张：模块化结构最能使得某个系统在短期与长期的时间尺度上都获得尽可能大的适应性。这一主张适用于生物形态学，比方说达尔文发现的雀鸟，身体其他部分全都保持不变，发生变化的唯有鸟喙形状，有的变长变尖，有的变粗变短。但是另一方面我们也可以以量化方式来考察人类大脑组织结构是否符合这一理念，运用网络科学的工具来寻找人脑当中可能存在的模块化结构。我们首先提出了两个非常简单的问题。第一，人脑究竟是否遵循模块化结构？第二，模块化结构是否有助于我们理解适应性与学习行为的大尺度特征？

为了回答或者至少开始回答这两个问题，我们首先动用了神经成像技术。我们的工作主要基于fMRI成像，同时也运用了ECoG、EEG与MEG成像。假设我们现在有了一套人脑的神经成像。根据这套影像，我们可以将人脑划分成200到1000个不同的解剖单位，然后我们利用成像技术来衡量大脑各区域的活动性的时间序列。假如大脑的某两个区域出现了相同或者相近的活动模式，那可能意味着这两个区域进行了互动，或者对于同一个外部刺激产生了相关的反应，又或者在受到刺激时进行了相互沟通。对于每一种功能连接性的衡量方式来说，上述三种说法都未必全部成立。在画面上的这张图表当中我们采用了小波相干的衡量方式，将大脑划分成112个区域。按照这种划分方式、并且采取了特定的时间序列衡量标准之后，大脑区域A和区域J的小波相干性格外明显。我们通过这种方式来回答大脑是否具有模块性这个问题。

不仅只有我的实验室，我国以及世界各地的许多其他实验室在过去几年都发现大脑神经网络的组织结构呈现了非常明显的模块性。画面右边是人脑的外侧表面与内侧表面，用彩色标注各个区域。画面左边则是将大脑摊平之后的结构矩阵，大脑区域用圆圈表示，圆圈之间的连线代表这种衡量方式之下水平特别高的功能连接。我们将这个矩阵进行了阈值化处理。实际上矩阵的各个元素都有不为零的值，进行阈值化处理是为了简化视觉效果。但是接下来我要呈现的一切分析采用的都是完全连接的加权图而不是二值化的版本。请注意两张图表当中的颜色相互对应。例如矩阵当中的蓝色圆圈对应的全都是视觉皮层，而且这些皮层大致分布于大脑的同一位置。但是我要指出，也有一些神经网络模块并非由分布于同一位置的大脑区域构成，例如红色圆圈构成的模块所对应的大脑皮层区域就分别分布在后顶皮质、额上回以及中线附近。因此我们并不能主张相邻较近的大脑区域之间就一定存在强大的功能连接。

因此对于我们的第一个问题，答案是肯定的：人脑确实呈现了极强的模块性。接下来是第二个问题：这种模块性是否会影响到某一个具体人脑的适应力与学习能力？人脑的模块化特征如此明显，众多实验室全都在众多人类受试者身上观察到了这一特征，受试者甚至跨越了不同的临床群体与年龄群体。我们的实验室想要研究的是人脑的模块结构是否会作为时间与行为的函数而发生改变。如果大家对于此类研究的计算层面特别感兴趣的话，接下来我详细说一说。我们采用的是多层模块最大化算法，这种算法专门用来应对会随着时间而演化的网络。我们将某一个时间窗口当中的人脑表现成若干个相邻的较小矩阵，然后由这些较小矩阵共同构成更大的多层网络模式。再然后我们采用非常高明的算法来确定这些模块在多层体系当中的位置，以及它们怎样作为时间函数而改变。画面上是经过视觉简化的较小矩阵分布。粉色、黄色与蓝色三个较小矩阵分别代表大脑的三个模块。在试验期间这三个模块大致都保持了结构稳定，但是不同模块之间的互动联系则发生了变化。我要着重请大家注意画面最上方粉色模块的外侧节点，这个节点一开始与粉色模块的联系非常紧密，但是随着时间的推移，这个节点逐渐与黄色模块建立了更加紧密的联系。到试验结束时，这个节点已经失去了一切与粉色模块的直接联系。换句话说，这个节点改变了自己所属的阵营，加入了另一个大脑功能模块。这一点意味着这个节点代表的大脑区域的活动模式在试验进行期间发生了显著的改变。在试验开始时这个区域的反应模式更接近粉色模块当中的其他节点，但是到了实验结束时这个区域的反应模式就更接近黄色模块了。

这种现象在我们进行过的所有学习试验当中发生得非常频繁，在前额皮层与顶叶皮层区域发生的尤其频繁。在过去几年的研究当中，我们频繁观察到了大脑的弹性，尤其是在前额皮层与顶叶皮层区域。这一现象的活跃程度高低可以用来预测人们在视觉动作、学习能力、认知弹性、工作记忆等方面的差异。我们衡量认知弹性的方法是连线测验B卷的分数。通过去年的研究，我们现在还可以基于大脑模块弹性程度的理念来预测某人未来的学习能力。我这里用一张幻灯片来举例子，好让大家直观认识一下这项研究。我们根据早期研究作出预测，假如某人大脑各模块之间的边界较为灵活。那么此人的大脑适应力更强，学习起来也更快。换句话说，假如某人大脑不同模块之间的联系较为紧密，大脑网络结构的动态就较为受限。模块之间关系较为松散的大脑则会在学习能力试验期间展现出更有弹性的动态。

为了验证这一预测，我们首先要确定为时5分钟的——假如你惯于用动物做实验的话——受试者自发行为，假如你惯于用人类做实验的话则要确定受试者的静态扫描结果。然后我们让受试者开始学习，看看是否能通过自发脑行为的记录所反映的大脑模块结构来预测受试者接下来的学习能力。受试者将要学习的是一项离散序列生成任务，通俗点说就是学习一套动作。他们有6周的练习时间。画面上是受试者在开始为期6周的训练之前5分钟留下的大脑扫描图像。我们的预测认为，大脑模块之间联系较为紧密的受试者的学习能力应当较差，大脑模块之间关系较为松散的受试者的学习能力应当较强。

画面右边图表的Y轴标注了6周以来受试者的学习率——所谓学习率就是完成全套动作所需时间的减少程度，以指数方式表达，而x轴则标注了各位受试者的视觉模块与动作模块之间的联系密切程度。就像我们预测的一样，较强的模块间联系确实与较弱的学习能力相关，较弱的联系也确实与较强的学习能力相关。我再强调一遍，对于模块间联系的测量发生在受试者正式开始训练之前。这项研究表明大脑的模块化特性不仅存在于人类身上，而且模块化结构也不仅能在学习过程当中帮助研究人员理解行为，还可以借助同一套理论在一定程度上预测未来的行为。当然，目前的数据还较为分散，还需要进一步研究，但是这方面研究的潜力是显而易见的。

现在我想问的是：大脑弹性能否被我们利用？既然大脑弹性与学习能力相关，与工作记忆表现相关，与认知弹性相关，那么我们能否改变某人的大脑弹性？能否增强某人的大脑弹性？假设某人罹患中风，我们能否在较大尺度上增强此人的大脑弹性，从而促进此人更快康复？显然这些都是难以回答的问题，但是询问这些问题确实令我们非常兴奋。我们目前进行了两项研究来回答大脑弹性是否可以被改变的问题，两项研究的结果如画面所示。左手边的柱状图显示了两组受试者。浅色柱代表的受试者服用了安慰剂，深色柱代表的受试者服用了右美沙芬，这种药物具有服用后令人头脑混沌的副作用，因为它是NMDA受体的拮抗剂，能够改变大脑当中兴奋与抑制机能的平衡。换句话说，服用右美沙芬之后大脑整体系统的弹性会暂时增强。这项研究总共让41位身体健康的受试者服用了右美沙芬。这项研究于2016年在德国曼恩海姆精神卫生中心完成。

右手边的图表是2016年另一项研究的成果。研究人员记录了受试者一天当中不同时段大脑弹性的变化，并且发现大脑弹性与正向情绪具有相关性。一天之内一位受试者的情绪越是积极正面，大脑弹性也就越强。此外疲劳和性欲也会影响大脑弹性。当然，这项研究展现的只是相关性。但是确实有以下这种可能：能够影响情绪、疲劳与性欲的干预因素同时也会因果性地改变大脑弹性。这项研究的数据并不足以支持这项假说，但确实足以驱动我们进一步展开针对可能影响大脑弹性的干涉因素的研究。

但是在我们过度兴奋地将大脑弹性越推越高之前，我必须指出一点：高水平的认知能力表现——尤其是认知弹性、工作记忆以及多种不同任务的学习效率——与大脑弹性的关系实际上呈倒U型曲线。当然这种看法目前还只是我的一家之见。目前已经刊发的论文当中包含的数据集显示，在8岁到22岁之间的成长阶段，人脑的弹性呈上升趋势。此外，积极正面的情绪也会提升人脑弹性。而且右美沙芬肯定能够推高大脑弹性。在儿童身上我们已经明确观察到了大脑弹性与认知表现之间的正相关性，尤其是在涉及较为困难的任务时。但是另一方面，我们同时也在研究精神分裂症患者和他们的亲属。研究发现，精神分裂症患者的大脑弹性同样高于健康人对照组，而精神分裂症患者的认知能力在很多方面都逊色于健康人，尤其突出的方面包括执行功能、认知控制力以及工作记忆。将这两方面的信息结合在一起，我们大致就得到了一条倒U型曲线。在未来几个月乃至几年的研究中，我们希望确定大脑弹性在多大程度上有助于提升认知能力，以及精神分裂症患者的大脑怎样不同于健康人，以至于损害到了他们的认知能力。

最后我再说一点。大家可能注意到了大脑的神经网络以及易于学习的知识网络都具有模块化结构。这一点在我看来非常有趣。有没有这样一种可能？最易于学习的知识网络的结构实际上是最优化神经网络结构的拓扑学倒影？又或者两者的结构相似性只是巧合？这一点能否向我们揭示大脑计算机制的某些奥秘？我不知道。但我相信这是很值得提出的问题。这些问题让我想起了亚里士多德的观点：

“思考通过分享思考目标的本性，从而达到思考自身，因为思考通过理解和思考，让本身也变成思考的目标，因此来说思考和思考的目标是同一个事物。”

显然，亚里士多德对于思考的看法，以及对于思考与客体或者说刺激源之间互动关系的看法很有可能不同于我们这些神经科学家的看法。那么当心智产生客观想法的时候，它究竟做了什么？要回答这个问题，我们恐怕要比刚才的研究更进一步。我们需要进一步理解大脑在思考某个对象时究竟发生了什么。为了回答这个问题，我们必须进一步返回基本面，去回答一个更加基础的问题：大脑怎样动态地回应任何外来刺激？大脑这个功能性网络的自我重组究竟受到了怎样的驱动？是否存在要对这一现象负责的扰乱性信号？如果存在的话，这一信号又是怎样在大脑当中扩散开的？这些问题促使我们开辟了一整个研究分支。我们想知道，当大脑的某个特定区域遭到刺激或者特别兴奋的时候，这一区域的大脑活动怎样传播到大脑神经网络的其他部分？更进一步，神经网络的结构是否会限制此类大脑活动的传播？换句话说我们想要理解：以大脑白质形式存在的大尺度神经网络连接的结构怎样影响刺激信号流经神经系统并且改变功能网络的组织形态？大脑某一区域活动强度的改变怎样影响到了与这一区域相连的所有其他区域？以及大脑的结构怎样限制了这一过程？

我们一直在采用网络控制来组织与表达这些问题。首先我们必须明确规定，这里所指的网络究竟是什么——也就是连接大脑不同部分的大脑白质的结构。其次，我们还必须明确这里涉及的动态模型究竟是什么？因为动态模型决定了某项活动怎样传导至整个系统我们手头有很多非常漂亮的动态模型，我这里姑且从最简单的入手：大脑活动X乘以时间t+1等于大脑的结构连接程度——用加权相邻矩阵表示，该矩阵直接取自人脑白质的结构模式——乘以时间t，再加上某些控制变量，也就是在时间t注入大脑Kappa区域的能量。我们这里采用的时间是线性的、离散的时间，而且不包含噪音。我们想知道，根据一个如此简单的模型，我们能否有意义地描述大脑结构如何限制了我们将要观察到的动态？有两种方式可以做到这一点，我们可以研究神经系统的控制性并且提取多组不同的统计数字，从而量化大脑的反应——大脑系统的脉冲反应由平均可控制性来衡量；又或者我们可以量化的回答怎样将大脑系统在能量图景当中推向距离现状十分遥远的状态。反过来说我们还可以问另一个问题，假如我们知道大脑目前的状态，而且想要将大脑推向另一个非常明确的状态，我们也可以通过成本函数来确定应当向什么位置注入多少能量来驱动大脑。我们很希望在人脑动态当中观察到支持上述人脑动态模型的证据。

这就是我们所采用的工具，不过我们一开始获取的数据的用途是理解认知能力与人脑发展，然后我们的研究又扩展到了人脑对于外源性刺激的应对。就认知与人脑发展来说，过去几年的研究已经表明，人脑各个区域都有能力改变整个大脑的动态，只不过各自能力强弱不同。那些有能力将整个人脑推向最遥远状态的大脑区域，往往也是对于大脑执行功能与认知能力最重要的区域。而且我们证明了大脑区域改变整个大脑动态的能力会随着儿童的成长发育而增强——这项研究涉及882名年龄在8岁到22岁之间的受试者。我们还证明个体受试者与整体平均线之间的差异与受试者在完成依赖于执行功能与认知控制的认知任务时的表现存在相关性。换句话说，仅仅基于白质结构的神经模型也能向我们揭示大脑系统在根本层面施加控制的难易程度。模型虽然简单，却可以有效地标注大脑如何施加控制来改变自身神经网络的功能。

我想向大家展示的最后一组数据，将我们推向了外源性刺激的研究领域。我们能否利用这个基于结构连接性的简单模型来理解，当我们刺激某个大脑区域时究竟发生了什么？当我们刺激了某个大脑区域之后，大脑的神经结构能在多大程度上告诉我们接下来将会发生什么？我们利用脑皮层电图来研究这个问题。我们的受试者患有顽固性癫痫，这些病人自愿参加了刺激大脑的研究。我们用电极刺激大脑的不同区域，以此来了解这些刺激能否推动大脑达到某种更擅长记忆编码的状态。当我们刺激某个模块控制力较高的大脑区域时，确实观察到记忆编码状态的改变。两者之间的正相关性表明，假如某个大脑区域具备特定的结构，那么刺激这个区域确实有可能驱使大脑达到记性更好的状态。当然这项研究结果又驱使我们提出了更多的问题。比方说究竟需要多少能量才能使得大脑从一种状态过渡到另一种状态？大脑状态的改变是否影响大脑发育？这一现象是否有助于我们理解人脑的任务转换能力？这一理论在怎样的时间尺度与频带上最为可靠？通过构建第一原理，我们能否利用网络控制理论来更好地优化常规治疗方法——例如直接施加刺激——以及基于任务的干预手段——例如认知行为疗法以及药物治疗方法——以此来治疗神经疾病或者精神失调？我认为这些全都是非常有趣的未来研究方向。

我希望未来几年的研究能将这三个方向的问题整合为一体。我们能否理解可习得性最强的知识体系的图结构？大脑动态为什么使得这样的图结构具备最强的可习得性？怎样的神经结构支持了这样的大脑动态？这样的神经结构又会怎样影响某一套图结构的可习得性？用一张图来表述：我们从约翰.杜威针对知识的提问开始，由此转向了知识网络的可习得性，然后我们跨越边界跳转到了另一个聚类，从亚历山大.蒲柏跳转到了大脑网络动态，然后又借助亚里士多德跳转到了大脑网络控制。这是三个非常不同的研究分支，我们希望未来几年在这三个方向都走得更远。接下来我很乐意回答有关于任意一方面的问题……