个人简历：
2004-2008年，北京大学电子信息科学与技术和心理学双学士学位。
2009 - 2015年，美国贝勒医学院神经科学博士（导师：David M. Eagleman，副导师：Wei Ji Ma)
2015 - 2019年，美国普林斯顿大学博士后（导师：Yael Niv，合作者：Jonathan W. Pillow)
2019年至今，东京大学神经智能国际研究中心（IRCN）PI和项目助理教授
时间轴：
01：15 一、关于科研经历的简要介绍
04：16 二、关于时间感知的讨论
12：26 三、关于神经表征和学习本质的讨论
22：59 四、关于计算精神病学的讨论
31：55 五、关于留日任教的讨论
36：15 六、关于大卫·伊格曼的讨论
43：04 尾声：对我们听众朋友的建议
一、关于科研经历的简要介绍
主持人：Hello，大家好，欢迎大家来到脑科学连线，我是主持人鸽子，本期节目呢我们很荣幸地请到了东京大学神经智能国际研究中心的蔡明博老师，那蔡老师先跟大家打个招呼吧。
蔡明博：鸽子你好啊，大家好，非常感谢给我这次机会跟大家来交流，也祝大家伙好。
主持人：蔡老师可以简单介绍一下你的研究经历和现在做的方向吗？
蔡明博：那我从本科开始讲吧，我在大三还在一个研究纳米的实验室做一些比较跟电子有关的项目。后来因为学习心理学以后，对脑科学比较感兴趣，所以在本科毕设的时候做了一个跟脑成像的数据分析算法有关的毕业设计项目。
之后在博士期间在贝勒医学院，跟David Eagleman研究时间知觉。在这个期间，因为同时跟其他老师的学习，对贝叶斯推断和一些其他方向慢慢产生兴趣，所以在我博士后阶段，就进入普林斯顿的Yael Niv实验室，相当于在研究方向上有一定的转变。之后更加关注于人的学习，另一方面又回到了脑成像算法的开发上面。当然之所以会关注脑成像算法开发，其实是因为在实际的应用当中发现了一些算法中存在的问题，于是发现所学的那些统计学的贝叶斯的方法可以用来开发更好的算法。就相当于自己找到了一个新的方向。
在博士后之后，我在东京大学有了自己的实验室，在方向上也有了一些扩展，一方面我们还是在研究人们是怎么样进行学习，比如如何学习可以获得更好的奖赏。另一方面也希望通过这些研究对精神疾病能产生帮助。另外，我们继续还是在做脑成像分析的一些算法。
还有一个方向就是我们如何借鉴心理学，尤其是在发展心理学得到的一些关于儿童或者婴儿怎么样学习的启发来设计一些新的神经网络，让它能够学到我们认为婴儿在一定的阶段可能已经掌握的一些能力。最后一个我们现在比较感兴趣的方向是，怎么样可以用脑成像的方法来研究人的自发的思维。
《记忆的永恒》（The Persistence of Memory）
二、关于时间感知的讨论
主持人：那我们就先从最开始您那个博士阶段的研究说起，是关于时间感知的。因为我感觉时间这个话题其实对每一个人而言都是既陌生又熟悉的，因为就可能对于我自己来说，同样一段时间，如果我这一周我的工作。非常的多，很忙，接收到的信息量大。就感觉这周特别的漫长，这可能就是一个所谓从个人主观而言的时间感知的一个不稳定性和差异性。所以蔡老师之前他关注的是视觉刺激和人的时间感知之间的一个关系。那您可以简单的为我们科普一下，在这个研究当中有一些什么有趣的事情吗？或者说您的一些研究方法？
蔡明博：我觉得你说的很对，研究时间知觉是一个很大的问题。人对时间的感知或者说判断其实有不同尺度的。通常情况下，学者大概会划分出三个尺度来研究。一个是在秒以下的时间尺度，这个是相对来说比较精确的时间范围。下一个时间尺度是我们往往更加有意识、会关注到的时间尺度，就是在几秒甚至或者几分钟这时间尺度。这个时间尺度就可能更加涉及到你生活当中等班车啊或者等地铁时候这样的时间的感知。那么还有更长的时间尺度，就会涉及到生物的节律，其实在这个尺度上我们可能不一定把它叫感知。在这个尺度上可能更多还是生物学研究会多一些。
我在博士阶段其实更加关注于比较短的时间尺度。在这个大的领域，学者们发现其实人的时间感知往往是很不确定的，而且是经常会受到各种各样的因素影响。换言之，我们其实很难有非常精确的对时间的判断。举个例子来说，你可能会觉得多数时候我们可以知道什么事情是先发生，什么事情是后发生。绝大多数时候我们可以做这样的时间的先后判断。对时间先后判断有什么用呢？很重要一个用处就是做一个所谓的因果推断。你怎么知道两个事情哪个是因，哪个是果？那其实需要根据各种方面的因素来推断，但是其中一个重要因素就是时间先后：你会认为如果一个事情是原因的话，那它应该在结果之前发生。可是实际上我们对事件的时间先后的判断，还真的可以发生改变。比如说，假设现在给你一个实验，在你每次移动鼠标或者在点击鼠标的时候，我都让屏幕上显示出对应的变化。但是我让光标的移动和你点鼠标之后这个电脑的反应都有个延迟，举例来说我可能给你一百毫秒的延迟。我让你适应了一段这个延迟，比如适应了一分钟甚至半分钟之后，突然让这个电脑给你一些正常的反馈，比如说你点一下鼠标我马上呈现一些图片，你会发现，这样的一个正常的在你点鼠标之后立即呈现的视觉刺激会被你判断成在你点鼠标之前发生，也就说你对这个时间的先后判断，实际上是完全可以颠倒的。那是什么原因呢？我们当时认为人们对时间的感知可能是在不同的modality（通道）分别进行的，比如说你可以认为听觉是一个通道，视觉是一个通道，自己的运动也可以当作另一个通道。可能我们在每个通道之内会保持一个大概的时间判断。但是不同通道得到的时间信息未必同步。随着身体的成长和环境的变化，任何两个通道获得的时间信号之间的物理延迟都可能发生变化。这就需要我们的大脑根据不同通道间延迟的变化不断调整。正是因为这种调整的机制使得我们有前面提到的误判。
我们还做了一些其他方面的研究，关注什么样的刺激可以影响人的对时间长短的判断，以及如果两个视觉刺激给你不同的关于时间长短的信息，人脑是怎么整合这样的信息的。当时心理学界有一个非常火的思潮，就是说人脑可能在做很多推断的时候，都会以接近于贝叶斯的方式来整合。我想知道人在处理时间信息有冲突的刺激的时候，是不是也是用贝叶斯的方式来整合？但最后发现其实也不完全是。它一定程度上取决于你给被试呈现的刺激是不是非常自然的。我们呈现的刺激相对来说是一种在心理学实验常用，但是在现实生活中不常见的实验刺激。当大脑面对这样的刺激的时候，整合的方式并不是像贝叶斯那样最优的。
主持人：所以这些研究有没有一个统一的结论。比如说我们现实生活中发生了一个什么事儿，它就能够用您这个研究当中的某个结论来去解释呢？什么样特别的视觉刺激很容易让我们产生这种时间误判？
蔡明博：我们发现如果你重复观察一个实验刺激，你会觉得它所呈现的时间会越来越短。在我们的日常经验中，如果你已经习惯于做一件事情，可能你会觉得时间过得飞快；但是如果今天有很多新的事情发生，也许你会觉得今天好像更充实，发生更多的事情，似乎时间变长了。这两个现象有可能有关联，但是确实它们是在两个不同时间尺度上发生的，所以也不能保证说这两个是同一个机制，但至少它们在现象上非常接近。
三、关于神经表征和学习本质
主持人：就刚才您提到说视觉刺激的研究，是不是还需要去看我们的神经系统是怎么表征的？这个方面在您的领域是怎么样进行研究的？有没有一些核心的问题呢？
蔡明博：对，这也是我为什么会在博士后阶段选择转换研究方向的原因。在我的博士期间经常会参加视觉科学领域的会议。视觉科学家最重视的问题就是神经系统是怎么表征视觉输入的。在我们跟世界交互的时候，我们心里所体会到的世界是三维的。而我们的脑子接受的是来源于每个像素的信息，可以认为是二维的图片，我们的脑子能够最终把它分割成各个不同的物体、建立了人和它们之间的关系，以及对空间的表征。通常视觉科学家把从视觉输入到最后形成的这些表征之间的表征称为intermediate representation。但是对这个中间的过程其实我们是一直不理解的：它们到底是在编码什么样的信息，应该怎样研究这些表征。那我们一旦讨论到在编码什么，就会想问编码的目的是什么。很多时候在视觉领域的人通常会觉得，编码是为了更好的表征环境的本质。那这里就有一个悖论，因为从人和环境交互的角度来说，我们其实很难真正的接触到这个世界的本质。如果从机器学习的角度可能可以更好地理解我说的这个问题：比如说如果有一个人给你标注你眼前看到的图片，说这个眼前就是一个人，你把这个标注当成一个ground truth的话，那一个机器学习系统可以学习对眼前的图片说我看到这个图片这里有个人。可是这样的标注其实对人来说从来几乎没有，或者说即使有也是非常非常稀少的。而婴儿却自己可以慢慢地发现周围有哪些玩具，哪些玩具可以去玩。但是从来没有人告诉过婴儿说，眼前这些像素点其实应该组合在一起被当成一个物体，那些像素点可以当成另一个物体，所谓的ground truth对于大脑来学习分割环境成物体以及它们之间的关系的任务来说其实是没有的。
那如果没有的话，我们怎么样来假设视觉系统的目的是表征这个环境中真实的变量呢？
我当时的一个懵懂的想法是这样来看的话，我应该去转向研究人脑怎么学习，或者说怎么学习表征。大概在我博士快毕业的时候，DeepMind这个公司他们做了一项比较有意思的工作，有一个比较老的街机游戏叫Atari，他们设计了一个神经网络来学习如何通过选择现在的操作使得将来更可能赢这个游戏，获得更多未来的奖赏，最终这个网络能够学会玩复杂的游戏。这背后的理论假设就是reinforcement learning。
Atari开发的的经典街机游戏机
Atari vuelve al ruedo con gadgets inteligentes para el hogar | Tecnología - ComputerHoy.com
直观上，人当然也会得到各种奖赏，那也许其实我们的表征形成最终目的是为了能够适应环境、能够繁衍后代、能够生存，能够获得这些基本的奖赏。也许其实生物最终就是为了达到这些目标，而这些奖赏才塑造了我们的这个感知系统，使得我们的视觉系统形成了有利于我们完成那些任务的表征。那些能够帮助我们完成比如说生存、繁衍、找到食物这样的任务的表征才是大脑需要的。因此，也许如果想要理解视觉，我们可以先去研究，动物或者说人怎么样通过奖赏来学习。所以这是当时想要转方向进入到研究学习的这样一个领域。
现在我自己的实验室在做的一些神经网络的工作中，我们的思路是，我们先来假设一个婴儿或者是一个刚出生的动物，他们学习的目标是什么，他们想要完成什么样的任务。
当然最终任务的也许很复杂，比如说获取食物，但是有可能有些中间的任务想要完成，那我们也许可以先构建中间任务，然后对这个任务来设计一个神经网络，让这些神经网络能够通过学习这个任务形成我们认为人或者动物可能存在的一些表征。这是我们在尝试的一些工作。
主持人：那您觉得这方面研究和未来的人工智能领域的发展，它有没有一些可以相互渗透或者说借鉴的地方呢？
蔡明博：有的，我们现在实验室做一些神经网络所用的工具其实跟人工智能常用的方法是类似的。但是可能我们关注的问题和很多人工智能学者关注的问题不太一样。我觉得人工智能学者可能更多关注解决现实的问题，比如针对自动驾驶，如何把这个问题细分成很多子任务来分别学习。而我们可能更关注这个表征问题。就好像我们在开车的时候，你大概可以把面对的场景分割成路和车子对吧？这个分割是很重要，并不是说人工智能它不解决分割问题。但是我觉得一个更根本的问题是这个分割的能力是怎么来的。
那人工智能目前的解决方案还是像我刚才说的，假设这个世界存在ground truth，而ground truth通常是由人来标注，或者把一些其他的传感器获取的信息当成ground truth，然后让神经网络来学习从视觉信息映射到这些ground truth。但我觉得这个思路跟人学习的过程是完全不一样，因为人不存在这些ground truth。
所以我觉得本质问题就是人怎么样能够形成这些基本的概念，人怎么样理解这个世界是由物体产生的，怎么样通过一定的学习的目标自发的把世界分割成物体，然后进一步在这个物体之上建立概念。怎么知道什么物体应该是同一个类别的（因为他们可能有共同的性质），然后进一步的学习物体跟物体之间的关系。我觉得这是人对世界的基础的认知，相当于building block。那相对来说，这方面可能我更多的是受到认知科学和神经科学的影响。至少传统的认知科学还是会认为，人对世界有这样一个比较符号化的表征，可能会认为这个世界包含物体和概念，物体之间存在各种关系。我们现在想要回答的问题就是--怎么样让这些概念和对物体的理解自发形成，而不再过分的借助于人对神经网络的教学。因为教学永远是无止境的，这个世界上物体概念实在太多了，没有办法完全穷尽。所以可能应该是有一种学习common knowledge的能力。这方面是我觉得可能跟人工智能有结合的点。
四、关于计算精神病学
主持人：那下一个问题可能是跟您目前的一研究会比较有关系，因为刚刚您有提到您现在会关注一些精神疾病，是属于计算精神病学领域的嘛。
蔡明博：嗯，对的，大概现在有这样一个比较时髦名词，叫做计算精神病学。我觉得大致上原因是精神疾病本身是一个非常复杂的现象。你可以发现在所有的医学领域里面，精神疾病可能是少数的没有我们经常见到的通过实验室的各种化验和检测来帮助诊断的疾病。比如说对糖尿病或者高血压，有很多的生理指标可以帮你去检测，甚至可能还有些分子指标来帮你检测。可是现在，精神科医生来诊断精神疾病的时候，往往还是通过观察，还有就是根据病人自己的主观报告，或者他的亲人、朋友对他的遇到困难的报告来做一个判断。其原因很大程度上是因为我们对精神疾病产生机制的理解还非常不够。
那为什么这个理解这么困难？很大原因是我们之所以能够产生精神疾病，可能是一个极其复杂的非线性的过程，它和个人的学习方式有关。当然也许会有些基因的因素，但我认为其实基因的因素本质上就是导致人的学习方式不同，那么学习方式不同，再加上每个人有特定的环境，每个人周围的人或者事对他的压力不一样。当特定的压力存在的时候，再加上一个人特定的学习方式，也可能导致人整个思维方式的改变，然后就会陷入到一种不同的状态。
这样来说，如果想要理解这些机制的话，我觉得就会有两个角度非常需要计算模型。
一个是你需要把你看到的临床的现象跟脑的机制来建立联系。我们通常研究脑机制的时候，可能经常会研究一些分子啊，神经通路啊，或者比较简单的认知的过程。这些机制可能还是不太容易跟在疾病上的表现建立联系。它们中间的桥梁就是对行为的建模。为什么人会有这样的行为，为什么人会有这样的思维方式？这些是心理学一直在研究的问题。对于这样的问题，最好的描述方式当然是用计算模型。因为通过建立这样的模型来描述行为，每一个模型都会有参数，那么一个人就可以用这些参数来量化的描述。比如说人的工作记忆容量是怎样，人在学习的时候在不同方面的学习速率怎样。这些参数会间接反映每个人学些的方式的不同。如果学习方式是导致精神疾病的一个原因，那么我们就可以通过分析受精神疾病困扰的人群的学习方式来了解疾病产生的机制。
另一方面，现在随着科技的发展，除了临床的数据，在人们被告知且同意的情况下，研究者有可能获得大量的人日常的行为的数据。那么这些数据其实可能也可以帮助我们找到跟疾病相关的各种因素，他们怎么会导致疾病。所以这也需要新的计算手段来开发与分析大数据。
所以一方面是要找到认知的机制和疾病的联系需要建立模型。另一个方面当数据比较大的时候，你会需要机器学习、数据挖掘的方法来寻找疾病和各种因素之间的关系，这是我的理解。
主持人：那您自己目前的这方面研究里面有没有一些有意思的成果跟我们分享呢？
蔡明博：我们现在还做这方面的实验，还不能说是成果。我们比较感兴趣的一个方向就是精神分裂跟人的学习可能会有什么样的关系。看这个领域的文献会发现其实有很多的认知过程都跟精神分裂有关系，比如说工作记忆的衰退。我们更多关注的是有没有可能人在学习的过程中过度的泛化有可能会导致精神分裂中的一些症状，比如妄想。因为我们的合作者的计算模型，发现当你建立一个强化学习的神经网络来学习在一个环境中获得奖赏，如果针对于正性的奖赏和负性奖赏，以及针对于泛化和对每个不同情境的特性的学习设定特定的学习率，这个神经网络更加容易出现类似于幻觉的表征。所以我们想有没有可能通过设计实验来测量人在学习泛化和学习特定的情境下的策略对应的学习率，学习率的不同是不是可以预测疾病的严重程度？这就是我们在做的一个事情。
然后另一个方向是我们希望能够通过脑成像的方法来研究人的自发的脑活动。我们想知道当你平时做白日梦、天马行空想问题的时候，你想问题的这个动态过程或者说你的脑活动的动态过程跟一些精神疾病，比如抑郁之间的关系。因为当人抑郁或者焦虑的时候，往往很难跳出对一个特定的问题的思考，或是反复的陷入一定的思考方式。那我们有没有可能把这样的思维模式从脑成像数据当中解析出来，进一步看到不同的人陷入这样的思维模式的频率是多少，这个频率是不是有可能会跟疾病严重程度有关？这是另外一个在做的方向。当然我们目前还在关注于开发研究自发思维的算法。
三、关于留日任教的讨论
主持人：您求学阶段是在美国。但是后来又选择到东京成立实验室，这个选择中间有没有什么故事呢？
蔡明博: 也没有特别多的故事，我觉得就是可能两个因素吧，一个是因为在疫情之前呢觉得至少日本离中国近些，可能回家看父母会容易和现实一些。当然疫情发生之后，这个愿望也不是太容易实现。然后另一个因素我觉得其实也蛮现实的，就是在我申请到的职位当中，挑了一个我觉得条件还不错的职位。
主持人：那现在这个科研工作感觉怎么样就是，状态呀还有就整个进展还顺利吗？
蔡明博：可以说像所有的年轻老师一样吧，肯定有各种各样的压力和新的挑战，我觉得还好。基本上大部分项目都还算是一个在比较有序的进展当中，当然每个项目可能都会遇到一些困难。在当你自己建立实验室之后，你会发现确实有很多需要学的新的东西。你基本上要负责所有的事情。你可以想象一个实验室要运转的所有事情，甚至包括怎么设计地毯，怎么样构建服务器，怎么样布置家具，这些都需要你去考虑。所有这些问题接二连三的过来，其实会蛮分散心力。以前一个老师跟我说的话我倒觉得值得分享。他说博士和博士后阶段是你可以专心学习的最好时间。当你一旦成立实验室，你会发现真正看代码、写代码、debug的时间会越来越少。而你的经验积累其实往往来源于这些debug的过程中。但另一方面呢其实也蛮有成就感，就是你会看到你可以逐渐的把你认为合适的人放在一起，他们有各自的专长，然后大家一起来做你认为重要的研究方向。
另一方面想分享的是当你在博士后阶段考虑到底是不是将来真的想要去做一个PI的时候，你需要意识到当你真正开始开实验室的时候，可能跟你想象的不一样，你会有很多时间需要处理非学术的事物，你要想清楚这样的生活是不是你想要的。这也没有办法，因为你需要为你的实验室成员创造一个环境。所以这就是一个权衡的选择，看你是不是愿意分散时间和精力去做这些一定程度上非学术的事情。
四、关于大卫·伊格曼的讨论
主持人：那下一个问题是关于您博士期间的导师David Eagleman，他是西部世界第二季的科学顾问，然后之前还有在TED给过演讲。您从他那儿得到的最大的收获是什么呢？另外您能推荐一本他写的书吗？
蔡明博：嗯对，我先从后面往前说，就是最喜欢的一本Incognito: the secret lives of the brain。因为之所以那本书读得多，因为这是他最重视一本书，就是他把他对于神经科学的理解都灌注到这本书里边。那后来他基于这本书也拍了一部关于大脑的纪录片（注：The Brain with David Eagleman）。那部纪录片我个人觉得在神经科学的科普节目里面应该是最好的，非常通俗易懂，某些问题还讲得非常深入的。他对我的影响我觉得是一种big picture（大方向）的思考，我老师在实验室里面蛮喜欢跟大家在吃午饭的时候聊天，去聊些蛮大的一些问题。有些甚至比较天马行空，比如说他有一次问如果我给你无数的钱，你不用担心经费，你最想研究什么问题。我觉得这问题现在想想其实挺重要的，因为确实很多时候我们不太敢于想这个问题，可能做学生经常会想现在什么样的研究是赶时髦，或者被大家重视的问题，或者说什么问题是别人认为重要的。可是慢慢你应该形成一个独立的思考，应该想想我当年为什么要进入这个领域，什么问题是当年真正驱动我来研究人脑、研究心理学，那么这些问题我怎么样转化成我的实验问题。或者你站在更高角度来说，也许你的最终目标是要研究意识，或者最终你要想要治疗精神疾病--我觉得可能很多人是抱着这样的心态进来的话，可能会觉得意识最重要的问题，但后来慢慢研究发现研究意识太难了，就可能研究其他问题。可是如果你再重新想这些大的问题，假如说有一个在你年轻时候最最困扰你的问题，那这时候我觉得你可以想想，如果最后想要推动这个领域的研究，逐渐的想要回答这些本质的问题的话，你下一步应该做什么？我觉得这个这样的思维方式对我的影响还是蛮大的。更重要的是从你自己角度来说，你觉得什么问题是更本质的，更值得研究。
Incognito: the secret lives of the brain
五、对我们听众朋友的建议
主持人：今天采访的差不多了，最后再给我们的听众朋友一些建议吧！
蔡明博：我觉得可能有两点是自己目前相信的研究思路。一个是我们在回答大脑在表征什么，或者研究其他的具体问题的时候，可能更多的应该是来思考，如果我们形成了一个大脑，它究竟要完成什么目标。当我们以这种目标导向来思考具体的问题，可能会更有帮助。尤其是当你想要把神经科学跟人工智能结合起来。那另一个建议是刚才说的，可能有点老生常谈，就是在你做研究生和博士后阶段时候，还是尽可能的把基础打得更牢一些。
主持人：抓住这个学习机会，就是纯粹做研究的黄金时期。
蔡明博：对对，是这样子的。
主持人：嗯好，那我们今天的采访差不多就到这里结束了，我相信听这期节目的这个小伙伴们应该都会有很多的收获。那我们再次感谢蔡老师来到我们的节目，谢谢您。
蔡明博：非常感谢鸽子的采访，谢谢给我这次机会。
主持人：那我们今天的节目就到这里了，拜拜。
用户评论