「模型」到底是什麼
想想一套玩具火車。它不是真火車——沒有轟鳴的引擎，沒有上百噸鋼鐵，沒有乘客。然而，只保留要緊的東西（鐵軌上的車輪、一圈軌道、一個可以擰的旋鈕），它就能讓一個孩子*弄懂*火車是怎麼動的，而不必真去修一條鐵路。科學上的模型正是如此：一個為某樣東西刻意做出的簡化替身，那樣東西太大、太快、或藏得太深，無法一下子全部抓住。你把一切不必要的剝掉，留下骨架，最後得到一個能捧在手裡的東西——在這裡則是能在電腦上跑的東西——並且可以安全地戳一戳。
整個[[computational-neuroscience|計算神經科學]]領域，就是為大腦建造這類替身的手藝。不是要取代真東西，而是要讓它*可以被想*。一顆大腦有數百億個細胞，每秒放電許多次；你的腦子裝不下這一切，你也很難在一顆活腦上隨便做實驗。模型則是一個小小的、聽話的版本，你*能夠*讓它跑起來——加速、減速、關掉某個部件、在早飯前就問上一千遍「如果……會怎樣？」。地圖永遠不是疆域本身，但當疆域大到無法一眼看全，一張好地圖是你規劃旅程的唯一辦法。
理論與實驗：兩隻手，一件事
人們很容易以為實驗才是「真正的」科學，而理論不過是上面的裝飾。可你想像一下，用一隻手去鼓掌。實驗*收集*事實——它記錄一個細胞噼啪作響，它看著一片區域亮起來——但一堆事實本身解釋不了任何東西，就像一堆磚頭還不是一座房子。理論則是那張圖紙，它說明磚頭如何拼合，*並且*該去取下一塊哪樣的磚。這兩者是同一段節奏：測量、解釋、預測，再測量。
這裡有整個神經科學史上最著名的一次握手。上世紀五十年代，兩位科學家測量了流過一根巨型烏賊神經膜的電流，隨後寫下了一組方程式，這組方程式*重現*了那些電流，而且關鍵在於，它在任何人能直接看到之前，就預言了神經放電的形狀。這項工作——[[hodgkin-huxley-model|霍奇金–赫胥黎模型]]——正是理論與實驗融為一體的那一刻。數學沒有取代那隻烏賊；它解釋了那隻烏賊，進而預報了新的烏賊會做什麼。這正是理論能給你、而一本記滿測量值的筆記本給不了的東西：一個你可以拿去檢驗的*預測*。
對任何腦部件都該問的三個問題
當大腦裡有什麼讓你困惑時，先弄清你問的究竟是*哪一類*問題，會很有幫助。一面經典的透鏡——通常叫做三個[[levels-of-analysis|分析層次]]——把每一道謎題分成三層乾淨的層次。先拿一台熟悉的機器，一隻手持計算器，來感受它們的不同。你可以問它*做什麼*（把兩個數變成它們的和）、它*怎麼做*（電流以某種特定的模式流過一個個微小的開關）、以及它*為何*長成這樣（這比掰手指頭更快、更穩）。同一台設備，三個截然不同的答案——而要真正弄懂它，三個你都需要。
THE THREE QUESTIONS (the same part, three layers)
WHAT ──► What problem is this part solving?
(e.g. "recognise a face")
HOW ──► What recipe / wiring carries it out?
(e.g. "these cells, connected like so")
WHY ──► Why is the brain built this particular way?
(e.g. "this is fast, cheap, and robust")現在把這面透鏡對準視覺。眼睛與大腦這套系統在*做什麼*？把一片平鋪的光斑，變成對外面那個立體世界的一個猜測。它*怎麼做*？通過一層層細胞傳遞並重塑信號，每一層都推動下一層。它*為何*這樣排布而不是別樣？因為這種排布快、耗能少，而且就算細胞死掉也照常運作。這三個問題的美妙之處在於，它們讓你不會把答案搞混——並且為這條階梯上後面每一個題目遞來一格架子，讓每個新想法都有一個明擺著的位置可放。
大腦是一樣隨時間而變的東西
這裡是整條階梯上最令人豁然開朗的一個想法。大腦從來不是凝固的——每一個細胞的電壓都在升升降降，信號在飛奔，整個東西始終處於不安分的運動中，*無時無刻*。任何按自己的規則、一刻接一刻不停變化的東西，科學家就稱之為動力系統。一隻擺動的鐘擺是；天氣、晃盪的一杯咖啡、此消彼長的一群兔子與狐狸，也都是。用這種眼光看待大腦——把它當作一個*隨時間演化*的模式——的那一支腦科學，就是[[dynamical-systems-neuroscience|動力系統神經科學]]，它給了我們一條途徑，去跟隨那支舞，而不只是凍住單單一張快照。
為什麼這件事如此要緊？因為它告訴你方程式是*用來做什麼*的。它們不是為了讓大腦顯得高深；它們不過是把一條變化規則寫下來最誠實的方式——「給定眼下事物所在之處，這便是它們一個心跳之後會在哪裡。」這一句話，就是後面一切的種子：一個細胞的電壓追逐著自己的放電，一張網絡安頓進一段記憶，一個念頭逐漸成形。一旦你把大腦看成某種按規則流動的東西，方程式就不再是一堵牆，而開始成為描述這股流動的天然語言。
前方的路，以及它為何值得走
這條階梯上的一切，都是從你現在握住的這四個想法裡長出來的。有些導讀會一路放大到單單一個細胞，追問它的[[action-potential|動作電位]]如何能被數學捕捉，從細緻的霍奇金–赫胥黎配方，一直到一張剝到精光的「把桶灌滿直到它翻倒」的草圖。另一些則拉遠，去看會學習的整張網絡，那是今日人工神經網絡的祖先。還有一些追問：大腦是不是暗地裡是一台預測機器——一個不斷押注接下來會發生什麼的猜測者，這個想法被稱作[[bayesian-brain|貝氏大腦]]。也有一些向外看，看每一條連接繪成的地圖，看那些為模仿神經元而佈線的晶片。
而它的回報，遠不止於實驗室。我們從給大腦建模中學到的同一些道理，徑直流入[[brain-inspired-ai|腦啟發人工智慧]]——那些能認出人臉、替你把句子說完的機器，從神經科學借走了它們的核心把戲：一層層簡單單元一起學習。這股往來甚至是雙向的：關於思考機器的洞見，反過來又餵養我們解讀活體大腦的方式，包括那些讓癱瘓者僅憑念頭就能移動游標的裝置。無論你將走向何方——醫學、人工智慧，還是純粹的好奇——把一顆大腦變成一個你能跑起來的模型，這門本事，是你將要學到的最有力量的招數之一。這就是它值得攀登的理由。
- 模型是大腦一份被刻意簡化的副本，你能讓它跑、戳它、問它「如果……會怎樣？」——它在許多處是錯的，卻在某一處是真的。
- 理論與實驗是同一件事的兩隻手：實驗收集事實，理論解釋它們，並預測下一個該去檢驗的事實。
- 把每道謎題歸入什麼（問題）、怎麼做（佈線或配方）、為何（它為何這樣建成）——三個層次，別把它們搞混。
- 大腦是一個動力系統——一個按自己的規則隨時間演化的模式——所以方程式不過是把「它接下來如何變化」寫下來的誠實方式。