可辨識性問題
這裡就是整項事業核心的不安之處。擬合一個潛在動力模型，你會還原出一個狀態與一個動力矩陣 — 但對潛在空間施加一個可逆的座標變換，你會得到一個看起來不同的模型，它對觀測放電的預測卻完全一樣好。概似無法把它們區分開來。這就是可辨識性問題：資料只能把模型約束到一個龐大的等價變換類別為止。
相似變換的模糊性：任何可逆的 T 都會重新標記潛在座標，改變 A、C 與狀態，卻讓觀測放電的概似維持不變。非線性模型容許的對稱群更為龐大。
其後果發人深省：一個還原出的潛在軸本身並無特權的意義；一個旋轉速率或吸子位置，可能是參數化的產物，而非關於皮質的事實。此處的進展，來自於加入資料本身無法提供的結構 — 稀疏性、已知的輸入、行為的監督，或能打破對稱性的輔助變數，一如某些在明列假設下被證明為可辨識的對比構想。
什麼才是與行為相關的？
即使是一個完美可辨識的模型，也面對第二個問題：大部分的神經變異與任務毫無關係。一個被訓練來重建放電的生成模型，會樂於把它的容量花在那些主宰卻不相關的訊號上。偏好子空間辨識（PSID）正面迎擊這一點，將動力學明確分解為一個能預測行為的子空間，以及一個不能的殘差 — 把與行為相關的動力學從其餘部分中分離出來。
PSID 的拆分：神經活動 yₜ 由一個與行為相關的潛在 x⁽ᵇ⁾ 與一個殘差 x⁽ʳ⁾ 生成，但行為 zₜ 只依賴 x⁽ᵇ⁾。優先處理那個子空間，會得到更乾淨、更低維、與行為連結的動力學。
跨大腦與跨模型比較動力學
若個別的潛在軸無法比較，你又如何追問兩隻動物 — 或一個大腦與一個訓練好的網路 — 是否使用了相同的動力學？動力相似性分析（DSA）的回答，是以一種對上述冗餘變換不變的方式，直接比較向量場本身，超越了只看幾何的工具如表徵相似性分析。它是一門有原則的、比較性的動力學科學的開端，也是對可辨識性憂慮的部分回答：即使座標不變不了，某些性質仍是不變的。
因果：最艱難的前沿
至此的每一種方法都是觀察性的 — 它擬合的是你被動記錄下的活動。但一個從觀察推論出的流場，是一份相關性的摘要；它本身無法告訴你一個狀態導致了下一個，只能說它們同時出現。反事實與因果神經建模的目標更高：預測在一場從未發生的介入之下，活動本會是什麼樣子。要檢驗這樣的主張，最終需要擾動 — 光遺傳學與雙光子全像刺激這些寫入側的工具，讓你能推一把那個狀態，並檢查模型是否預測了其後果。
誠實的極限與它的去向
還有兩個極限值得點名。第一，動力學會漂移：潛在動力學跨日是非平穩的，因此今天擬合的模型明天可能已然陳舊 — 這正是抗漂移軌道存在要解決的問題，其做法往往是穩定潛在幾何、而非穩定神經元。第二，存在一道不可約變異的地板：並非所有神經變異都是訊號，而沒有模型能解釋真正隨機的試次間雜訊。知道那道地板落在何處，能讓期望保持誠實。
它將往何處去？走向同時具備表達力、在明列假設下可辨識、可因果檢驗、又能長期穩定的模型 — 今日沒有任何單一方法能四者兼備。最有希望的方向統合了這條軌道的各條線索：能跨受試者遷移的大型預訓練動力骨幹（基礎模型），以可解釋的結構加以審問，並藉閉迴路擾動加以驗證，朝一個真正的神經數位孿生逼近。那是雄心，而非成就 — 但它是一份有紀律的雄心，也正是這讓此處成為整個領域智識上最鮮活的一角。