「模型」到底是什么
想想一套玩具火车。它不是真火车——没有轰鸣的引擎，没有上百吨钢铁，没有乘客。然而，只保留要紧的东西（铁轨上的车轮、一圈轨道、一个可以拧的旋钮），它就能让一个孩子*弄懂*火车是怎么动的，而不必真去修一条铁路。科学上的模型正是如此：一个为某样东西刻意做出的简化替身，那样东西太大、太快、或藏得太深，无法一下子全部抓住。你把一切不必要的剥掉，留下骨架，最后得到一个能捧在手里的东西——在这里则是能在计算机上跑的东西——并且可以安全地戳一戳。
整个[[computational-neuroscience|计算神经科学]]领域，就是为大脑建造这类替身的手艺。不是要取代真东西，而是要让它*可以被想*。一颗大脑有数百亿个细胞，每秒放电许多次；你的脑子装不下这一切，你也很难在一颗活脑上随便做实验。模型则是一个小小的、听话的版本，你*能够*让它跑起来——加速、减速、关掉某个部件、在早饭前就问上一千遍「如果……会怎样？」。地图永远不是疆域本身，但当疆域大到无法一眼看全，一张好地图是你规划旅程的唯一办法。
理论与实验：两只手，一件事
人们很容易以为实验才是「真正的」科学，而理论不过是上面的装饰。可你想象一下，用一只手去鼓掌。实验*收集*事实——它记录一个细胞噼啪作响，它看着一片区域亮起来——但一堆事实本身解释不了任何东西，就像一堆砖头还不是一座房子。理论则是那张图纸，它说明砖头如何拼合，*并且*该去取下一块哪样的砖。这两者是同一段节奏：测量、解释、预测，再测量。
这里有整个神经科学史上最著名的一次握手。上世纪五十年代，两位科学家测量了流过一根巨型乌贼神经膜的电流，随后写下了一组方程，这组方程*重现*了那些电流，而且关键在于，它在任何人能直接看到之前，就预言了神经放电的形状。这项工作——[[hodgkin-huxley-model|霍奇金–赫胥黎模型]]——正是理论与实验融为一体的那一刻。数学没有取代那只乌贼；它解释了那只乌贼，进而预报了新的乌贼会做什么。这正是理论能给你、而一本记满测量值的笔记本给不了的东西：一个你可以拿去检验的*预测*。
对任何脑部件都该问的三个问题
当大脑里有什么让你困惑时，先弄清你问的究竟是*哪一类*问题，会很有帮助。一面经典的透镜——通常叫做三个[[levels-of-analysis|分析层次]]——把每一道谜题分成三层干净的层次。先拿一台熟悉的机器，一只手持计算器，来感受它们的不同。你可以问它*做什么*（把两个数变成它们的和）、它*怎么做*（电流以某种特定的模式流过一个个微小的开关）、以及它*为何*长成这样（这比掰手指头更快、更稳）。同一台设备，三个截然不同的答案——而要真正弄懂它，三个你都需要。
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")现在把这面透镜对准视觉。眼睛与大脑这套系统在*做什么*？把一片平铺的光斑，变成对外面那个立体世界的一个猜测。它*怎么做*？通过一层层细胞传递并重塑信号，每一层都推动下一层。它*为何*这样排布而不是别样？因为这种排布快、耗能少，而且就算细胞死掉也照常运作。这三个问题的美妙之处在于，它们让你不会把答案搞混——并且为这条阶梯上后面每一个题目递来一格架子，让每个新想法都有一个明摆着的位置可放。
大脑是一样随时间而变的东西
这里是整条阶梯上最令人豁然开朗的一个想法。大脑从来不是凝固的——每一个细胞的电压都在升升降降，信号在飞奔，整个东西始终处于不安分的运动中，*无时无刻*。任何按自己的规则、一刻接一刻不停变化的东西，科学家就称之为动力系统。一只摆动的钟摆是；天气、晃荡的一杯咖啡、此消彼长的一群兔子与狐狸，也都是。用这种眼光看待大脑——把它当作一个*随时间演化*的模式——的那一支脑科学，就是[[dynamical-systems-neuroscience|动力系统神经科学]]，它给了我们一条途径，去跟随那支舞，而不只是冻住单单一张快照。
为什么这件事如此要紧？因为它告诉你方程是*用来做什么*的。它们不是为了让大脑显得高深；它们不过是把一条变化规则写下来最诚实的方式——「给定眼下事物所在之处，这便是它们一个心跳之后会在哪里。」这一句话，就是后面一切的种子：一个细胞的电压追逐着自己的放电，一张网络安顿进一段记忆，一个念头逐渐成形。一旦你把大脑看成某种按规则流动的东西，方程就不再是一堵墙，而开始成为描述这股流动的天然语言。
前方的路，以及它为何值得走
这条阶梯上的一切，都是从你现在握住的这四个想法里长出来的。有些导读会一路放大到单单一个细胞，追问它的[[action-potential|动作电位]]如何能被数学捕捉，从细致的霍奇金–赫胥黎配方，一直到一张剥到精光的「把桶灌满直到它翻倒」的草图。另一些则拉远，去看会学习的整张网络，那是今日人工神经网络的祖先。还有一些追问：大脑是不是暗地里是一台预测机器——一个不断押注接下来会发生什么的猜测者，这个想法被称作[[bayesian-brain|贝叶斯大脑]]。也有一些向外看，看每一条连接绘成的地图，看那些为模仿神经元而布线的芯片。
而它的回报，远不止于实验室。我们从给大脑建模中学到的同一些道理，径直流入[[brain-inspired-ai|脑启发人工智能]]——那些能认出人脸、替你把句子说完的机器，从神经科学借走了它们的核心把戏：一层层简单单元一起学习。这股往来甚至是双向的：关于思考机器的洞见，反过来又喂养我们解读活体大脑的方式，包括那些让瘫痪者仅凭念头就能移动光标的装置。无论你将走向何方——医学、人工智能，还是纯粹的好奇——把一颗大脑变成一个你能跑起来的模型，这门本事，是你将要学到的最有力量的招数之一。这就是它值得攀登的理由。
- 模型是大脑一份被刻意简化的副本，你能让它跑、戳它、问它「如果……会怎样？」——它在许多处是错的，却在某一处是真的。
- 理论与实验是同一件事的两只手：实验收集事实，理论解释它们，并预测下一个该去检验的事实。
- 把每道谜题归入什么（问题）、怎么做（布线或配方）、为何（它为何这样建成）——三个层次，别把它们搞混。
- 大脑是一个动力系统——一个按自己的规则随时间演化的模式——所以方程不过是把「它接下来如何变化」写下来的诚实方式。