整楼唯一不做实验，他冷门方向押注30年

在北京大学吕志和楼（生命科学科研楼），多数实验室里尽是肉眼可见的物理实体：高灵敏度的显微镜、精密的多通道电极、小鼠行为箱，以及此起彼伏的仪器蜂鸣。

唯独404室是个例外。

推开门，里面没有试管架，也没有生物样本冰柜，只有一架架书籍。疫情期间，吴思一口气搬来17本数学书，涵盖微分几何、信息论、群论等领域。

“我是整个吕志和楼，甚至当年在中国科学院神经科学研究所（以下简称神经所）里，唯一一个纯做理论、完全不做实验的人。”57岁的北京大学心理与认知科学学院教授吴思说。在高度依赖实证数据的脑科学界，这个角色曾被戏称为“纸上谈兵”。

这些年，他常被认为在做某种数学游戏。他押注了20多年的那套数学模型，直到最近几年才迎来实验证据的印证。

这位理论物理学博士出身的计算神经科学家，从未被既有的学科边界束缚。他想弄清那个困扰了他数十年的核心问题：大脑究竟如何产生智能。

贴满纸条的墙

吴思的学术轨迹极具跨越性。

从北京师范大学获得理论物理博士学位起步，他先后在香港科技大学、比利时林堡大学、日本理化学研究所、英国谢菲尔德大学与萨塞克斯大学任职；2008年回国进入神经所，此后又先后任教于北京师范大学与北京大学，甚至在北京大学期间，他从最初入职的信息科学技术学院转到了目前的心理与认知科学学院工作。30年间，他换过近10个工作单位，足迹遍布欧亚大陆。

在外人看来，这是一段频繁跨界，颇为折腾的历程，吴思却不以为意：“其实根本没转。30多年来，我关心的核心问题从未改变。改变的只是解决它的路径，我一直在为解构大脑寻找合适的研究手段。”

关键的转折发生在1993年前后。当时正值读博后期，吴思在中国科学院生物物理所图书馆的一本国外科技期刊上，首次读到了关于人工智能的介绍。

“一下子眼前一亮。”30年后再回想，吴思依然眼神发亮：“如果能用物理和数学的严谨逻辑，去解构大脑如何产生思想与智能，那将是何等壮丽的事情。”

博士毕业那年，香港科技大学物理系招聘从事人工神经网络研究的博士后。吴思几乎没有犹豫，背上行囊南下。

这一步在当时并不明智。上世纪90年代中期，人工智能正处于低谷。早期神经网络曾被寄予厚望，却没有迅速形成令人信服的应用，研究热度随之下降。吴思说，那时在简历里直接写“人工智能”，别人甚至会觉得你像个“骗子”。

现实的考验接踵而至。

在内地上学时，课题组近10人共用一台简陋的台式机，学生每周按小时分配机时。到了香港，吴思直接面对全英文的科研环境、从未接触过的Unix工作站系统、复杂的C语言编程以及频繁的代码调试。

这位习惯了纸笔推导公式的物理学博士，展现出了极为务实与执着的韧劲。

他把遇到的每一个系统指令、常用代码和调试技巧，工工整整记录在黄色便利贴上，从电脑屏幕边缘一路贴满墙壁。不懂就问，学会一条记一张，贴上去。两三个月后，半面墙贴满了纸条，各项操作也已熟练于心。随后，他将纸条一张张撕下，墙面恢复了原样。

后来前往日本理化学研究所脑科学研究中心（BSI），进入人工智能领域领军人甘利俊一（Shun-ichi Amari）教授的实验室时，类似的压力再次显现。

甘利俊一的团队汇聚了来自全球顶尖机构数理功底扎实的学者。讨论班上，初来乍到的吴思感到不小的差距：“那段时间非常焦虑，常常在实验室忙到深夜。我反复思考，这究竟是知识储备的差距，还是天赋的差异。”

他选择延续此前咬牙坚持的节奏。大半年后，对甘利俊一交办的课题，吴思成为组里推进最快、最具执行力的人。

吴思课题组和甘利俊一教授合照

“唯一不做实验的人”

离开日本后，吴思赴英国任教8年，先后就职于谢菲尔德大学计算机系和萨塞克斯大学信息工程系。

随着时间推移，他的困惑也日益显现：“在纯计算机系的环境里做脑科学，久而久之有一种脱离实际的虚无感。你以为自己在做脑科学，实际上是在做数学。研究了很长时间，神经科学领域的人并不认同，认为这只是数学游戏。”

2008年，吴思决定回国全职加盟神经所，担任神经信息处理课题组组长。

那是一个以电生理学、分子神经生物学和动物行为学为主导的研究机构。作为全所唯一纯做理论与数学模型的课题组长，吴思的定位显得十分特殊。

但他适应了这种环境。他积极参加学术报告会，参与实验室讨论，深入了解数据的产生过程与实验的局限性。“要做计算神经科学，必须置身于真实的神经科学环境中。”他说。

在神经所期间，吴思继续将主要精力投到一个相对冷门的方向——连续吸引子神经网络（CANN），这是他从日本开始就押注了一生的研究方向。

这个概念看似抽象，但在现实中很常见：第一次在线上见到一个人，下一次线下见面，对方换了衣服、发型也变了，你仍可能一眼认出来。输入变了，人脑却能恢复出相对稳定的“这个人”。

吴思解释，这正是大脑神经网络工作原理的核心所在。连续吸引子神经网络试图描述这种机制：神经元相互连接与影响，网络从不同初始状态出发，最终收敛至某个稳定状态，犹如水流汇入低洼处。这一状态可对应一段记忆、一项判断或一个特定对象。

他与甘利俊一、王国彝（K. Y. Michael Wong）共同提出了WAW模型，并开发了专用的动力学分析工具——投影算法。

这是一场长达近30年的沉淀。

“常年得不到主流认可。”谈及这段经历，吴思十分平静，“能发表在优质期刊是因为理论模型推导严密。”

吴思常常被同行投以审视甚至怀疑的目光：“模型是挺漂亮，但如何证明真实的大脑确实是这样运行的？”

在很长一段时间里，关于连续吸引子的论文发表艰难，引用较少，但吴思始终保持定力。他非常佩服低谷期的杰弗里·辛顿（Geoffrey Hinton）：“辛顿最困难时，研究方向长期处于边缘地位，被领域内绝大多数人放弃。相比之下，我的环境好得多。”

转机在数年后悄然降临。老鼠内嗅皮层空间表征的研究为该理论提供了重要实验证据，研究人员也在果蝇连接组数据中观察到了类似的结构。

令人振奋的是，部分循环神经网络在完成工作记忆等认知任务训练后，自主演化出了连续吸引子结构。“那并非人工设计的结果。”吴思说。

如今，吴思仍期待一个更大的突破：找到一个像AlphaGo那样的应用，让人们看到这类模型的价值。

“我得拿出东西来。”他说，“只有拿出东西，别人才会认真读你的数学部分。”

吴思在作报告

从理论物理跨界的吴思，身上始终保留着一种物理学家式的“大一统野心”。

在他看来，当下的脑科学正处于突破的前夜——类似于17世纪牛顿力学建立前夕，或是20世纪初广义相对论诞生的时期。

“现在的神经科学，实验做得很精细，积累了天文数字级别的数据，但绝大多数研究仍停留在碎片化的经验归纳上。”吴思说，“你测了一个脑区，他记录了一组神经元，大家各说各话。”

建立脑科学的系统性理论，核心瓶颈在于缺乏有效的工具。

为此，吴思作出了两个重要决定。

第一个，是下场造底层轮子，搭建底层基础设施。吴思团队完全自主开发了一套兼具生物机理仿真与类脑机器学习的通用计算平台——BrainPy，并将其开源供全球计算神经科学界共享。

面对考核压力，花几年时间去打磨一套既不能立即换来顶刊论文又极其消耗心力的开源软件，在许多实用主义者眼里近乎“不智”，但吴思坚持认为这是理论学者的天职。

第二个，借鉴人工智能大模型经验，构建脑工作理论的大模型。为了提升理论素养，他重新系统性研读了数十本数学著作，涵盖信息几何、现代拓扑学、微分流形以及近世代数与群论等领域。遇到复杂的推导细节，他甚至会主动向比自己小30岁的博士生请教。

这也就解释了他为何在疫情期间买回搬来17本数学书。

面对大模型的快速发展，吴思保持着客观与冷静。

十多年前，如果让他为人工智能最难突破的能力排序，语言会排在前面。在他的理解中，语言曾经像人工智能领域的“皇冠”。它依赖语境、隐喻、长期学习，也包含大量关于世界的经验。

让他意外的是，这项能力却率先被语言大模型突破了。

但他并不认为这就等同于完整的人类智能。人类每天习以为常的许多能力，机器依然难以掌握。

“即便是刚刚学会爬行的一岁婴儿，在移动、抓取物体、理解物理因果关系的互动过程中所建立的世界模型，也异常复杂高效，而这才是通用智能的关键基石。”

吴思选择继续深耕自己的领域。对于长期形成的科研节奏，他早已习惯。近年来，其团队的研究成果逐步涌现，仅在今年上半年，团队就在Nature、Nature Communications及国际机器学习顶会（ICML）等平台发表了多项研究成果。

“一个人一辈子能做的事情非常有限。”吴思说，“我很幸运，30多年前就找到了值得专注一生的课题——以连续吸引子网络为基础，解密大脑的工作原理。既然确定了方向，走下去便是。”