20世纪下半叶，人工智能和计算机技术的飞速发展，使许多人乐观地认为很快就可以造出与人脑相匹敌、甚至超过人脑的智能机器。甚至还有人提出人造智能机器在不久的将来会主宰世界和消灭人类，其中最突出的就是号称“人工大脑之父”的德加里斯（H. de Garis）教授[1]。但是，其论断的基础并不牢固。他立论的主要根据之一是摩尔定律，即计算机的运算速度每两年翻一翻。尽管摩尔定律已为过去的事实验证，但是作为经验定律的摩尔定律不可能无条件地永远适用，摩尔本人最近就指出了这一点。另外，更重要的一点是计算机的工作原理与人脑的根本不同，数字计算机在模式辨认和运动控制等方面远远不敌大脑，问题不在于速度，而在于它的工作原理。过去企图绕开对脑的了解，而仅仅通过编程或其他工程方法，只从行为上模仿智能行为从而企图在认知和辨识方面超过人脑，都以失败而告终[2]。德加里斯教授走的基本上还是这条老路。霍金斯（J. Hawkins）[2]2004年写了一本《智能论》*，专门讨论生物智能，虽然霍金斯的书写在德加里斯的《智能简史》之前，但该书实际上是对德加里斯论断最有说服力的批评。传统人工智能方法解决不了对真正智能的了解，为此必须了解大脑的工作原理。
过去50年来，在对脑本身的研究上，尽管人们付出了极大努力，也取得了很大进展，但离开彻底揭开大脑之谜还有很大距离。1990年代，美国政府通过立法宣布20世纪的最后十年为“脑的十年”，欧共体也提出了“脑的十年”计划，日本政府更在20世纪末雄心勃勃地提出了为期20年的“脑时代计划”，但是这一切似乎都没有达到预期的目标。现在的情况就像神经动力学的奠基人之一弗里曼（W. Freeman）教授所说的那样：“我们就像当年‘发现’美洲的探险家一样，碰到的并不是一串小岛，而是登上了整块大陆的海岸，广袤无垠的腹地还有待我们去探险。”
要搞清楚大脑是怎么工作的，还有很长的路要走。脑是如此之复杂，没有哪种单独的技术手段，或是哪种单独的理论工具可用来完全解决大脑之谜，每种手段或工具都只能从一个侧面来研究这个问题。这有点像瞎子摸象，只有把所有瞎子摸象所得到的知识综合起来，才有可能得出比较符合大象真实形象的概念。不幸的是，我们现在的处境还不如那些瞎子，对于那些瞎子来说，他们要解决的问题至少都是在同一个层次上，然而脑的问题却层次极多，在每个层次上都会发生下一个层次所没有的某些“突现”性质。所以，要了解脑，需要从多个层次去研究，还要跨层次地了解不同层次之间的联系，并且要采用多学科的手段。另外，在脑研究中，甚至在应该怎样研究脑的根本看法上，都还存在歧见。
脑研究的还原论观点与动力学观点
在传统的脑研究中，还原论的观点占据主导地位。在这种观点之下，人们力图把所研究的系统分解成若干个相互作用的部分，通过研究这些部分的性质，以及它们之间的相互作用来解释系统的活动机制。并要求根据这些认识所建立的模型，能相当精确地预测系统的行为。在这方面比较极端的看法是必须把脑功能还原到分子层次甚至更低的层次来进行研究，认为只有研究这些层次，也只须研究这些层次就能揭开大脑之谜。而这方面也确实取得了很大成就，但是光依靠从最微观层次的研究结果来阐释最宏观层次的现象，即使有可能的话，也是异常困难的。正如即使完全掌握了达·芬奇所用染料的每一种成分的性质，还是不能解释蒙娜丽莎为什么会那么美，这两者在层次上的跨度实在太大了。
由于神经系统的复杂性，对于特定研究对象，人们往往不能搞清楚它的所有组成成分，这些成分之间的相互作用也不清晰，忽略掉一些重要因素的“还原”常常意味着丢失掉一些重要信息。而且由于生物系统的个体差异非常大，能够精确描述某个对象行为的模型，往往不适于其他个体。也就是说，在精确性和普适性之间存在着测不准关系，要照顾结论的普适性，就要牺牲结论的精确性。考虑到上述这两点，在很多情形下，人们往往宁愿把研究对象看成是一种动态的、自组织的整体，其内部结构和相互作用极其复杂，因而很难完全考虑到其所有方面，也很难把研究对象精确地还原到各个组成部分及其相互作用。
譬如说，要在神经模型中完全考虑到各种神经调质的作用相当困难。在某些情况下，研究者不求有能力精确预测其将来的行为，而是满足于把握对象大尺度的行为模式。1980年代以后非线性动力学的发展正好提供了这样一种理论工具。通过测量研究对象的某些状态变量随时间的变化，就可以重构它的状态空间；通过研究其吸引子的性质，也就是说，研究长时间以后这些状态变量随时间变化的轨迹所形成的集合的性质，就能把握它的大尺度行为模式，即它的渐近行为。
20多年来，在各个组织层次上，从离子通道层次直至脑电这样的宏观层次，都已进行了大量研究[３]。研究者认为只有神经活动的大尺度模式才是重要的，他们并不要求能追踪每一条轨线，而是通过对其吸引子的研究了解其行为的总趋势，所以具有更广的普适性。他们对还原论观点的批评是“只见树木，不见森林”；而还原论观点对“动力学系统”观点的批评则是“只描述现象，而不能解释机制”。应该讲这两种批评都有一定的道理，现在还没有任何理由完全肯定或否定任一种观点。但实际上每个研究者在着手研究的时候，都自觉或不自觉的站在某一种观点上。充分认识这两种观点的长处和短处十分重要，应该把这两种研究思路结合起来，取长补短。但是怎样结合？这依然是一个没有很好解决的问题。
神经动力学观点
正是在这种背景之下，1990年代后期神经动力学蓬勃兴起。虽然它主要采用动力学观点，把神经系统当作动力学系统来研究，但是它并不排斥还原论观点。它强调对脑要进行跨学科和跨层次的研究，特别是应用非线性动力学的概念与方法以及各种数学工具。一些新的理论工具，例如混沌动力学、协同学、相变理论、复杂性理论、随机共振理论，正被用到各个层次的研究中去。目前神经动力学的研究已经在微观、介观和宏观等各个层次全面展开。最为困难的是大跨度的跨层次研究，在这方面仿真和建模以及一些理论工具起到了特别重要的作用。而这正是神经动力学可以大显身手的地方。
微观层次的研究从低到高依次包括分子层次、突触层次（亚细胞层次）、细胞层次（神经元层次）、神经元群体层次和网络层次[3]。如果将宏观层次再划分，可分成感觉—运动层次和认知层次。前者在神经系统输入和输出的两头，主要是生理层次；而后者涉及脑更为高级的功能，包括学习、记忆、语言、思维、情绪、认知及意识等，主要是心理和认知的层次。由于知觉是一个重建过程，因此不仅自下而上的信息处理和传递重要，自上而下的调控也很重要。事实上，感知过程中充满了不同脑区之间的信号通讯和具有“复馈”（reentry）特性的信号传递。把“自下而上”和“自上而下”两者结合起来的研究正日益引起人们的注意。对运动系统的研究则不仅涉及对运动的控制，还涉及对运动的计划。
弗里曼教授特别强调了需要从介于微观层次和宏观层次之间的介观层次上来进行研究[4]。他认为目前的脑研究在分子神经生物学和细胞神经生物学这样的微观层次上，以及在脑成像这样的宏观层次上都取得了非常大的进展，相关数据呈爆炸性增长。但随之产生的问题是，海量数据没有从理论上加以整合和解释，微观层次的研究和宏观层次的研究彼此之间缺乏联系和交流，没有建立把两者统一起来的理论。他认为要解决这种困难的最好途径就是在介观层次上进行研究和建模。“神经元的局部作用与脑状态的整体结构之间的鸿沟并不能一蹴而过，而需要介于这两者之间的介观层次的经验模型与实验数据一步一步加以弥合。”他认为这是科学上极有希望的新潮流。其《神经动力学——对介观脑动力学的探索》一书正是企图为这一重要研究方向奠定基础，介绍了这种研究的实验技术和理论手段，以及他自己所得到的结果和模型[4]。他认为今后介观神经动力学的发展，一方面要向下深入到细胞神经生物学的研究中去，使微观的研究能够与介观的功能联系起来；另一方面则是向上进入宏观脑理论及其在认知方面的应用。
神经动力学研究举例
现在来介绍神经动力学研究中比较有代表性的例子。
神经脉冲序列的动力学分析
单个神经元所发出的信息蕴含在它所发出的神经脉冲序列的时间模式之中。神经元受到的刺激不同，其发放节律也不同；神经元所处的内外环境（例如细胞外液中的各种离子浓度，细胞内的钙离子浓度等）发生变化，其节律也发生相应的变化。因此，反过来从神经元发放的节律中，是不是可推断出它所受到的刺激或者内外环境参数的变化呢？但是这种节律变化的模式太丰富了，怎样才容易着手研究呢？非线性动力学的理论研究，使人们认识到非线性动力学系统在某个刺激或者参数的大范围变化之下，其行为模式可以发生系统的变化，表现出从静息到各种不同周期的节律活动，直至无法预测其长期行为的混沌模式，甚至接近于随机。在某些临界点其行为模式能发生质的飞跃，这就是所谓的分岔。如果系统的参数在分岔点周围来回变化，那么系统的行为会表现出极其丰富多彩的模式。这样，非线性动力学就给了我们一个理论框架，在研究清楚像稳态、各种周期振荡、混沌这样的“基本”节律之后，通过对分岔规律的认识，人们就有可能认识真实神经脉冲序列是由怎样的一些基本节律构成的，反过来又使人们有可能认识产生这个神经脉冲序列的神经元所受到的刺激或者其内外环境的变化。
在正常生理条件下，细胞膜处于静息电位，也就是说处于固定点吸引子。改变细胞外的离子浓度有可能使状态产生自持振荡，即进入极限环吸引子。合原一幸等[5]发现在正弦电流驱动下，乌贼的巨轴突也可以表现出混沌的动力学行为。而且还从实验上发现了进入混沌的不同分岔途径。他们通过解正弦驱动下的霍奇金－赫胥黎（Hodgkin-Huxley）方程成功地仿真了这些现象，得到了各种不同模式的神经脉冲序列。在他们之后有一系列的工作研究了单个神经元或神经纤维的动力学行为。
我国的胡三觉和任维两个研究组在这方面也做出了很好的工作。通过人工灌
流感觉神经末梢，可以严格控制神经末梢的环境参数，由此获得基本上稳定不变的神经脉冲发放节律。改变环境参数，这种节律模式也会随之改变。任维等[6]通过
手术压迫大鼠的外周神经（坐骨神经），会形成自发产生持续放电的起步点。他们分析了这样得到的自发发放的脉冲间隔（ISI）序列。改变细胞外钙离子浓度，会改变放电模式。为了尽可能不漏掉所有可能的放电模式，李莉等[7]通过非常缓慢地连续改变细胞外钙离子浓度（从正常值逐渐降低到0），系统地记录到各种各样的放电模式及其间的相互转化。他们还用神经元的Chay模型（一种确定性神经放电理论模型）对这些现象进行了仿真，与实验结果吻合得很好。这些研究为系统理解神经脉冲发放节律的规律作出了贡献。
嗅觉感知的神经动力学
现在已发现嗅觉感受器有上千种类型。嗅觉上皮分成一些大区域，每个区域中不同类型的感受器随机分布。每个嗅觉感受器都能对许多不同的气味起反应，即产生神经脉冲，而同一种气味又能激活许多不同类型的嗅觉感受器。因此对于某种气味，单个嗅觉细胞都只能给出相当模糊的信息。那么如何用上千种不同的嗅觉感受器去区分上万种不同的气味呢？由于单个嗅觉神经元并不能表达某种气味，合理的推测就应该是由一大群神经元活动的时空分布来表达。因此，弗里曼[4]认为基于神经元群体活动基础之上的介观动力学是研究这一现象的合适工具。在实验上就是要同时记录许多神经元群体的活动。弗里曼把几十个电极（例如64个电极排成格阵）同时安置在要研究的脑区（例如嗅球）表面，记录下所在部位的局域场电位，电位表示神经元群体活动的兴奋程度，电极的分布占据了该脑区相当大的部分。分析在各种实验条件下神经元群体的局域场电位与神经脉冲密度之间的关系，建立起嗅觉神经系统的动力学方程。对方程及其计算结果的分析得知嗅觉系统是具有混沌特性的动力学系统，在特定刺激的驱动下它们可从自发的混沌态跳变到另一种吸引子。这种跳变的速度很快也很灵活，从而为认识神经系统如何辨识不同的刺激打开了新视角。
对神经动力学的展望
神经动力学既然如此重要，为什么直到现在才受到人们的重视？弗里曼在其《神经动力学》中文版的序言中分析了个中原因[4]：首先因为神经动力学是跨学科的交叉领域，要求研究者具有相当深度的不同学科的知识，对研究者的要求较高，研究的难度也较大。其次是已有所建树的研究者在他原来的方向上已投入大量时间、精力和金钱，除非另一个方向确实非常有前途，否则是不会轻易改变方向的。弗里曼认为年轻学子没有这种负担，因此在从事这类新兴领域的研究上具有相对优势，他把发展神经动力学的希望寄托在年轻一代身上，特别寄希望于年轻的中国学者。
令人高兴的是，完全由中国学者主编的国际
学术期刊《认知神经动力学》（Cognitive Neurodynamics）已经由斯普林格出版社在2007年初创刊发行了，完全由国内学者组织的第一届国际认知神经动力学大会也于2007年底在上海成功举行。笔者相信，中国学者必定能够在这一新兴领域作出重要贡献,就像弗里曼在序言中引用的莎士比亚的诗句：
世事的起伏本来是波浪式的，
人们要是能趁着高潮一往直前，
一定可以功成名就；
要是不能把握时机，
就要终身蹭蹬，一事无成。
*原书名为On Intelligence，中文版所译书名《人工智能的未来》与原作者的意思相悖，原作者反对用传统人工智能的思路去研究真正的智能。
[1] de Garis H. The Artilect War: Cosmists vs. Terrans：A Bitter Controversy Concerning Whether Humanity Should Build Godlike Massively Intelligent Machines. Palm Springs，California：ECT Publications，2005；德加里斯. 智能简史——谁会替代人类成为主导物种. 胡静，译. 北京：清华大学出版社，2006.
[2] Hawkins J，Blakeslee S. On Intelligence－How a New Understanding of the Brain Will Lead to the Creation of Truly Intelligent Machines. New York：Henry Holt，2004；霍金斯，布拉克斯莉. 人工智能的未来. 贺俊杰，李若子，杨倩，译. 西安：陕西科学技术出版社，2006.
[3] Korn H，Faure P. Is there chaos in the brain? II. Experimental evidence and related models. C. R. Biologies，2003，326：787.
[4] Freeman W J. Neurodynamics， An Exploration in Mesoscopic Brain Dynamics. Springer-Verlag，2000；弗里曼. 神经动力学——对介观脑动力学的探索. 顾凡及，梁培基，等译. 杭州：浙江大学出版社，2004.
[5] Aihara K，Matsumoto G. Chaotic oscillations and bifurcations in squid giant axons//Holden A V. Chaos. Princeton：Princeton University Press，1986：257.
[6] 任维. 神经元兴奋节律的神经动力学研究//复旦神经生物学讲座XX，2004：109.
[7] 李莉，古华光，杨明浩，等. 神经放电节律转化的分岔序列模式. 生物物理学报，2004，20（6）：471.
作者：