Grace W. Lindsay（本页按她的署名用英文名）· 博客名 Neurdiness（她自造的词，neuro + nerdiness，「神经呆气」）· 现任纽约大学心理学与数据科学助理教授 · 原址 neurdiness.wordpress.com，现 301 跳转到 gracewlindsay.com · 2012 年 9 月 3 日开写，sitemap 共 36 篇正文，到最近一篇为止跨度十二年四个月 · 全站免费，无付费墙，有评论区 · 产量极不均匀，这本身是重要信息：2012 年 9 月到 2013 年 5 月这九个月里写了 26 篇（几乎周更，当时她是博一学生），之后四年多只有一篇（2015 年一条播客公告），2017–2018 年回来写了 5 篇，2021 年之后 4 篇 · 明显转折有两个：2013 年 5 月的断崖（她进入博士正题），以及 2017 年回来时腔调整个换了——从面向大众的科学普及，换成在自己本行的争论里站位 · 博客基本停更：最近一篇是 2025 年 1 月 24 日。但她没停笔，写作主力移到了 The Transmitter（最近一篇 2025 年 10 月 13 日）和 2021 年那本书 · 本页通读 16 篇博客正文 + 5 篇她的站外署名文章，跨度 2012 年 9 月 3 日至 2025 年 10 月 13 日：最早期（2012-09 至 2013-05，该站前 20% 时间跨度内）读了 9 篇，2013 年断崖与 2017 年回归两个转折的两侧均有覆盖 · 选文以她自己 Neurdiness Blog 首页和 My Writing Elsewhere 两页上挂出来的篇目为主序（作者本人说「该读什么」优先于传播量），辅以站内回链（她 2018 年那篇最长的文章反向引了自己 2012 年的两篇）与站外关注度 · 需要说明：她 2021 年的书 Models of the Mind 本页没有读过，只读了她自己的书讯页和她为 Brains Blog 写的那篇写书自述，涉及该书处已标明；第六节引用的批评文献，本页读到的是期刊页上的摘要全文，不是靶文全文，该处亦已标明
1739 年的巴黎人排队去看一只会消化的鸭子。
这只金鸭子是发明家 Jacques de Vaucanson 的作品，站在底座上，会叫。你把饲料粒递到它嘴边，它会啄起来、一口吞下。过一会儿，它从后面排出一坨绿色的、带颗粒感的东西。Vaucanson 1782 年去世，人工消化先驱的名声完好无损。
六十年后，魔术师 Jean-Eugène Robert-Houdin 弄到了这只鸭子，想修一修。他把它拆开，发现它根本没有消化道。喂进去的饲料粒进一个容器，预先装好的、染成绿色的面包屑从另一个容器出来。
Grace Lindsay 在 2018 年用这只鸭子开了一篇文章的头，那篇文章问的是：现在的人工智能像不像大脑，我们又凭什么说得清？她接着写了一句话，这句话是她整个思想的轴：
An intuitive response to hearing about Vaucanson's cheat is not to say that the duck is doing digestion differently but rather that it's not doing digestion at all. But a similar trend appears in AI. Checkers? Chess? Go? All were considered formidable tests of intelligence until they were solved by increasingly more complex algorithms. Learning how a magic trick works makes it no longer magic, and discovering how a test of intelligence can be solved makes it no longer a test of intelligence.听说 Vaucanson 作弊之后，直觉反应不是说这只鸭子在用另一种方式消化，而是说它根本没在消化。但人工智能里出现了一个类似的趋势。跳棋？国际象棋？围棋？在被越来越复杂的算法解决之前，每一个都被当成智能的严峻考验。知道一个魔术是怎么变的，它就不再是魔术；发现一项智能测试可以怎么被解决，它就不再是一项智能测试。Planes don't flap their wings: does AI work like a brain?，Aeon，2018
这不是一句俏皮话，这是她的根问题。她想知道：「理解大脑」这个靶子，有没有可能在被击中的那一刻自动后退？她十三年前就在写同一件事了。2012 年 12 月，她去听了一场纪念图灵百年诞辰的会议，回来写：
Somehow in the process of understanding thought, we seem to discredit any thought processes we can understand. […] We may miss the opportunity to explain thought because we are too afraid of explaining it away.不知怎么的，在理解思维的过程中，我们好像会取消任何我们能理解的思维过程的资格。[……] 我们可能会错过解释思维的机会，因为我们太怕把它解释没了。Thoughts on thinking，2012-12-17
她对付这个后退的靶子，用的是一个很笨也很狠的办法：去把靶子立在哪儿的那句话找出来，照着原文量。
2018 年她写了一篇一万多英文词的长问答，为「用卷积神经网络当视觉系统的模型」这件事辩护。辩护里最关键的一步不是技术论证，是考古：她回去翻视觉科学家在深度学习火起来之前写下的、关于「什么才算一个好的视觉系统模型」的句子。她找到 Pinto 等人 2007 年的原话——理解大脑的物体识别方案，需要构建人工识别系统，而一个能工作的系统本身就是成功的有效度量。然后她下了判决：
From this perspective it's clear that CNNs do not represent a moving of the target in vision science, but more a reaching of it.从这个角度看很清楚：卷积网络不是把视觉科学的靶子移走了，而更像是击中了它。Deep Convolutional Neural Networks as Models of the Visual System: Q&A，2018-05-17
同一篇文章里她做了一个比这更漂亮的动作。所有人攻击这类模型的方式都是数它缺什么，于是她自己先把这份清单列到最全——脉冲、眼跳、兴奋与抑制细胞分离、动力学、反馈连接、跳层连接、振荡、树突，文中到这里她插了一句「[***吸一口气****]」，然后继续：皮层分层、神经调质、中央凹、侧向连接、不同细胞类型、双眼视、适应、噪声，以及「大概还有你最喜欢的那个大脑细节」。
列完，她不反驳这份清单，她取消它的资格：没有任何模型应该是对象的完整复制品；我们不能先验地断定任何一条生物特征是必需的，也不能因为模型缺了它就说模型是坏的。这是个经验问题。
然后她把审计的方向整个翻过来：
11. What do CNNs do that the visual system doesn't do? This, to me, is the more relevant question. Models that use some kind of non-biological magic to get around hard problems are more problematic than those that lack certain biological features.11. 卷积网络做了哪些视觉系统不做的事？在我看来这才是更相关的问题。那些用某种非生物的魔法绕过难题的模型，比那些缺了某些生物特征的模型更有问题。同上
缺东西不算作弊，偷东西才算。于是她逐条点名：卷积权重共享——同一个特征图上不同位置的神经元用完全相同的输入权重，而真实大脑里不存在一种「超距作用」(spooky action at a distance) 保证所有权重同步；最大池化——相当于一个神经元的放电率等于它所有输入里最高的那个，而真实神经元几乎做不到这件事，更可疑的是它原本是「取平均」，改成「取最大」纯粹因为性能更好。这就是鸭子的检查方法：不看它排出什么，看它肚子里有没有管道。
这把尺子最后指向了她自己这一行。神经科学家每天用降维、解码、调谐曲线这些工具去读神经活动，然后宣布大脑在做什么。可是没有人测过这些工具到底灵不灵。她在 2022 年提出了一个干净的解决办法：拿人工神经网络当校准台。因为在人工网络里你有标准答案——每个权重、每次激活、每条因果路径你都能完整看见。把神经科学的分析工具放上去跑一遍，看它们能不能把你已经知道的东西找出来。
Despite the fact that these tools shape the progress of the field as a whole, we have little empirical evidence that they are effective at quickly identifying the phenomena of interest.尽管这些工具塑造了整个领域的进展，我们几乎没有经验证据说明它们能有效地、快速地识别出我们关心的现象。Testing the Tools of Systems Neuroscience on Artificial Neural Networks，arXiv，2022
注意这是对前一个想法的完整翻转：在 2018 年，人工网络是大脑的模型；在 2022 年，人工网络是神经科学那台测量仪的校准件。她用同一个东西做了两件相反的事，而两次的理由是同一个：我们判断「理解了」的标准，自己从来没被检验过。
2025 年 1 月，她写了一篇跟神经科学完全无关的文章，但用的是同一把刀。那年的科技热词是「agentic AI」（有能动性的 AI），同时第二届特朗普政府开张。她把两件事并在一起看：硅谷在拼命给机器装能动性，而政治在拼命从人身上拆掉能动性。她自己承认人生有很长一段时间完全没有「行动者」的感觉，只是在观察——她在玉米地环绕的郊区长大，「那里没人做任何要紧的事，所以我也没指望自己会」。然后父亲在她博士毕业前去世，疫情来了，书出版后有年轻人告诉她这本书改了他们的职业。她决定接受「行动者」这个身份，并且立刻发现这个身份的代价：
With agency comes responsibility. If you have the power to change the world then why aren't you? 'Can' quickly becomes 'ought'. […] If modern AI agents had to experience true agency, with the moral weight that is intrinsically tied to it, their chains of thought would snap under the pressure.能动性带来责任。如果你有改变世界的力量，那你为什么不去改？「能」很快就变成「该」。[……] 如果现在的 AI 智能体真要体验一次真正的能动性，连着那份内在的道德重量一起，它们的思维链会在压力下绷断。2025: Agency gained and lost，2025-01-24
这是鸭子的最后一次出场。一个东西看起来在做某件事，不等于它在做那件事——这句话她在 2018 年用来替模型辩护，2025 年她用来给模型定罪。标准没动，只是这一次，达标的那一方是人。
2012 年秋天，北美神经科学年会（Society for Neuroscience，这一行最大的会）收了 17,253 份海报和报告摘要。
一个刚入学三周的博士生坐下来，把这批摘要按关键词数了一遍。带「意识」(consciousness) 这个关键词的，44 份。
她知道这不是因为没人好奇。她在一次神经科学的小型集会上提过这事，一位资深教授的回答是：
"Consciousness? That's a dirty word. Neuroscientists should never talk about consciousness."「意识？那是个脏词。神经科学家永远不该谈意识。」Conscious unawareness，2012-09-24
她接着去查了一个对照组，这是整件事变得有意思的地方。同一批 17,253 份摘要里，有 285 份是关于精神分裂症的——一个同样定义不清、同样没有干净动物模型的题目，而且只影响 1% 的人口。所以「太难研究」「定义不清」「做不出动物模型」都不是真正的理由，因为这个领域明明容得下另一个同样麻烦的题目。她的结论是一句倒装：
So rather than to say that we can't study consciousness because we don't even know what it is, I would say we need to study consciousness in order to find out what it is.所以，比起说「我们不能研究意识，因为我们根本不知道它是什么」，我更愿意说：我们需要研究意识，才能搞清楚它是什么。同上
这是她博客的第二篇。注意她做了什么：别人说「这个题目不能碰」，她不去跟这个判断辩论，她去数了一下这个判断在实际行为上留下的痕迹，然后找了一个控制变量。十三年后她的招数一点没变，只是对象从一个会议的关键词统计，换成了整个领域判断「我们理解了」的标准。
Grace W. Lindsay，匹兹堡大学神经科学本科，哥伦比亚大学理论神经科学中心博士，之后去伦敦大学学院的 Gatsby 计算神经科学单元 / Sainsbury Wellcome 中心做博士后，现在是纽约大学心理学与数据科学的助理教授。她研究注意力：注意力是怎么被控制的，以及它怎么改变感觉信息的处理。
博客的第一篇写在她到哥大参加入学集训（bootcamp）结束的那一天，题目是《神经科学的目标是什么？》——一个刚被灌了一周从基因测序到行为学的所有方法的人，第一反应是问这些人到底在共同追求什么。她在那篇里写道，这个问题「正好是个相当不错的第一篇博客选题」。
她 2021 年在 Bloomsbury Sigma 出了一本书，Models of the Mind（《心的模型》），讲数学和工程怎么一步步长进了脑科学。她也写过另一件更私人的事：她在玉米地环绕的郊区长大，用她自己的话，「那里没人真的做任何要紧的事，所以我也从没指望自己会」；父亲在她博士毕业前不久去世，那是她第一次被迫意识到「现在屋子里的大人是我」。
博客状态要如实说：基本停更。最近一篇是 2025 年 1 月。2022 年她说过想「恢复一个半规律的写博习惯」，之后三年只有三篇。但她本人完全没有停笔——她在 The Transmitter 上有专栏，最近一篇是 2025 年 10 月。本页会把那两篇算进来，因为她在那里写的就是她在博客上写了十年的同一件事，只是更锋利。
她博客第一篇问的是「神经科学的目标是什么」，而她给的答案是：现在没有一个共同目标，原因有两个。
第一个原因是层次不同。她用 Marr 的三层来拆：做大尺度成像的人和心理学家关心一片脑区的目标是什么，理论家关心它跑的是什么算法，细胞分子那一派关心这东西物理上是怎么搭起来的。「研究的层次决定了用什么方法、问什么问题、以及一个发现有多少价值。」第二个原因是目的不同：一个帕金森病实验室只要能减缓症状就算成功，而这跟「理解大脑」可以毫无关系——抗抑郁药和深部脑刺激长期都是黑箱，有效但说不清为什么。她那一篇的落点相当谦和：
But for now, we are all working on separate chunks of a puzzle who's end picture none of us knows for certain.但就眼下而言，我们都在拼一块拼图的不同片区，而最终那张图是什么，我们谁都不确定。What is the goal of neuroscience?，2012-09-03
如果她的思想停在这里，这就是一篇普通的博一感想。三个月后，这个问题换了一种更危险的形状。
2012 年 12 月，洛克菲勒大学开了一场纪念图灵百年诞辰的会，一屋子认知科学的大人物在讨论「思维之为思维」到底要什么。会上一个反复出现的主题是「新颖性」：真正的智能必须能用已有信息回答新问题；回忆一个事实不算智能，把回忆来的事实组装成一条新的推理链、从而能回答一类新问题，才算。
她回去写了一篇，先老老实实把这个标准套在当时的 AI 上——手写体识别算不算？她的判断很干净：计算机回答的东西是新的（一份它没见过的手写样本），但问题不是新的，「识别字母正是它被训练去做的事，也正是它做的事，没有任何新东西」。到这里她还站在怀疑派一边。然后她转了个身，这一转是她整个思想的起点：
But such a conviction is worrisome. It means that the bar we're measuring intelligence by inches up anytime a machine comes close to reaching it. Somehow in the process of understanding thought, we seem to discredit any thought processes we can understand.但这样一种信念是让人担忧的。它意味着每当一台机器快要碰到我们衡量智能的那根横杆，横杆就往上挪一点。不知怎么的，在理解思维的过程中，我们好像会取消任何我们能理解的思维过程的资格。Thoughts on thinking: what is and is not necessary for intelligence，2012-12-17
她对 IBM 的 Watson 下的判语是：说它「完全没在思考」，这句话的不公平「或许不是对 Watson 不公平，而是对我们在理解思维上的进度不公平」。那一篇的最后一句，她二十二岁写的：
We may miss the opportunity to explain thought because we are too afraid of explaining it away.我们可能会错过解释思维的机会，因为我们太怕把它解释没了。同上
这就是她接下来十三年一直在拧的那个螺丝。它不是「AI 到底像不像大脑」——那个问题太大，而且她明确拒绝直接回答它。她拧的是更底层的一颗：当我们说「理解了」「它真的在做这件事」「这是个好模型」的时候，我们到底在用什么尺子？这把尺子是谁立的、立在哪儿、会不会在被量中的时候自己挪位置？
六年后，这个问题终于有了一个她满意的形象。2018 年她在 Aeon 上写文章，开头不是神经科学，是 1739 年巴黎的一只金鸭子：Vaucanson 的会消化的鸭子，吞下饲料粒，排出绿色的碎屑，六十年后被魔术师拆开，发现肚子里没有消化道，只有两个容器。她从这只鸭子直接跳到跳棋、国际象棋、围棋，然后写下那句把前因后果一起锁住的话：「知道一个魔术是怎么变的，它就不再是魔术；发现一项智能测试可以怎么被解决，它就不再是一项智能测试。」
有了鸭子之后，她的工作可以分成三件，而三件其实是同一件：先去问「这个判准是谁立的」，再去问「这个仿制品偷了什么」，最后去问「我手上这把尺子本身准不准」。
2018 年 5 月，Twitter 上为一件事吵起来：卷积神经网络的各个部件，到底该怎么跟大脑对应？她看着这场吵架，注意到的第一件事不是技术问题，是社会问题。她写得毫不客气：
Computational models generally can catch slack in neuroscience, largely (but not exclusively) from people who don't use or build them; they're frequently painted as too unrealistic or not useful. Throw into that atmosphere a general antipathy towards techbros and the over-hyping of deep learning/AI (and how much $$ it's getting) and you get a model that some people just love to hate.在神经科学里，计算模型普遍要挨骂，骂的人主要（但不全是）是那些既不用也不做模型的人；它们经常被描绘成太不现实或者没用。再往这个气氛里扔进对科技兄贵的普遍反感、对深度学习／AI 的过度炒作（以及它拿到的钱有多少），你就得到一个有些人单纯就是爱恨它的模型。Deep Convolutional Neural Networks as Models of the Visual System: Q&A，2018-05-17
注意她没有把这当成反驳。她把它当成一个诊断：如果反对一个模型的理由里混了这么多跟模型无关的东西，那么争论双方大概没在用同一把尺子，而首先该做的事是把尺子找出来。
于是她做了一件考古工作。她不去问「卷积网络够不够像大脑」，她去问：在深度学习火起来之前，视觉科学家自己写下过什么样的验收标准？她翻到了 Pinto 等人 2007 年的一段话，并原样引进文章里：理解大脑的物体识别方案需要构建人工识别系统，因为这类系统能提供可实验检验的假设，而且「一个能工作的识别系统被实例化出来，是理解物体识别这件事特别有效的成功度量」。
这段话是 CNN 成功之前写的，是由那些后来最可能抱怨 CNN 的人写的。她把它拿出来，然后下判决：
From this perspective it's clear that CNNs do not represent a moving of the target in vision science, but more a reaching of it.从这个角度看很清楚：卷积网络不是把视觉科学的靶子移走了，而更像是击中了它。同上
然后她才摆证据，而且摆得很节制，分三条。第一条，架构本身就自带视觉等级的两个基本特征：越往高层，单个单元的感受野越大，正如从 V1 到 IT；越往高层，单元响应的图像特征越复杂，正如从 V1 的线条到 IT 的物体部件。第二条，活动能对上。2014 年 Yamins 等人的研究试了很多种架构，看哪种最能预测猴子 IT 细胞的反应；结果网络的第 3 层最能预测 V4，第 4 层（也是最后一层）最能预测 IT——层和脑区居然有对应关系。
但真正值钱的是那项研究的副产品，她专门拎出来：物体识别做得越好的网络，预测 IT 活动也越准，而完全不需要拿 IT 的数据去训练它。这是一条很强的证据，因为它不是拟合出来的——你优化的是一个行为目标，神经活动的相似性是白送的。
第三条，行为能对上：这些网络能比以前的模型更好地复现人类分类行为的模式，但在特定地方会掉链子——比如加噪声之后性能下降的方式不一样，或者图像变化很小的时候表现不对。她把这些不一致也原样写进来，因为在她的体系里，一个模型哪里不对，是这个模型最有用的部分。
她还反手补了一条几乎没人提的证据。有些性能很好的卷积网络其实预测不好神经活动——尤其是那些深到五十层的新模型。她说这是好消息：
Furthermore, observing that certain well-performing CNNs (see Q11) are not capable of accurately predicting neural activity is important because it indicates that not all models that do vision will be good models of the brain.此外，观察到某些性能很好的卷积网络无法准确预测神经活动，这一点很重要，因为它表明并非所有能做视觉的模型都会是大脑的好模型。同上
这句话的逻辑结构值得停一下：如果任何能做视觉的东西都自动能预测大脑，那「能预测大脑」就什么都没说。正因为有反例，这条相关性才是信息。她在为自己的证据找反例，这是她最稳的那个习惯。
这一节她最狠的一句话不是辩护，是追问。她引了费曼的意思（我们造不出来的东西就是没理解），然后把矛头转向自己这一行：
For all the data collected and theories developed about the visual system, why couldn't neuroscientists make a functioning visual system? That should be alarming in that it signifies we were missing something crucial. Now we can say our intuitions about the visual system were largely right, we were just missing the computing power and training data.关于视觉系统，我们收集了那么多数据、发展了那么多理论，为什么神经科学家做不出一个能工作的视觉系统？这件事本该让人警觉，因为它说明我们缺了某样关键的东西。现在我们可以说，我们关于视觉系统的直觉大体上是对的，我们缺的只是算力和训练数据。同上
攻击这类模型的标准姿势是列清单：它没有脉冲、没有反馈连接、没有神经调质。她的应对方式是个很少有人用的动作——她自己先把这份清单列到对方都列不全的程度。
原文的第 10 问就叫「视觉系统有什么是卷积网络没有的？」她的回答开头两个字是「Lots of things.」（多了去了。）然后一口气：脉冲、眼跳、分离的兴奋性与抑制性细胞、动力学、反馈连接、跳层的前馈连接、振荡、树突——写到这里她在文中插了一句「[***吸一口气****]」——皮层分层、神经调质、中央凹、侧向连接、不同细胞类型、双眼视、适应、噪声，然后收尾：「以及大概还有你最喜欢的那个大脑细节。」
列完，她不逐条反驳，她把这整类反驳的资格取消了：
No model will be (or should be) a complete replica of the system of interest. […] Which features are required in order to, say, predict the response of IT neurons averaged over the first ~100ms of image presentation? This is an empirical question. We cannot say a priori that any biological feature is necessary or that the model is a bad one for not having it.没有模型会是（也不该是）被研究系统的完整复制品。[……] 比如说，要预测图像呈现后头一百毫秒内平均的 IT 神经元反应，需要哪些特征？这是一个经验问题。我们不能先验地断定任何一条生物特征是必需的，也不能因为模型缺了它就说这是个坏模型。同上
紧接着是她这篇文章里最像她的一行字，也是全篇的转轴。她给自己的第 11 问是「卷积网络做了哪些视觉系统不做的事」，然后在回答的第一句就点明分量：
This, to me, is the more relevant question. Models that use some kind of non-biological magic to get around hard problems are more problematic than those that lack certain biological features.在我看来这才是更相关的问题。那些用某种非生物的魔法绕过难题的模型，比那些缺了某些生物特征的模型更有问题。同上
这是整个鸭子问题的操作化版本。鸭子的罪不在于它缺了消化酶，而在于它肚子里藏了第二个容器。缺东西只是简陋，偷东西才是作弊。于是她逐条审计自己用的模型，像查账一样：
权重可以是负数。意思是前馈连接既能兴奋又能抑制，而大脑里跨脑区的连接基本都是兴奋性的。她判这条可以放过：把权重理解成净效应，现实中可以由兴奋性连接接到抑制性细胞上来实现。
权重共享。这条她判不能放过。同一张特征图上、不同空间位置的两个神经元，用的是完全相同的输入权重。而在大脑里，偏好竖线的 V1 神经元在视野左边有一个、右边有一个，没人相信它们的输入权重一模一样。她这里给了全篇最好玩的一个词：
There is no "spooky action at a distance" that ensures all weights are coordinated and shared.不存在一种「超距作用」来保证所有权重被协调一致、彼此共享。同上
最大池化。用神经科学的话说，这相当于一个神经元的放电率等于它所有输入里最高的那一个。她说这几乎不可能由真实神经元直接做到。更可疑的一点是历史：这个操作最初是受复杂细胞的发现启发而来的「取平均」——而取平均是神经元轻轻松松就能做的；后来之所以改成取最大，是因为在物体识别上性能更好。一个原本有生物依据的操作，为了跑分被换成了一个没有生物依据的操作，而名字没改。这正是鸭子式的替换。
反向传播。这条她的处理最漂亮，因为她没有辩护，她报价。极端地看，你可以把反向传播就当成一个参数拟合工具，和贝叶斯推断拟合功能连接没有本质区别——别人用后者拟合出来的环路模型也没人说不可解释。但她立刻把这个便宜的代价标出来：
However taking this view does mean that certain aspects of the model are not up for interpretation. For example, we wouldn't expect the learning curve (that is, how the error changes as the model learns) to relate to the errors that humans or animals make when learning.但采取这个视角确实意味着模型的某些方面不再有被解释的资格。比如，我们就不该指望学习曲线（即误差如何随模型学习而变化）跟人或动物在学习时犯的错有任何关系。同上
抽象在她这里是一张开出去的支票：你可以抽象，但你必须当场说清你用这次抽象换掉了什么。她对「抽象」本身的辩护也是同一个结构，用的是一个归谬：
All mechanistic models rely on descriptive models as their base units (otherwise we'd all need to get down to quantum mechanics to build a model).所有机制模型都以描述模型作为自己的基本单元（否则我们每个人都得一路下沉到量子力学才能开始搭模型）。同上
这条思路在 2025 年长成了一篇独立的文章，而且对象换成了整个领域最常用的一对词。神经科学论文里到处都是「某结构对某行为是必要且充分的」。她回去查了哲学里「必要」「充分」的严格定义（「若 P 则 Q」），然后把它套回那些句子上：说某个脑干结构对小鼠叫声是「充分」的，难道是说只要这个结构被激活、别的什么都不需要就能叫？显然不是——没有声带也叫不出来，没有肺也不行。
The truth is that a large set of circumstances need to come together to observe any complex function or behavior. These circumstances are thus jointly sufficient for the behavior, but none of them are individually so. In modern neuroscience, we almost never know the full set of jointly sufficient conditions for behavior.事实是，要观察到任何复杂的功能或行为，都需要一大堆条件同时凑齐。这些条件合起来对该行为是充分的，但其中没有一条单独是充分的。在现代神经科学里，我们几乎从来不知道一个行为的那整套联合充分条件是什么。Claims of necessity and sufficiency are not well suited for the study of complex systems，The Transmitter，2025-02-07
她的收尾一句，是她全部写作里最省力的一次用刀：
We shouldn't waste time fighting over false dichotomies of whether a brain region is "sufficient" or not. Sufficiency is always a conditional claim; let's make sure we spend our time understanding those conditions.我们不该把时间浪费在「某个脑区到底算不算充分」这种假二分上。充分性永远是一个带条件的断言；我们该把时间花在搞清楚那些条件上。同上
这个想法的种子埋在 2013 年，比前两个都早，而且当时它看起来像是一个反对抽象模型的论证。
2013 年 5 月，她写了一篇题目很俏的文章——《方法学调酒：神经科学里多样性的有害一面》。她先承认这一行的工具箱有多壮观：从遗传学、生化、免疫学、物理学、计算机科学里东拿西拿，动物从线虫、果蝇到小鼠、猴子、人，动物可以清醒也可以被麻醉、可以自由活动也可以被固定、可以是整只动物也可以只是一片脑切片。「结果是一杯巨大而复杂的神经科学信息鸡尾酒。」
然后她问：这些数据点之间，我们是怎么连起来的？
通常的做法是：拿大鼠嗅球的神经发生结论去支持小鼠的实验，反过来也行。这里面藏着一个假设——不同动物的神经元在做同一件事，并且用同一种办法做。她指出这个假设经常是错的，而且错法很具体：同一个输出可以由很多组不同的输入产生。她举了 Eve Marder 的工作：同样的爆发式放电模式，可以由完全不同的突触电导和膜电导组合产生出来。所以如果你为了研究爆发机制，从左边那个系统测了钠电导、从右边那个系统测了钙电导，再把两个数拼进一个模型——这个模型对两个系统都是错的解释。
她接着做了一件相当不客气的事：把枪口转向自己这一派。
Not to malign my own kind, but theorists, with their abstract "neural network" models, can actually be some of the worst offenders when it comes to data-muddling. By using average values for cellular and network properties pulled from many corners of the literature, and building networks that aren't meant to have any specific correlate in the real world, modelers can end up with a simulated Frankenstein: technically impressive, yes, but not truly recreating the whole of any of its parts.无意抹黑我自己这一族，但理论家和他们那些抽象的「神经网络」模型，在搅浑数据这件事上其实可能是最严重的罪犯。他们从文献的各个角落里抓来细胞和网络属性的平均值，搭出一个在现实世界里不对应任何具体东西的网络，最后得到的是一个仿真出来的弗兰肯斯坦：技术上确实令人佩服，但它没有真正复现它任何一个零件的全貌。Methodological mixology: the harmful side of diversity in neuroscience，2013-05-10
她那一篇给出的处方是「模型要个体化」：别试图解释「神经元是怎么做事的」，去解释「被麻醉的成年猫的 V1 细胞为什么有对比度不变的调谐」。她写下一句很有分量的方法论格言：
The search for what is common to all networks should be saved until we know more of what is specific to each.寻找所有网络的共同之处，这件事应该留到我们更清楚每一个网络各自的特殊之处以后再做。同上
九年后，这个忧虑换了一个完全不同的出口，而且这个出口的巧妙之处在于它把忧虑本身变成了工具。
2022 年她开始带自己的实验室，在介绍实验室三条研究线的那篇文章里，她对第二条的来历只给了半句话解释：它「born out some frustration during my postdoc」（出自我博后期间的某种挫败感）。那条研究线叫「验证系统神经科学的工具」(validating the tools of systems neuroscience)。
挫败感来自哪儿不难推。神经科学家每天在用一整套分析工具去读神经活动：降维、解码、表征相似性分析、调谐曲线拟合、维度估计。然后他们根据这些工具的输出宣布大脑在做什么。而没有人系统地测过这些工具到底灵不灵。它们是地基，但地基本身从来没做过承重试验。
问题是你根本没法在大脑上测——因为要测一个工具准不准，你得先知道正确答案是什么，而在大脑上你如果已经知道了正确答案就不需要那个工具了。
她的解法是找一个有标准答案的大脑替身。人工神经网络：每个权重、每次激活、每一条因果路径你都能完整看见，并且能任意改动。于是你可以这样做——先用你完全掌握的方式在人工网络里造出某个现象，然后把神经科学的分析工具放上去跑，看它能不能把你已经知道的那个现象找出来。工具没找到，是工具的问题，不是网络的问题。
Neuroscientists apply a range of common analysis tools to recorded neural activity in order to glean insights into how neural circuits implement computations. Despite the fact that these tools shape the progress of the field as a whole, we have little empirical evidence that they are effective at quickly identifying the phenomena of interest. Here I argue that these tools should be explicitly tested and that artificial neural networks (ANNs) are an appropriate testing grounds for them. […] These properties, combined with the ability to perfectly observe and manipulate these systems, makes them well-suited for vetting the tools of systems and cognitive neuroscience.神经科学家把一系列常用分析工具用在记录到的神经活动上，以此获得关于神经环路如何实现计算的洞见。尽管这些工具塑造了整个领域的进展，我们几乎没有经验证据说明它们能有效地、快速地识别出我们关心的现象。我在此主张，这些工具应当被明确地测试，而人工神经网络正是合适的测试场。[……] 这些性质，加上我们能完美地观察和操纵这类系统，使它们非常适合用来审核系统神经科学和认知神经科学的工具。Testing the Tools of Systems Neuroscience on Artificial Neural Networks，arXiv:2202.07035，2022
停下来看一眼这件事的形状，因为它是她全部工作里最聪明的一步。同一个东西，她用它做了两件方向相反的事。在 2018 年，人工神经网络是大脑的模型——我们拿它来理解大脑。在 2022 年，人工神经网络是测量仪的校准件——我们拿它来检查自己用来理解大脑的那些工具。两次的理由是同一个：我们判断「理解了」的那把尺子，自己从来没被量过。
这条线还有一个她早在 2018 年就说出来的推论，而且这个推论得罪的是整个领域的默认研究单位。视觉神经科学（以及几乎所有神经科学）长期以单个细胞和它的「偏好」为中心：这个细胞偏好什么朝向、那个细胞是不是人脸探测器。她报告了一个很不舒服的发现：
Indeed, analysis of trained networks has indicated that strong, interpretable tuning of individual units is not correlated with good performance, suggesting the historic focus on that has been misguided.事实上，对训练好的网络的分析表明，单个单元有强的、可解释的调谐，与良好的性能并不相关，这说明历史上对这件事的关注是被误导的。Deep Convolutional Neural Networks as Models of the Visual System: Q&A，2018-05-17
更进一步，她提出把视觉系统当成一个系统来看，会改变我们对中间环节该抱什么期待。大量工作花在 V4 上，试图用文字或简单数学描述什么让 V4 的细胞兴奋。但如果 V4 只是通往物体识别路上的一个中转站，那么它本来就不该是能被干净描述的。「一个单元的言语功能解释——比如把它叫做眼睛探测器或人脸探测器——可能帮助我们的直觉理解、也捕捉到了某些重要的东西。然而这类言语解释可能夸大了类别性和局域化的程度，低估了这些表征的统计性和分布性。」这段是她引别人的综述，但她把它放在那个位置，是为了给自己那句「历史上对这件事的关注是被误导的」提供掩护。
这条线一直活到她最近的写作。2025 年 10 月，她在 The Transmitter 上组织了一篇关于视觉系统「遗留之谜」的文章，她自己写的那部分点的正是这同一颗螺丝——这次对象是解码：
But decoding on its own—training classifiers to read out prespecified information about a visual stimulus from neural activity patterns—cannot tell us how the brain uses information to perform a task. This is because the decoders we use for data analysis do not necessarily match the downstream processes implemented by neural circuits. […] It's clear that optimal, trained decoders don't guarantee us an accurate mechanistic understanding.但解码本身——训练分类器从神经活动模式里读出关于视觉刺激的、事先指定好的信息——不能告诉我们大脑是怎么用这些信息来完成任务的。这是因为我们为做数据分析而使用的解码器，不一定对得上神经环路实际实现的下游过程。[……] 很清楚的是，最优的、训练好的解码器并不保证我们得到一个准确的机制性理解。The visual system's lingering mystery，The Transmitter，2025-10-13
把三个想法并排放，会看见它们是同一个动作的三次重复：靶子是别人立的（所以去查原话）；仿制品可能偷东西（所以查肚子里有没有管道）；而你用来查的那把尺子自己也没被查过（所以去找一个有标准答案的台子）。十三年，她一直在同一个地方钻孔，只是越往下钻，被怀疑的对象越靠近她自己。
读一个长期写作者，最能拿走的往往不是结论而是手法。她的手法有七条，全部能从上面那些文章里直接抠出来。
一、先去数一下。这是她最朴素也最有效的招。有人说意识不能研究，她去数会议摘要：17,253 份里 44 份。而且她总是顺手找一个对照——精神分裂症 285 份，题目同样难、同样没有干净的动物模型、而且只影响 1% 的人口。一个数字能干掉一个氛围，两个数字能干掉一个辩解。
二、把对方自己写下的标准翻出来，当尺子用。她从不自己造验收标准，她去考古。为卷积网络辩护，她引 2007 年视觉科学家写的「什么算好模型」；批评「必要且充分」这对词，她回去查哲学里的严格定义，再回头看 Neuron 上那些句子对不对得上。这招的好处是它不可能被指控为偏袒：尺子是你立的。
三、先把反方最强的版本列到最全，再决定要不要碰它。第 10 问那串「吸一口气」清单是教科书级的示范。她不是在稻草人上练拳，她是把对手的弹药库清点完，然后说明为什么整座弹药库的口径不对。这个顺序很重要：如果她先说「这类批评无效」再轻描淡写地列两条，就是耍滑头；她先列到你无话可添，再说无效，你就必须认真对待那个「无效」。
四、抽象是一张支票，要当场写清它换掉了什么。她从不说「这是个简化，大家都懂」。她说：你可以把反向传播当成纯粹的参数拟合工具，那么你就不许再解释学习曲线了。你可以不要单神经元对应，那么你就得把解释的层次明确挪到群体。她对模型的宽容和她对代价的苛刻是同一件事——模型可以欠账，但账必须记在明面上。
五、挑刺是有正当性的，而且她知道这需要辩护。2018 年那篇讲意识的文章，她花了全篇去论证「言语报告并不比按按钮更特殊」，这在外人看来像是在抠字眼。她自己先说出了这个指控，然后一句话顶回去：
It's possible that this just seems like nitpicking. But Hawkan himself has raised concerns about the reputation of consciousness science as being non-rigorous. To do rigorous science, sometimes you have to pick a few nits.这或许看起来只是在挑刺。但 Hakwan 自己就担心过意识科学「不够严格」的名声。而要做严格的科学，有时候你就得挑几根刺。Consciousness revisited，2018-02-03
六、把会被浪费掉的东西捡起来用。这条很实用。2017 年她把自己博士论文的导言整篇贴到了博客上，理由写得非常清楚：按行规，一份博士论文大概只会被答辩委员会那五个教授读到；论文的各章反正会变成单独的论文发出去，但导言是为这一份文档专门写的，之后再没有任何出口。所以她把它搬到有人会看见的地方，并且号召别人也这么做。
反方向的例子更有意思：2018 年那篇一万多英文词的问答，后来原样长成了一篇论文——《卷积神经网络作为视觉系统的模型：过去、现在与未来》，发在 Journal of Cognitive Neuroscience（2020），现在被引四百多次。她在博文顶上加了一行：如果你要引用这篇博文，请改引那篇论文。博客在她这里既不是论文的通俗版，也不是论文的边角料，而是论文还没定型之前的那个形状。
七、用历史给自己打预防针。这是她最独特的一条，而且她是在写书的过程中被迫学会的。2012 年她写过一篇很好玩的文章，把几百年来被扔掉的大脑理论列成一张单子：动物精气在脑室里流动、靠液压驱动肌肉（笛卡尔还往里加了松果体作为灵魂的座位）；颅相学；「睡眠是每晚一次的脑水肿」；整个大脑是一个连通的大细胞（高尔基这一派，输给了卡哈尔）。她列这张单子的理由不是嘲笑：
As someone involved in doing research, it is important to realize that false results and incorrect conclusions can look just as legitimate and be supported by just as many smart people as correct ones.作为一个做研究的人，重要的是意识到：错误的结果和错误的结论，可以看起来和正确的一样正当，也可以得到同样多聪明人的支持。Standing on the shoulders of people of roughly average height，2012-10-02
九年后写完书，她把这件事推到了一个让人不太舒服的地方。她说写书逼她去做一件比「承认过去的理论错了」困难得多的事：真正钻进那个错误的脑子里，让它在自己脑中成立。比如十九世纪生理学家 Johannes Müller 主张活力论，认为神经系统的活动永远不可能被还原为物理事实。她为了讲这个故事必须去理解这个想法，而她脑子里有整整几个厅堂是关于神经元如何用电来传信号的——「活力论撞在我知识的地基上」。
Insofar as a future neuroscientist's mental model will not be hospitable to many of my own current beliefs, I would also find theirs foreign. A future (more accurate) understanding of the brain would chafe against my own understanding much the way Müller's does. The future is as alien as the past.既然一位未来的神经科学家的心智模型容不下我现在的许多信念，那我也会觉得他的模型很陌生。一个未来的（更准确的）大脑理解，会像 Müller 的理解一样磨着我的理解。未来和过去一样陌生。Unthinkable Pasts and Undreamable Futures，The Brains Blog，2021-06-23
她还为这件事找了一个让人没法反驳的私人证据：她从小是天主教徒，十几岁时还热烈地相信宗教提供的那个实在；现在的无神论舒服得多，但从那边走到这边一点也不容易。她管这个叫「认知活化能」——哪怕终点是一个更好的理论，拆掉现有信念本身就是一道很高的门槛，而这道门槛会拖慢科学。她从这段经历里拿走的东西是：
Simply put, I am less invested in my own beliefs.说白了：我对自己的信念投入变少了。同上
第一刀来自一篇指名道姓的靶文。2022 年底，Jeffrey Bowers 等十三位作者在 Behavioral and Brain Sciences 发了一篇题为《深度神经网络作为人类视觉模型的深层问题》的靶文（BBS 第 46 卷，e385）。本页读到的是期刊页上的摘要全文，没有读靶文正文，也没有读随刊的评论与作者回应——下面只报摘要里明确写了的两条。
他们把「DNN 是最好的生物视觉模型」这个结论拆成三条支柱：分类最准、最能预测人类分类错误的模式、最能预测脑信号。然后给出两个打击。第一，这些行为和脑数据集根本不检验「是哪些特征让预测变好的」，而他们展示了这些预测「可能是由跟生物视觉几乎没有重叠的 DNN 中介的」。第二，而且他们说这一条更严重：DNN「几乎解释不了任何心理学研究的结果」。他们的处方是：做模型的人该去解释心理学发现，更一般地说，该去「构建能解释那些操纵了自变量、用来检验假设的实验结果的模型，而不是竞争谁的预测最好」。
这一刀正好扎在她的承重柱上。她那篇问答的第 6、7 问——「我们有什么证据说它们像大脑工作」和「有没有别的模型能更好地预测视觉区的活动」——答案全都建立在「比别的模型预测得更准」上面。更麻烦的是，她自己的举证规则在这里反过来咬她：她的规则是「不能先验地断定某条生物特征是必需的，这是个经验问题」。好，那么「在一整类心理学实验上系统性失败」正是一条经验证据，它为什么不算不达标？她的规则擅长挡下「你缺了 X」，却没有说清什么样的失败才构成失败。
第二刀来自她自己，而且她从没处理过。2013 年她写：「这种对柏拉图式神经网络的追求——想在抽象层面解释神经功能——在我看来是被误导的。」她当时的主张是模型必须个体化，具体到「被麻醉的成年猫的 V1」。2018 年她写：「抽象没有什么不对。」并且为一个单个单元明确不对应单个神经元的模型做了长篇辩护。
两篇单独看都有道理——2013 年反对的是跨制备混合参数，2018 年辩护的是在一个被声明清楚的层次上做抽象，这两件事技术上可以共存。但她中间那一步转变没有写出来，而那一步恰恰是最值得写的：是什么让「从文献各处抓平均值搭出来的弗兰肯斯坦」变成了「在群体层次上成立的机制模型」？弗兰肯斯坦那个比喻本来是很锋利的，而她后来没有再回去问，自己用的那个模型会不会也是它的一种。
第三，她那把最好用的刀本身是偏袒现任者的。「不能先验地说某个生物特征是必需的」这条规则，效果是把举证责任整个压到批评者头上：你不能说「它缺了反馈连接所以是坏模型」，你必须拿出一个具体的、因为缺了反馈连接而失败的预测。问题是做出这种预测通常需要先有一个好模型。于是在新模型最需要被怀疑的那个阶段，这条规则让它几乎无法被怀疑。她没有讨论过这个不对称。
第四，意识那篇把一个经验问题转成了定义问题。她论证言语报告只是众多行为读数中的一种，并不比按按钮或眼动更特权，因此「主观意识」在技术上不可测量——「我们只有行为读数」。这个论证我认为是对的，但它的效果是让这类研究失去研究对象，而不是让它变得更严格。有趣的是她知道这个手法的存在：在另一篇讨论数学是发明还是发现的文章里，她主动声明「我也许正在把这个问题化简成一个非问题」(there is a chance that I am reducing the question to a non-argument)。她对数学那篇保持了这份警惕，对意识那篇没有。
第五，她自己最坦白的那条，是关于她为什么换了研究方向。她 2022 年转向把计算机视觉用于气候问题，而她写下的起点不是「这个问题更可解」，是情绪：读完气候报告之后「那是毁灭性的、让人瘫痪的」；她开始为每一次开车、每一件买的东西算账；她和丈夫听了一档播客，讲一个父亲把全家逼进越来越极端的气候行动而毁掉了家庭，他们一边说这人疯了，一边说「可是从某种意义上他是对的，不是吗？」她的结论句很诚实，也很沉重：
Knowing this makes every bit of time I spend not working on climate a pure indulgence. […] I'm on borrowed time here. The fact that I get to spend any time speculating about the brain and mind is a gift.知道了这件事，我每一点没花在气候上的时间都成了纯粹的放纵。[……] 我是在借来的时间里活着。我还能花任何时间去揣测大脑和心智，这是一份礼物。An Introduction to the Lindsay Lab，2022-10-19
这段话我不愿意说它错。但要指出一个结构：一个用了十年去追问「我们判断重要的标准是谁立的」的人，在给自己的工作排序时，用的标准换成了「哪件事能让我不那么内疚」。她在 2025 年那篇里自己承认了这个尾巴——即使转了方向、即使去打了竞选电话，「总还是有一种感觉，我本来可以、也本来应该做得更多」。她把这件事写成了能动性的代价，这是对的；但它同时也是一套没有止点的排序规则。
第六，一个必须如实说的事实：这个博客基本不写了。2013 年 5 月那个断崖之后四年多只有一篇；2022 年她说想恢复半规律更新，之后三年三篇。她的好东西现在在 The Transmitter、在论文、在那本书里。本页能把她的思想串成一条线，有一部分原因是她在博客上写得太少——少到每一篇都是一个节点，没有噪音。这对读者是运气，对「博客」这件事不是。
本页其余引用依次出自：What is the goal of neuroscience?（2012-09-03，站上第一篇）、Standing on the shoulders of people of roughly average height（2012-10-02）、The Big Science approach to neuroscience（2012-10-30）、The right tool for the job（2013-02-11）、Finding the treasure（2013-02-24）、Something old, something new, something borrowed, something untrue（2013-05-26）、Is math invented or discovered?（2017-08-01，「我也许正在把这个问题化简成一个非问题」出自此篇）、Modeling the Impact of Internal State on Sensory Processing（2017-11-27，她贴出来的博士论文导言）、Models of the Mind（2021-02-10，书讯页，本页没有读过书本身）、An Introduction to the Lindsay Lab（2022-10-19）、So you're an academic who wants to help with the climate crisis?（2023-08-04）。站外：Unthinkable Pasts and Undreamable Futures（The Brains Blog，2021-06-23）、"I Don't Know If I'm a Scientist": The Problem with Archetypes（Scientific American 客座博客，2013-07-10）、Testing the Tools of Systems Neuroscience on Artificial Neural Networks（arXiv，2022）、Claims of necessity and sufficiency are not well suited for the study of complex systems（The Transmitter，2025-02-07）、The visual system's lingering mystery（The Transmitter，2025-10-13）。第六节的批评文献：Bowers et al., Deep problems with neural network models of human vision（Behavioral and Brain Sciences 46, e385，2022 年 12 月 1 日上线；本页只读了该页上的摘要全文）。她的实验室：lindsay-lab.github.io。博客首页：gracewlindsay.com。