做甜品科研已经做了快一年了，一个直观感受就是我确实不适合做科研，因为我没有那种 insights 能把好东西想出来，但是粪一点的 idea 我也不喜欢。找工作当然在任何时候都是一个很合理的选项。

但是至少还是看了下这个行业科研现状长啥样，觉得有的东西得理清楚一点。

首先要思考的是计算神经科学和计算认知神经科学的区别。

必须得说去年的时候魔怔复杂系统那一套/统计物理学那一套，其实和之前魔怔控制论那一套更喜欢强化学习差不多，其实都是一种 taste 的问题，似乎之前一直很喜欢用很简单很精美的 toy model 去模仿认知行为，这是我认为的计算神经科学的内容，或者我们可以这么归类：

  1. 非线性动力学（LIF/HH/FitzHugh-Nagumo等等）和网络动力学（Wilson-Cowan/fast and slow aka Morris-Lecar model）来模拟神经元集群的动力学特征。我的看法就是这玩意涌现出啥我都不奇怪，但是这种 implementation 有数学人那种自嗨的感觉，例如某全脑计算模型（跑
  2. 神经形态计算（neuromorphic computing）这玩意不熟，但是觉得一直是 EE 和（工程/应用）物理人的天下
  3. 统计物理派最喜欢的东西感觉有两个，一个是 Ising Model，一个是 spontaneous symmetry breaking，无论是加上 RNN 还是 LLM 基本都是统计新派的做法，你问我统计物理人老派做法是啥？那当然是 Bayesian Inference(Markovian Blankets) 那一套。虽然我在参加 NMA 之前对 Bayesian 的了解少之甚少，甚至大一因为没学会 Gibbs Samping 自闭了一小会，但是后来我确实觉得这种东西更多是一种 philosophical 的观念问题，接受了那种观念理解之后就是十分 trivial 的。

控制论或者说是后来继承大统的强化学习，其实后者只做了一个对人类学习/决策的模仿，它只模仿了人类决策的试错的表象，但是没有实际模拟人类做决策的过程，但是至少足够的 biological plausiable，虽然死路一条但是是复合我理想的计算认知神经科学的 principle 的。

计算认知神经科学的重点一定是认知而不是在其他两个上，只做计算完全可以去转行做 LLM+ Agent 去投 ACL 故事会；只做神经为什么不跟生物人一起搞全神经元记录，发不了 cell 堆了这么高维的数据也能去忽悠物理批数学批发个 Phys Rev X/Letters。

认知至少要体现在下面两个方面，不分先后：

  • 能够体现人类特有的功能
  • 模型能够模仿人类的行为学结果

不想写了，先写到这里。

更新： 在感叹有的课题组把人当机器来用看一堆数据集图片看四十遍dog/cat/apple的单词，一个实验一组数据两年内吃两篇一区外加三个名字重新排列组合相互Levenshitein距离（word level）不超过3的会议，说真，这个产出复旦的tenure都能到手了。 虽说早就看文章的时候会对某些lab有偏见，但每次碰巧刷到还是觉得很震撼。mvpa+meg水起文章来简直就是神经科学里面的prompt enginering，某些b真的把神经语言研究（尤其是语义表征、概念表征）搞的乌烟瘴气的。虽说保不齐我以后会不会上mvpa但感觉上了也是因为实验自带不可调和的flaw导致没法用十分简单快捷的rsa。