导论：从膜电位到 NeuroAI

WARNING

🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。

计算神经科学不是「用电脑背解剖名词」，而是把神经系统写成可积分、可证伪、可和人工智能对照的模型。本领域迁自一套五阶段教程（生物机制 · 数值模拟 · NeuroAI），并补上神经编码、回路制度等中间层，形成一条能读完、能跑通的主线。

正文先给地图和尺度梯子；需要把「为什么这一级必须用那种方程」讲清楚时，点开「逐步推导」。第一遍建议只记住三句话：膜是物理、尖峰是事件、和 ANN 的连续激活不是同一种东西。

---

一、它回答什么问题

神经系统同时是三样东西：物理系统（离子与膜）、计算系统（编码与学习）、生物系统（演化出来的约束）。计算神经科学站在交界处，典型问题长这样：

尺度	典型问题	常用模型
膜 / 通道	动作电位如何形成？	Hodgkin–Huxley
单细胞	电流如何变成发放率？	LIF、I–f 曲线
突触	时序如何改权重？	STDP、三因素规则
回路	兴奋–抑制如何维持稳定活动？	E–I 网络、平均场
结构	「谁连谁」如何约束动力学？	连接组、SONATA
与 AI	脑启发、对齐还是互相约束？	NeuroAI

保姆级：什么叫「写成模型」。 你不是在画一张更精致的解剖图，而是在指定：状态是哪些数（例如膜电压 $V$）、它们按什么微分方程走、哪些量可以和实验对照（尖峰时刻、发放率、权重变化）。改一个参数、重跑仿真、看图是否还对得上生理——这才叫可证伪。

和 科学计算 / AI4S 的差别：那里常常是已知 PDE、用网络去逼近解；这里常常是方程本身就是假说，要用生理数据来证伪。和 神经网络与决策 的差别：ANN 单元是可微的连续激活；生物神经元偏稀疏时间事件。

三条主线贯穿后续每一章：能指着图讲机制、能改参数看仿真、能说出和 ANN 差在哪。

逐步推导：为什么「一级尺度用一级方程」，以及和 PINN / ANN 差在哪（点击展开）

把神经系统当成一个巨大的耦合动力系统。完整描述要从每个离子通道的开闭概率写起，状态维数随细胞数、通道种类爆炸。所以建模的第一件事不是「写得越真越好」，而是选定切断尺度：

• 只关心尖峰形状和药物挡哪条电流 → 保留钠/钾门控，用 HH；
• 只关心一万个细胞会不会齐射 → 把尖峰折成阈值事件，用 LIF；
• 只关心「谁连谁」对动力学的约束 → 先有图，再挂点神经元，见 连接组。

这和 PINN 的工作流相反。PINN 假定 Poisson / Navier–Stokes 已经写对，残差 ${\mathcal{L}}_{\mathrm{PDE}}$ 是批改作业的老师。计算神经科学里，$C\dot{V}=-{\overline{g}}_{\mathrm{Na}}{m}^{3}h(V-E_{\mathrm{Na}})-\cdots$ 本身就是假说：换一套通道、换形态、换调制，方程就该改，要用钳制电流和尖峰形状来打假。

和 ANN 的差别可以写成一行对照。ANN 一层是 $h=\sigma (Wx+b)$，每个单元每个前向都吐一个实数；皮层通信更像稀疏点过程：大多数时间沉默，偶发全或无的尖峰。因此「把 ReLU 叫成神经元」只是入门口诀——后面 编码 会看到同一串尖峰至少有速率、时序、群体三种读法，ANN 默认只实现了第一种的粗糙版。

梯子上每一级的输出，是下一级的输入：HH 的 I–f 曲线给速率码；尖峰时刻给 STDP；STDP 改过的权重给回路；回路要挂在连接组上才谈全脑。跳级（直接从膜电位跳到「Transformer = 皮层」）会丢掉可检验的中间层。

---

二、建议阅读顺序

章	你将搞懂
神经元与突触	信号流、化学/电突触、尖峰 vs 激活值
HH 与 LIF	动作电位方程；工程上何时用简化点神经元
神经编码	速率、时间、群体；I–f 如何接到编码
Hebb 与 STDP	局部时序学习 vs 全局反传
回路	方向选择性；E–I 平衡与 raster
连接组学	结构图 → 仿真的六步流水线
NeuroAI	启发 / 对齐 / 约束三种研究姿态

不必先读完 Kandel 或 Dayan & Abbott。那些书当词典：卡术语再翻。

---

三、方法学地图（补全「只仿真细胞」的盲区）

计算神经科学的数据从哪里来？导论里先认亲戚，后面章节会各自落到一种：

方法	看到什么	看不到什么
膜片钳 / 胞内记录	单细胞膜电位、通道电流	全脑结构
胞外电极 / Neuropixels	多细胞尖峰、LFP	精细形态
钙成像 / fMRI	慢、群体活动	毫秒级尖峰
EM 连接组	突触级「谁连谁」	当场的发放与调制
行为 + 计算模型	可检验的机制假说	模型外的机制

完整主题意味着：细胞方程、编码、学习规则、回路、结构、与 AI 的接口六块都要有，而不是停在 HH 仿真截图。

保姆级：同一只动物、同一时刻，你永远拿不到「全部」。 连接组是死后的静态图；钙成像是慢的群体代理；钳制是少数细胞的精细电压。模型的工作是把这些残缺观测缝成一条不自相矛盾的因果链，并事先声明：这条链在哪一级会被新实验打断。

本章 demo.py 画一张「尺度梯子」：从离子通道到行为，每一级对应后面哪一章的模型。六级从左到右是生物尺度、典型问题、本教程入口——离子 / 通道（Nernst、门控 → HH 电流项），一直到与 AI（启发 / 对齐 / 约束 → NeuroAI）。

运行 code/demo.py 生成。左边是生物尺度，右边是本教程的模型入口。

---

四、小结

概念	一句话
计算神经科学	用可计算模型解释神经现象，并与 AI 对照
三条主线	机制、仿真、NeuroAI
点神经元	忽略形态，把细胞收成一个电压变量（LIF）
连接组	结构约束，不等于功能
切断尺度	先决定问哪一级的问题，再选方程

下一章：神经元与突触。

五、三条主线检查单

主线	读完导论应能做到
生物	指出膜 / 突触 / 回路 / 连接组各自回答什么
AI	说出本领域与 ANN、与 AI4S 的差别
模拟	知道后面每一章对应哪一级模型

📥 Code

File	View	Download
demo.py	Open	Download
exercise.py	Open	Download

参考

1. Dayan, P., & Abbott, L. F. (2001). Theoretical Neuroscience. MIT Press.
2. Gerstner, W., et al. (2014). Neuronal Dynamics. Cambridge University Press.
3. Kandel, E. R., et al. Principles of Neural Science.
4. 迁入来源：独立仓库 computational-neuroscience 的五阶段教程（生物机制 · 数值模拟 · NeuroAI）。