人的架构是如何实现智能的？计算神经科学运用数学模型、理论分析和大脑抽象，试图解答的就是这个问题。以计算理论为工具，我们揭示而非简化人脑神经结构之“湿”与复杂性。我们强烈推荐你使用泛用型播客客户端收听我们的节目（iOS 苹果自带播客，Pocket Casts, Overcast, Castro, Google Podcast 或安卓的 AntennaPod 等），第一时间听到我们的节目并得到每期完整背景资料的最佳方法。搜索「神经漫游」，你也可以在网易云音乐，喜马拉雅，荔枝 FM，哔哩哔哩和 Spotify 找到我们。本期纲要延伸阅读/ 顾金涛提到 /《The book of why （为什么）》by Judea Pearl & Dana Mackenzie：因果图分析《The Brain from Inside Out》by György Buzsáki：大脑是进化出来的，Implementation level 更重要。Movshon Seung 之辩：有关连接组所谓科普寒武纪大爆发那个up主？鬼谷藏龙/芳斯塔芙到底什么是生成式对抗网络GAN？私货：科研界的性别偏差。下次也邀请做计算的师姐来聊一期。SCRATCHbot - A Rat like Robot, by Tony Prescott 实验室/ 李想提到 /行为实验:目标为收集人/实验动物行为反应的实验 https://en.m.wikipedia.org/wiki/Cognitive_science#Behavioral_experiments; https://en.m.wikipedia.org/wiki/Behavioral_experimentSparsity（稀疏度）：指在神经网络（当然也可以是跟一般的网络）中，神经元（更一般而言 不同单元）间的连接保持相对低的数量（例如相对于全连接）Tom Griffiths的一篇论文，大意是通过在 Marr 的三层中的 computational level 上加限制，并反解出对应的最优决策，有助于理解/发现人在相应环境下的行为表现，https://onlinelibrary.wiley.com/doi/pdf/10.1111/tops.12142 / 杨闰哲提到 /Hebbian & Correlation Game - 赫布法则 Hebbian rule可见第一期延伸阅读此外（来自闰哲的自我推销）Runzhe & Kyle & Sebastian 最新的论文: https://www.cs.princeton.edu/~runzhey/demo/asilomar2019.pdf机器学习的四种学习方法：监督学习（Supervised Learning），强化学习（Reinforcement Learning），非监督学习/无监督学习，自监督学习社会学家 Charles Tilly 著作《为什么？》（Why）Sebastian Seung vs. Tony Movshon 就“大脑”“大脑地图”“神经科学的未来”的论战 https://blog.eyewire.org/brain-brawl-sebastian-seung-vs-tony-movshon-at-columbia-universityGorilla是一个在线的行为学实验平台 本期人物李想：纽约大学心理系二年级博士生，对计算认知/神经科学感兴趣，目前手上的项目主要是前者。曾经的兴趣之一是跟老猫一起做饭，现在的兴趣之一是回忆跟老猫一起做饭的日子。顾金涛（老猫）：本科生物，现在在上海纽约大学跟着 Sukbin Lim 用数学模型研究记忆和神经可塑性，还在找课题。杨闰哲：普林斯顿大学计算机系与神经科学研究所在读博士，本科毕业于交大ACM班，研究兴趣主要包括人工智能与计算神经。个人主页：https://runzhe-yang.science汉那：UCSD 认知科学本科在读。心灵哲学；语言认知；科技人文；后人类。写字，摄影，嗜咖啡。游荡者。书呆子。野心家。剪辑 / 北方后期 / 小葵花Special Guest: 李想.