控制变量十二宗罪，大自然才是最好的行为实验室

人类为何对大脑如此着迷？不同的人有不同的答案。或许是作为精妙的生物系统，大脑展现着演化的奇迹；作为复杂动力学系统，它向物理学提出诸多挑战；作为认知与行为的物质基础，它承载着智能的奥秘。但所有人都会承认大脑是我们的本质，是解读感知、行为、记忆、情感与思维的终极密码。我们渴望弄清大脑如何支撑日常的自然行为，如何塑造每一天的生活体验，又如何被生活塑造。

然而经典的脑功能研究往往回避自然行为的复杂性，与还原论携手并行：将整体功能大卸八块，变成一个个次级问题，乃至次级问题的次级问题，然后在高度受控的实验室环境中分别研究。这种手法在物理学等精密科学中屡试不爽，在神经科学也有一定作用，但我们不能完全依赖它。作为补充，我们需要在更接近生物自然行为的情境中探究大脑机制。

神经科学之所以热爱还原论，主要有两大原因。一方面，技术手段的局限阻碍了对真实环境下大脑活动的研究，不过近年的快速进步，为这一问题带来了新的希望。另一方面，科学哲学更喜欢简洁和可控的环境。那么，这样做的代价是什么呢？在还原论指导下，经典实验室环境中，行为被过度简化，不仅改变了行为表现，还让大脑活动出现偏离，使得实验结果与真实情况产生偏差。

本文将系统梳理大量实验数据，揭示一个关键事实：当研究场景引入复杂自然的行为与刺激时，大脑会产生截然不同的活动模式。这种范式转变正形成新的学术潮流——越来越多的神经科学家开始将动物自然行为与所处生态环境纳入研究框架。我希望与读者一同投身这场回归真实世界的脑科学革新运动，探索更贴近生命本质的大脑奥秘。

本文作者

Nachum Ulanovsky

魏茨曼科学研究所首席研究员

主导Ulanovsky实验室，采用“自然神经科学”方法，旨在揭示自由活动动物自然行为的神经机制。专注于研究飞行蝙蝠的空间、时间和社会行为的神经编码，并运用实验室开创的无线神经生理学方法。研究发现了动物在复杂、三维或大规模环境中导航，或参与社会互动时，具有新的神经元表征。这些表征包括三维位置细胞和网格细胞，以及代表目标方向和距离的“矢量细胞”，以及代表其他动物的“社会位置细胞”。

▷本文为Natural Neuroscience Toward a Systems Neuroscience of Natural Behaviors章节1.1，有删改。

神经科学的学术光谱：

人工与自然，受控与非受控

我们先从简单的跳蛛说起。跳蛛拥有高度发达的视觉系统，其前侧大大的主眼不仅能锁定昆虫猎物，还能在复杂三维环境中规划捕食路径（图1.a），在蜿蜒交错的枝干间爬上爬下，正确经过每一个分叉点，在视觉遮蔽与环境背景的干扰下，也能持续追踪猎物方位1。即便猎物暂时脱离视野，跳蛛也能根据脑内构建的三维地图，在停下来的时候精准调整身体朝向2。

在求偶场景中，雌性跳蛛展现的认知能力同样惊人：它们需要综合视觉与震动信息，才能完成物种识别与择偶3。要实现这些行为，跳蛛需要完成一系列高阶认知过程：比如在脑内构建三维环境的内在表征，在杂乱环境中区分前景与后景，确认目标是食物还是配偶，在三维空间规划路径，同时整合寻路过程中的视觉信息，实时更新自身与目标的方位。很显然，要在实验室里完整复现这样环环相扣的认知-行为链，这几乎不可能。

这仅仅是动物们在日常应对真实世界难题的一个缩影4。反观心理物理学与神经生理学的实验室，我们通常使用二维几何图案作为刺激材料（图1.b），要求被试识别格式塔图形5。但这比起很多视觉实验室的信号已经算是复杂了，有些实验室甚至只用一些简单的点、线或者Gabor斑纹（图1.c）。但凡看一眼图1就能发现，1.b和1.c的图案既不复杂，也不自然，也就比跳蛛的寻路问题简单了那么亿点点。对于拥有高度进化脑结构与复杂行为的哺乳动物而言，这种实验室与现实的落差就更为显著了。

▷图 1 a)跳蛛的三维寻路过程。 b,c)实验室常用的人工刺激。

如果给神经科学的研究画一个坐标系（图2），那么x轴就是行为的自然度（人工→自然），y轴就是变量的控制程度（非受控→受控）。90年代前乃至21世纪初，绝大多数神经实验都属于体外研究或麻醉状态/头部固定的体内研究，在图2中位于"受控且人工"的左上角。行为研究也如此，它们只聚焦单一行为，强调控制好每一个变量并隔离环境，往往与生物自然行为模式关联薄弱。

当然，凡事皆有例外，约翰·奥基夫( John O’Keefe）在1970年代研究小鼠的海马细胞时，他就记录了自由活动大鼠的神经信号。但例外终究是例外，他的研究并没有改变科学界“控制越精密，实验越合理”的金科玉律。

▷图 2：神经科学研究可按照受控程度与自然程度分类。

笛卡尔、培根、与伽利略：

还原论与控制变量法的鼻祖

回头想想，这种"控制至上"的理念根源何在？技术的限制当然是一个原因，当时研究者必须固定实验动物的头。另一重考量则是科学界对实验可重复性的追求，只有在标准化的操作环境中，才能确保不同时间、不同实验室的数据可比性。然而，这背后更深层的根源，实为笛卡尔、培根与伽利略为现代科学打下的哲学地基。

笛卡尔最出名的思想成果是解析几何与“我思故我在”的极端二元论，后者主张心灵与肉体独立运作，今天已经没人买单。但他研究物质世界的方法论6却对后世影响颇深。这主要体现在以下两点：

研究世界须聚焦可量化之物，一切现象都要精确量化为尺度、形态、运动，并用数学语言加以描述；
凡事应化繁为简，复杂对象可以被拆解为自然界各领域共通的基本单元。这就是笛卡尔式还原主义的核心。

学界公认，现代还原论是由笛卡尔学说发展而来，试图用尽可能精简的物理定律与基础要素，配合数学语言解释世间万物。既然世界是一个巨大的乐高，那么最佳的研究方式便是把积木拆开，变成孤立的组件，然后把它们一个个给单独摸透。也就是说，实验应当控制变量。

与笛卡尔同时代的弗朗西斯·培根摒弃了中世纪坐而论道的经院哲学方法：人们不应再依赖内省思辨来空谈自然现象，而必须通过实证研究，借助系统的观察与实验来收集有效事实7,8。培根主张，要想阐明物理现象的根本原因，必须通过精妙的实验设计来孤立不同的原因，继而运用归纳推理揭示其内在规律，这与现代还原论提倡的控制变量法不谋而合。这种通过系统观察与控制变量实验精确分离变量、再以归纳法推导物理规律的研究范式，即"培根法"，是现代科学的奠基石8。

十七世纪早期科学革命的第三位奠基者是伽利略·伽利雷。伽利略与笛卡尔、培根一致的地方在于，他同样强调科学研究需要细致观察、严谨实验、数学描述。但不同的是，他科学哲学的浓度不高，而是一位活跃的身体力行的实验科学家。他在物理学和天文学领域取得诸多根本性突破，被霍金誉为现代科学之父9。他最为人称道的是勇于挑战当时的统治阶层的教条，这种精神激励着一代代学者去质疑主流、质疑常识、质疑现状。伽利略运用控制变量实验研究物理现象所取得的成就，以及科学界对其方法论的长久认可，也助长了学术圈对高度受控实验的推崇。

▷科学革命（1525-1725 年）关键人物，从左至右分别为，伽利略、牛顿、笛卡尔、培根。

细数控制变量法的十二宗罪

当然，一个新思想的孵化，离不开观察与实验带来的事实数据支撑，但是也要考虑到研究的手法。控制变量法并非科研圣经，像笛卡尔那般把复杂的研究对象大卸八块，像流水线一样一个个把自变量过一遍，同时将其他变量死死地钉在对照组里，无异于自我阉割。

在物理学某些领域中，还原论无可置疑。例如，假设某容器内气体压力分别受温度与体积的影响，那我们就设计两个实验，一个固定温度改变体积，一个固定体积改变温度。但即便在物理学里，也存在成因复杂交织、无法拆解的涌现现象——即整体大于部分之和的复杂系统。

在凝聚态物理与统计物理中，微观粒子的基础特性就难以解释超导与超流现象、玻璃与晶体的特殊性质，以及各类相变过程10,11。物理学家菲利普·安德森（Philip Anderson）如此评价：“还原主义者既然认为一切现象都源于几条基本法则，那么在他们的世界里只有粒子物理学家和天文物理学家是真正在干活的人。他们以为还原论等同于建构论（constructionist），以为把部分组装成整体，就跟把整体拆成部分那么简单10。”

《弗兰肯斯坦》的主角希望用肉块造人，但最终只获得了一个缝合怪，这就是“整体大于部分之和”的故事。在脑科学与行为科学，大量的涌现现象让这种“缝合怪谬误”更为明显12。我们不可能在高度控制变量的实验室环境里研究单个神经元的生物物理机制，然后指望用这些结论去缝出复杂多样的行为与认知现象。我虽然不是完全排斥控制变量法，但不能抛开剂量谈毒性，而如今控制变量法的“剂量”实在太大了。现在，实验科学家应当降低剂量，创造更加贴近自然的实验室环境，以研究自然行为的神经活动。

以下是传统的“受控且人工”研究的12个地雷，有时候一个实验踩不止一个雷也不出奇。此外，原因1是基于实验数据归纳的事实，而后面的11条是解释原因1的观点。

神经响应差异。大量实验表明，大脑对自然行为的处理机制，与受控环境存在显著差异，我们无法利用神经元针对人工刺激时表现的性质，来重构它们在自然状态下的活动。这是打脸了还原论的有效性。
大脑是复杂系统。大脑作为高度非线性的动力系统，细胞的集体行为会产生涌现现象。人为控制单个因素会引发"牵一发而动全身"的连锁反应。
环境也是复杂系统。现实世界本身就是由不可分割的外部因素构成的复杂网络，不可能像实验室那样分离出不同的环境因素。
脑-环境双向交互受阻。大脑和环境通过行为实现双向交互，控制变量实验常常会切断这种交互，导致神经活动与行为模式的失真。
上层调控缺失。大脑会自上而下地大量传递情境、情绪、预期、注意力、计划等认知信息，这些信息渠道在单纯的实验室环境中容易失效。
行为模式失真。不同的行为模式有时源于不同的神经活动，但简化的实验室环境无法复刻自然的行为模式。
数学证明需求。理论神经科学证明：只有通过复杂的自然任务，才能揭示丰富多样的大脑工作模式与神经计算。
过度训练诱发畸变。根据神经可塑性（plasticity）原理，长期、重复的训练会改变被研究的神经环路，扭曲实验结果。如果能够利用无需过多训练、甚至完全不需要训练的自然行为，就能避免我们不希望出现的适应性改变。
实验室心理压力。高度控制的实验环境可能引发动物应激反应，进而影响神经活动。更加贴近自然的实验室环境会减少这种心理压力。
大脑演化方向。大脑的演化动力源于对生物对特定自然行为的需求，所以研究自然行为才有意义。
动物相关性。实验室人造刺激常与动物生存需求脱节，故结果具有局限性。
认知盲区。过度聚焦于简化的控制变量实验，可能导致根本性认知盲区，即“未知的未知”。

▷图源：Ileana Soon

下文将细数这十二宗罪。

（1）神经响应差异

大量实验数据证明，神经元在高度受控的环境中，会展现与自然环境不同的行为模式。这是推动自然神经科学研究范式最重要的实证依据。比如，当实验小鼠主动用胡须接触物体时，其桶状皮层（barrel cortex）的反应模式，就与被动接受胡须刺激时截然不同。甚至，当小鼠在自然土壤中挖掘洞穴时，其躯体感觉桶装皮层会经历实验室条件下从未观测到的功能性重组。视觉系统同样如此，自然状态下的眼球运动与躯体动作会显著改变视觉皮层的神经活动特征。

不仅如此，无论是视觉、听觉还是嗅觉神经元，它们都特化于自然刺激，其响应明显不同于人工刺激。因此，神经元对简单人工刺激的反应，根本无法预测它们对复杂自然刺激的响应模式。

约翰·奥基夫在70年代对自由大鼠的研究，在当时是自然神经科学的先驱，也是发现海马细胞寻路功能的开山之作。更新的研究发现，当引入更自然的行为范式时，海马体会涌现出全新的空间编码机制：如导航时建立指向目的地的空间向量，长距离寻路时出现功能区域分化，社交互动时则编码其他个体的空间位置。人类亦然，在自然情境中的记忆、感知、和寻路机制，都与单纯的实验室环境不同。

这些跨物种、跨系统的实验数据都表明，神经系统对自然刺激与自发行为具有一套特化的加工机制，这种机制在实验室简化条件下往往无法完整呈现。因此，神经科学界应当更多地关注接近自然状态下的神经活动特征。

（2）大脑是复杂系统

把大脑比作俄罗斯套娃再合适不过：最外层是一个高度互联的复杂网络，里面套着几个高度复杂、彼此相连的子网络，就这样一层套一层。对于这种高度互联的非线性动态网络体系，研究者很难从中单独剥离出某个因素进行研究。即使能够利用控制变量法“孤立”想研究的子网络，但实验设立的受控环境也会对整个神经网络产生系统性影响，最后污染目标子网络的行为。总而言之，复杂网络根本不存在真正的孤立节点，自然不可能通过冻结大部分节点来单独研究剩余部分。

这种研究困境在光遗传学实验中尤为明显，该技术通过特定分子标志物识别神经元群，利用光刺激激活或抑制它们，进而观察其对动物行为的影响13–15。当抑制X1类神经元导致Y1行为消失时，人们会认为"X1是Y1的必要条件"；若激活X1类神经元引发Y1行为，则推断"X1是Y1的充分条件"。然而这种逻辑存在根本性误区：X1类神经元实际与X2、X3、X4等其他神经元存在广泛连接（图3），其激活或抑制必然引发它们的活动变化——而这些关联神经群可能对Y1行为同等重要。因此，传统的控制变量实验不可能准确揭示大脑网络中的因果关系16,17。

▷图 3：脑（X）、行为（Y）、环境（Z）的互联网络。

（3）环境也是复杂系统

世界本身也是一个由多重因素构成的复杂网络系统，无法简单地分割成相互独立的要素。以自然界中三个典型要素为例：同类个体、捕食者与食物资源（图3中Z1、Z2、Z3）。这三个要素紧密关联，例如在食物丰饶的区域，通常会聚集着大量捕食者，同时与大量的同类进行社交。因此，高食物供给与频繁社交往往伴随着更高的被捕食风险。

然而，经典的神经科学将这些要素割裂考察：社会神经科学家在排除食物与捕食者的人为环境中研究社交行为；研究逃生机制的实验室专注于孤立状态下的捕食规避；而觅食决策研究则剔除社交与天敌因素。但实际上，这三个要素有一种非线性的关联关系。当多个动物共同觅食时，不仅引发食物竞争与社会互动，还可能吸引捕食者前来“守株待兔”。此外还有很多这样的复杂环境，人也不例外18。

环境的复杂网络关系必然反映在动物神经环路中，而既然非线性网络的节点无法被真正隔离，这意味着还原论的“乐高法”——将复杂系统拆解为孤立要素逐一研究、再试图重新组装的策略——在脑科学研究中只是徒劳。这也解释了为何大量实验室成果难以解释真实环境中的复杂行为。不过值得一提的是，行为生态学一直在重视这类复杂交互。

另一个典型案例是人类记忆研究。人的真实记忆是由多维因素交织形成的立体网络，包含情感、社交、环境，具有丰富的个人色彩。但记忆实验室里用的随机词汇表，但凡跟被试有一点联系，都不至于一点联系都没有。这种被压扁成一维的记忆任务如同失忆症患者的回忆尸块，与健康人的鲜活记忆存在本质差异。你确定这种东西可以探索记忆机制？

（4）脑-环境双向交互受阻

在大脑和环境这两个俄罗斯套娃之外，还有一层更大的套娃：一个横跨大脑、行为、环境的巨大网络，大脑与环境通过行为进行双向互动（图3）。然而，经典实验往往切断这一双向循环，仅将简单机械的信息输入给大脑，而忽视了在自然条件下与之相随的环境线索。失去这些关键的“自然输入“，脑网络就不可能正常工作。

在看东西时，人的眼球并不会一动不动。眼球将光学信号传递至大脑后，大脑会再驱动眼球调整注视位置，形成感知-运动的双向循环。在此过程中，眼球（与周边肌肉）兼具双重功能，既是接收外界信息的感知器官，又是输出运动指令的运动器官。所以，眼运动究竟在多大程度上塑造着我们的视觉体验？

不出所料，经典的控制变量实验又没法解决这个问题，他们想当然地以为感知是完全被动的，与运动是两个独立的过程。所以他们训练猴子凝视固定点，更有甚者直接固定了动物的头部，麻醉了眼部的肌肉，反正就是要消灭眼球的运动。与之相反，主动感知理论认为，运动本就是感知的内在组成部分，因此这些实验方法对研究自然状态下的视觉感知价值不大。

类似的情况也出现在大鼠的触须摆动与嗅探行为中：在自然探索状态下，大鼠的触须摆动与嗅探动作具有高度同步性，二者不仅节律一致且相位锁定19。传统研究遵循被动感知理论，固定大鼠，然后单独施加气味刺激或触碰触须。更近的研究已有改变，开始允许动物自由完成触须摆动或嗅探行为，但仍将二者割裂研究，使大脑中原本耦合的节律发生器被破坏，观测结果严重失真。这种情况在近距离探测时尤为明显。

总的来说，问题2、3、4可以归为一类，即复杂系统的研究困境。复杂系统的核心特征——非线性动力学、自组织特性、多层次反馈结构——决定了整体功能远非各部分的简单叠加10,20,21。当研究者试图通过控制变量法将系统拆解为孤立元件时，整个网络的动态平衡往往随之瓦解。除了神经科学，生态学中的捕食网络、系统生物学的基因调控网络，物理化学中的非线性动力学系统22，都具有强烈的整体涌现特性。

因此，我们需要谨记传统实验手法的局限性。传统的单节点操控实验，如光遗传学刺激特定脑区，会扭曲真实的因果路径。我们需要用一种更细致的操作手法，同时操控多个相关节点，保持更自然的网络状态。朱迪亚·珀尔（Judea Pearl）也为此提供了一套这样做的数学方法17。

▷图源：Daniele Simonelli

（5）上层调控缺失

解剖学发现，大脑存在大量的自上而下的通路。这些通路负责传递高层次信息，包括情境、情绪、判断、注意力、规划、社交等多种认知功能23。如果我们继续用笛卡尔那一套，在高度受控、环境简化的实验室条件下进行实验，这些自上而下的因果链就会遭到扭曲甚至完全阻断，我们永远无法理解自然状态下完整系统的运作机制。下行因果的缺失与前面提到的“大脑的复杂网络特性”（问题2）和“大脑—环境双向交互受阻”（问题4）密切相关。此外，这些向下的通路对于学习过程也可能至关重要，而学习是大脑的核心功能之一。

（6）行为模式失真

神经活动与行为模式存在双向互动。研究表明，不同的大脑活动状态（如规则慢波活动、大范围不规则活动或去同步化活动）会显著调节多脑区神经环路的活动特征24。这些宏观神经状态与动物的基础行为模式（自主行为、非自主行为与静止）密切相关。继续细分，像“觅食模式”、“导航模式”、“筑巢模式”、“交配模式”、“战斗模式”等具体的行为状态，都可能对神经网络活动产生特异性调节。人们已发现了秀丽隐杆线虫的这种行为-神经互动25,26，但哺乳动物相关研究仍存在大量空白，亟待深入探索。

图4为神经解剖学中著名的“侏儒图”（homunculus），这张图描绘了人脑是如何处理感觉信息，组织运动的：不同的皮质区域对应不同的身体区域，一个区域占用的皮质空间越多，其感官与运动也越精细。但更新的自然行为研究发现，灵长类与啮齿类的运动皮层并非按此分布，而是包含多个特定功能区域，分别调控抓取、攀爬、防御、咀嚼等不同本能动作27。这意味着，像健身房撸铁那样的机械式运动，并不能代表生物在自然状态的本能行为，大脑对这两种不同的运动有着不同的处理机制。不幸的是，大多数实验室就是个"小鼠健身房"。

▷图 4：大脑的“侏儒图”，左侧橙色为运动映射， 右侧蓝色为感官输入，图源：https://www.x-mol.com/groups/JIRM/events/36368

（7）数学证明需求

理论计算证明，只有自然的、复杂的任务，才可以充分把握大脑的神经运算、算法结构，与作为一个动力学系统的丰富维度。为了摸清大脑的概率推断算法，实验科学家应该使用更加自然化，更加复杂的行为学任务。但也不能拆东墙补西墙，把任务设计得太复杂，毫无变量控制，陷入完全不可控的混沌状态28。

在另一种模型里，研究者定义了神经维度（neural dimensionality）与神经任务复杂度（neural task complexity）：前者指神经元群体活动时的特征维度，后者由行为任务的复杂性和刺激物的数量共同决定。然后他们通过理论与数学证明，神经维度 ≤ 神经任务复杂度29,30。

这就指出了一个数学瓶颈，很多实验室的实验设计过于简单，所以神经任务复杂度太低，就算记录了成千上万的神经元活动，也无法突破神经维度的天花板，获得具有更高特征维度的数据，揭示更多的有效信息。实验也证明大脑高级区域的神经元具有"混合编码特性"，能同时响应多种行为参数31–33，但只有在复杂任务中才得以显现，传统的还原主义实验根本无法捕捉。利用生来复杂的自然行为，研究者可以突破神经任务复杂度的限制，让高通量数据变得有意义。

最后，尤里·哈森（Uri Hasson）团队提出：传统神经科学与心理学理论中盛行的低维度简化模型，可能只是实验室条件催生的认知幻象；只有自然、真实的任务设计，才可以发掘出大脑的计算能力。毕竟设计经典实验是这样的，大脑只需要利用数十亿个突触，严丝合缝地对现实世界进行高维插补就行，但研究人员既要用过度简化的任务框架把大脑压进预设的低维认知沙盒，又要从认知系统的机械适应中扒出“简洁优雅”的神经表征，要考虑的事情就很多了34。

我觉得“大脑是高维现实插补系统”的论断言之过早，但验证这个假说的办法只有自然神经科学研究，而不是这种低维的传统实验室研究。

（8）过度训练诱发畸变

在神经科学研究中，许多行为范式需要实验动物接受长时间训练。这种强化训练可能引发大脑非自然的过度可塑性：哺乳动物感觉皮层的内在兴奋性会发生改变，单个神经元的感受野和调谐曲线产生显著偏移，突触结构与功能产生适应性调整，皮层表征区域甚至出现异常扩张35,36。除了感觉皮层，运动皮层、纹状体、前额叶、顶叶皮层以及中脑多巴胺系统都展现出明显的可塑性变化37,38。

需要指出的是，神经可塑性本是自然学习的基础机制。动物与人类在真实环境中习得新行为、建立新联结时，大脑会通过精密调控的神经重塑完成学习过程。问题在于，生物在自然状态下的学习是十分高效的，只需要几次甚至一次练习就能掌握新技能，但很多实验室任务需要数千次练习。因此，这种过度训练的实验室任务未必能带来针对自然学习的见解。

如果研究课题跟学习无关，那这种神经可塑性就是纯粹的干扰因子，扭曲我们对目标行为机制的解读。我们可以开发"即学即用"型的行为任务，模拟自然学习行为，让动物或人类志愿者可以短时间内学会操作；又或者完全摒弃人工训练，直接观测自然行为的神经基础。

最后，许多行为训练还会结合“禁水禁食”等方式来提高动物的训练动机。饥渴状态会影响诸多脑区，比如初级视觉V1皮层39和其他的感官区域40。这意味着，当实验动物在饥肠辘辘中执行任务时，研究者观测的神经编码已掺杂了代谢需求的干扰信号。显而易见，研究动物的自然行为可以避免这种饥渴带来的认知污染。

（9）实验室心理压力

高度受控的实验环境往往会对动物造成心理压力，如头部固定等操作就十分常见。而这些压力会引发一系列连锁反应，影响动物的突触可塑性、学习、记忆41,42、社交43和其他一系列的认知行为过程。从分子层面观察，压力可同时改变多种神经递质和调控系统的活性44，导致多脑区突触传递异常45；在细胞层面，压力既能影响神经元树突结构，也会改变神经网络的整体连接模式41–43，还能直接改变神经元的固有电生理特性，调节其兴奋性水平41,42。因此，在探索动物正常状态下的脑功能时，研究人员应尽可能降低实验动物的应激水平。让动物在相对自由、自主的自然行为状态中进行实验，无疑是一条有效的途径。

（10）大脑演化方向

大脑的演化目的并非为了执行实验室的简单任务，而是为了执行自然环境中完整的生存行为体系。诸如躲避天敌、觅食觅偶、同类社交等天然行为模式，才是亿万年演化筛选出的核心功能。可惜，在当今神经科学领域，对这些自然行为的关注度依然与其演化意义不成正比。

设想一个实验场景：志愿者每次经过门框时都要用小指敲击两次。诚然，人类固然能完美掌握这个任务，研究者也可借此观测运动皮层的神经活动，深入探究其神经网络、细胞乃至分子机制。但这绝不意味着人长出两根小指是为了敲门框。即便耗费数十年解析这个任务的每个细节，这对我们理解大脑与小指功能的启示依然有限。

真正的突破路径在于回归演化选择的自然行为。如果要研究手指的运动控制，那么抓握、投掷、指向、精细操作等天然动作才是最佳观察窗口；如果要解析习惯形成机制，则应聚焦该物种特有的习惯行为模式。简言之，只有让实验对象执行其演化史上反复锤炼的本能行为，才能揭示大脑机制的本质特征。

（11）动物相关性

神经科学家在设计行为实验时，通常选用对动物而言先天中性的刺激（如音叉声响、杠杆装置或食槽灯光），通过训练将其转化为具有行为关联性的信号。这种方法的优势在于：初始中立的刺激排除了动物内在偏好的干扰，使得研究者能够精准构建实验所需的刺激-奖赏关联体系，避免固有倾向对实验结果的影响。但从另一个角度而言，为什么要把动物原本的偏好视作“干扰”，而非神经机制的重要线索？实际上，社会性叫声、信息素、觅食、导航、天敌规避，这些充满演化智慧的特定刺激与行为模式，应当成为与现存实验室范式并行的研究焦点。

（12）认知盲区

以上的这些问题是“已知的未知”，但除此以外，还有“未知的未知”：过度控制的经典实验范式会产生认知盲区。就像路灯下的寻物者，过度简化的实验室环境只能照亮假说的方寸之地，却让真正重要的现象隐匿于黑暗之中。就算不能走出路灯探索黑暗，那至少把路灯的位置摆好一点，照亮动物的自然行为，而不是那些高度人工、扭曲大脑的实验室行为。

这一矛盾在空间导航神经机制的研究史上得到充分印证。20世纪60年代，当学界执着于高度简化、还原主义的实验范式而忽略位置因素之时，约翰·奥基夫的团队通过观察大鼠自然探索行为，意外发现了海马体的导航功能46。这一突破不仅颠覆了传统认知，更开创了自然神经科学研究的新纪元。

如今海马体研究又陷入了同样的瓶颈。早期，约翰·奥基夫采用了微型人工环境进行海马体研究，比如1米直线跑道、T型迷宫或1×1米空箱。在此类受限条件下，单个位置细胞通常仅会在特定区域（位置野，place field）呈现激活状态。当前大多数关于位置细胞及其他空间编码神经元的研究，仍在沿用与早期实验相似的微型人工环境，存在生态效度不足的问题。

首先，世界并非虚无之境，而是充满各种目标物，如食物、水源、天敌、同类、庇护所等。学界数年来对神经环路如何表征目标方位这一导航核心问题知之甚微，但我已通过更加真实的实验设置取得突破。当蝙蝠朝向明确空间目标运动时，其海马体神经元可编码以自身为坐标原点的方位与距离信息，生成一个指向目标的向量47。近期研究也发现，啮齿类动物的海马区同样具有类似的方位向量编码机制48,49。

此外，真实世界的空间维度远超实验室尺度，众多生物具备千米级导航的能力。长久以来，科学界对大脑如何支撑大尺度空间导航一无所知。为此，我们充分利用蝙蝠在自然环境中进行长距离直线飞行的能力50，构建了200米长的蝙蝠飞行实验室，并进行长距离飞行时海马神经元信号的无线记录51。数据揭示，单个海马神经元可对应多个位置野，其表征尺度存在二十倍差异——换言之，同一神经元在特定区域可能具有1米精度的位置野表征，而在其他区域则扩展为20米级位置野。这种多位置野、多尺度编码机制完全突破了传统小尺度环境中的空间表征理论框架。理论建模证实，这种创新编码策略不仅显著提升了大尺度环境的空间表征容量，更能有效降低长距离导航的解码误差。

▷作者通过无线方式记录了在200米隧道中飞行的蝙蝠海马神经元的神经活动。来源DOI:10.1126/science.abg4020

如果只是依赖以往那些小空间实验的数据，我们几乎无法推断出这些自然环境下的导航机制，因此贴近自然的实验设计显得尤为必要。除了导航机制，我相信其他脑功能一样存在这样的差异，只有使用自然的刺激在自然的环境下研究自然的行为，我们才能够意识到它们的存在。

如何实现自然化研究？

自20世纪90年代末起，越来越多神经科学家开始正视前文列出的12个问题，研究重点也随之从“高度控制、极度简化”的经典范式，转向更贴近真实生活的新方向。这一趋势在近年持续加速52–55，在图2的坐标系中，右上角（"自然且受控"）与右下角（"自然非受控"）的研究越来越多。

行文至此，是时候给“自然神经科学”下一个定义了：这是一门研究动物在无拘束且自由活动的状态下，进行生态相关的自然行为的神经机制的学科。当然，“生态相关”与“自然行为”的定义存在一定的解读空间。本文所指生态相关，指的是动物在其生态位中为生存繁衍演化出的适应性行为；而自然行为则指特指动物或人类在自然环境中展现的典型行为模式，包括空间导航、环境探索、觅食行为、天敌规避及社会互动等。

必须承认，自然行为与生态相关性这两个概念具有解释弹性，因此自然神经科学实验也存在光谱般的多样性差异。但无论如何，该定义将传统行为神经科学中的常规实验范式——如头部固定技术、过度训练的任务——排除在研究范畴之外。虽然经典实验范式对理解脑机制仍有重要价值，但其对自然行为神经机制的揭示能力存在明显局限。

自然化转型部分源于技术革新，新技术允许实验设计更贴近生物自然状态。以前只有空间导航、鸟类鸣唱等特定领域才会在实验中允许动物自由活动，但如今该范式正快速渗透至行为神经科学的各个分支：在啮齿类、蜥蜴、鸟类和蝙蝠等小型动物模型中广泛应用，并逐步向灵长类研究领域扩展。

与此同时，理论层面的认知革新同样关键：唯有在自然行为框架下开展研究，方能全面解析神经机制与行为间的本质关联。

在感觉神经科学领域，自然化实验范式的演进主要体现在两大方向：首先，学界逐步认识到感觉器官的运动机制不仅影响感知过程，更可能是感知的一部分——无论是灵长类的眼球运动、啮齿类的触须摆动，还是吸气动作对嗅觉系统的影响。如果限制动物实施眼跳、触须探索或主动吸气等自然感知行为，将难以真正理解其感觉系统的工作原理。这种认知催生了主动感知研究范式。采用主动感知范式所观测到的感觉皮层神经活动特征，与传统被动感知模式存在显著差异。部分主动感知实验允许动物自由活动，另一些则采用头部固定但允许感知相关的动作，后者以部分自然性为代价提升了实验可控性。

其次，大量实验证据与理论模型共同揭示：基于人工简单刺激建立的神经元响应机制，难以有效解释其对自然刺激的编码规律。这一发现推动了自然刺激研究领域的蓬勃发展。部分前沿实验合二为一，既采用主动感知范式，又使用自然刺激实验。

神经行为学（neuroethology）是一门新兴学科，它的核心策略是选择那些具有显著行为特征的模式生物进行研究。例如成年雄性鸣禽（如斑胸草雀）的刻板化鸣唱——这种固化结构的鸣声具有毫秒级的时间精确性，每次呈现都高度一致。研究这类行为，可以实现自然与受控的“既要又要”，能保持自然行为特性，又具备实验所需的可重复性与可控性。

自然界广泛存在类似的高重复性刻板行为：蝙蝠攻击昆虫时的回声定位、电鱼的干扰规避反应，乃至小鼠与鼩鼱的捕猎行为，不过其重复精确性可能不如鸣禽那样高。以往的神经行为学研究虽然以自然行为为导向，但受技术限制，多采用麻醉、头位固定等非自然实验条件。随着近年技术瓶颈的突破，该领域终于得以追求其终极目标：在自由活动的生物体上解析简单自然行为的神经机制。

▷斑胸草雀相关研究正是利用了刻板化鸣唱。图源：Michael Long

本文并不是主张彻底摒弃控制变量法，如果完全放弃受控环境，拥抱“纯粹的自然”，那么我们不可能重复任何实验，也就无法满足培根法重复观察特定现象的要求。所以，我们提倡一种“适度自然化”的实验范式，既能保持必要的行为可控性，以触碰底层神经机制，又充分保留物种自然行为特征，为解析神经机制提供更富解释力的观测窗口。接下来的内容，我将梳理一些已有的适度自然化实验，并倡导结合受控与非受控手法，建立一个多元互补的学术网络。

开展适度自然化研究有两种方法。第一种方法是对以往“受控且人工”实验的自然化改良，比如在研究感知时，我们可以允许实验动物自由移动，并自主调控触须或眼球，完整展现其主动感知能力；在研究空间导航时，通过提高环境复杂性、实验室空间大小，或引入目标导向型寻路任务，以研究在更自然的环境下的导航机制。

第二种方法则是聚焦于动物自主产生的自然刻板行为，这样可以避免人为的训练与干预，让动物自己帮我们控制变量。值得留意的是，一些动物会有几种刻板行为，如同一种鸟类会有几种不同的固定叫声，这些不同的刻板行为提供了天然的对照组。可惜的是，很多自然行为并不会如此刻板，不过也有一些方法，可以处理这些复杂的行为，发掘背后的神经活动。原著第8章将会展示这些方法。以上两种方法各具优势，我认为这两种实验范式应当并行发展。

读者一定会认为我反对还原论，但并非如此，我希望的是“和”的关系，即除了还原主义实验，我们也需要非还原论的实验，如果二者有中间地带的话，那么中间地带的实验也同样需要。

还原论是强大的武器，它允许我们深入大脑回路在执行特定行为时的细节，把握行为特征，摸清神经活动，发掘因果关系。问题在于，有时候还原主义实验的结果无法解释真实世界的行为，但有时候又可以。如果局限于还原论的话，我们永远无法得知目标行为究竟属于哪种。

遗憾的是，尽管学术圈已经有所行动，目前仍然有过多的研究挤在“受限且人工”的一端。所以尽管它们也很重要，但你还是会看到我一直在攻击它们，把更多的篇幅用来宣传那些非主流但同样重要的自然主义研究。

我坚信神经科学应建立多元方法论体系，通过图5所展示的多元化研究实现学科突破。这种理念不仅适用于宏观学科发展，对特定脑系统的解析同样关键。体外实验、简化的人工行为实验、自然行为研究可以提供大脑系统在不同层面的信息，唯有在还原主义实验与复杂的自然化实验间建立动态对话，方能真正揭示真正的神经机制。

▷图 5：x轴左端为“人工且受控”，右端为“自然且受控/部分受控”。a：2025年的神经科学实验现状；b：作者希望见到的多元化未来

译者后记

我的导师跟我透露过这样的一个idea，她想做一个脚本，然后植入《堡垒之夜》这样的游戏里头，然后观察玩家的行为是否能够复现我们之前在实验室做出来的一些结果。但是她担心来自于真实游戏的数据会有很大的噪声。

读完此文，我也有这样的想法：为什么要把真实游戏中玩家的表现当成“噪声“？无论是正常的游戏决策，还是挂机、祖安、送头，这都是人们在自然状态下展现的真实行为，而这些跟实验室里不同的表现也并不是无用的”噪声“，而是理解人类行为的宝贵钥匙。而比起想办法挖出一种可以同时拟合实验室和游戏行为的模型，专注于这些行为变化的原因也许是更有意义，也更容易发出论文的方向。

我希望本文可以对你的工作也有同样的帮助。