我们实验室的目标，是建立灵长类动物基本认知功能的可解释计算模型——这些模型不仅能够描述神经活动，更能解释真实行为中所需的基本计算元素。我们研究大脑如何识别物体、做出决策、并根据情境调整行为，综合运用猕猴神经元群体记录、计算建模与脑功能干预等多种手段。
我们借助群体几何与动力系统的语言来理解大脑皮层的计算，将神经元群体活动的模式与认知模型中的潜在状态相关联。这一框架对于联合皮层区域尤为有效——这些区域中神经元之间高度互联，信息在庞大而交织的细胞网络中编码与传递。在这样的系统里，关键的计算变量难以从单个神经元或局部环路中直接读取，它们涌现于群体层面，体现在集体活动的几何结构与动力学之中。
实验室的核心目标之一，是理解大脑的运算法则——即描述大脑如何执行计算的原理与方程。我们认为，以漂移扩散模型为代表的认知模型具有极强的解释力，因为它们既具可解释性，又能说明大脑中广泛的计算现象。我们致力于拓展这类模型、检验其边界，并探索新的计算原理。为此，我们主要采用基于自然物体刺激的感知决策任务：这类任务足够简洁，可支持严格的定量建模；同时又足够丰富，能够涵盖我们所关注的多种计算要素，包括泛化、灵活性、识别与抽象。
如果我们真正理解了神经计算的机制，就应该能够对其进行操控。我们正在开发在计算层面干预脑功能的方法，以此对认知模型进行因果检验，并探索潜在的治疗策略。我们的目标是有选择性地调制神经元群体状态空间中的活动，精准靶向反映当前计算过程的动力学结构。作为核心手段之一，我们正在开发闭环神经反馈范式：训练动物主动调节自身的群体动力学，或通过重塑神经状态与外部事件之间的关联来完成任务。我们相信，这一方法将为理解认知功能障碍背后的计算机制——乃至最终对其加以纠正——开辟一条有据可查的道路。
更多信息: https://okazawagouki.github.io/
研究组组长;研究员
