下载文档原格式
我的专业与实践中所思考的创新点我的专业是计算机科学与技术。
在我从事计算机科学与技术的实践中，我经常思考如何创新。
在这篇文章中，我想分享一些我在我的专业中所思考的一些创新点。
首先，我们需要明确什么是创新。
创新可以理解为改变现状、进步或者更新；通俗点说就是新思维和新的实践方式。
创新并不一定是创造出新的事物或者产品，它也可以是针对已有事物和产品的优化和改进。
在计算机科学与技术领域中，创新经常与科技发展、产品升级、智能设备等密切相关。
其次，关于如何进行创新，这不是一件容易的事情。
想要创新，我们需要对现有的技术和方法有深刻的理解。
而对于计算机科学与技术专业的人员来说，这里有几个创新方向供我们思考。
第一个创新点是深度学习。
深度学习是一种机器学习技术，它可以通过模拟人类大脑神经网络，从而实现人工智能。
在我的实践中，我发现深度学习可以被运用在垃圾邮件分类、图像识别和语音翻译等领域，通过不断分析和学习数据表现出更加准确的结果。
同时，深度学习可以逐渐摆脱人工干预，真正实现智能决策。
第二个创新点是云计算。
云计算是一种网络服务模式，基于互联网来提供动态而可扩展的虚拟资源池，提供资源的高效分配和管理。
我相信随着互联网的不断发展，那些可以提供最便利、廉价而高效的服务的企业将会从中受益，而且可以获得更高的收益。
第三个创新点是开源软件。
开源软件是指根据公共协议使用、修改或分发的软件。
使用开源软件既可以节约成本，而且可以获得更多自由度和灵活性，同时也可以在开源社区中获得更多支持和帮助。
但是开源软件也存在风险，例如在代码中存在潜在的漏洞。
因此，我们需要对开源软件进行权衡，选择可靠的和高质量的开源软件来提升实践的效率和质量。
第四个创新点是自然语言处理。
自然语言处理是一种研究人类自然语言进行交流和理解的技术。
该领域的研究重点为语音识别、自然语言理解、机器翻译等方向。
我相信，随着自然语言处理的不断发展，机器将能够实现更加准确、便利的信息交流和理解，从而推动智能化与自动化发展。
学习计算机科学的思维方式与逻辑思维当今时代，计算机科学的发展日新月异，已经成为一门广受关注的学科。
无论是从事相关职业，还是作为一般公民，学习计算机科学的思维方式与逻辑思维都有着重要的意义。
本文将探讨学习计算机科学所需的思维方式和逻辑思维，并分析其对个人和社会的影响。
一、计算机科学的思维方式学习计算机科学需要培养一种特殊的思维方式，即“计算思维”。
计算思维是一种通过问题的分解和抽象，运用逻辑和数学工具进行推理和解决问题的思维方式。
它强调问题解决的过程，注重问题的分析和算法的设计。
1. 问题分解和抽象计算思维首先要求我们将复杂的问题分解为更小、更简单的子问题，抽象出问题的关键特征。
通过将整个问题拆解为小块，我们可以更好地理解问题的本质，减少认知负荷，提高解决问题的效率。
2. 逻辑推理学习计算机科学需要运用逻辑思维，这是因为计算机是按照特定的逻辑规则进行运算的。
通过学习逻辑思维，我们可以理清问题的因果关系，寻找合适的解决方案。
逻辑思维还能培养我们的分析能力和推理能力，使我们在解决问题时更加严谨和准确。
3.算法设计学习计算机科学的思维方式还涉及算法设计。
算法是一系列有序、可操作的指令，用于解决特定问题。
算法设计是计算机科学中的核心，它要求我们提出一种有效的解决方案，考虑问题的时间复杂度和空间复杂度。
通过学习算法设计，我们可以提高问题解决的效率和准确性。
二、逻辑思维对个人的影响逻辑思维是一种基本的思维方式，它不仅对学习计算机科学有重要影响，对个人的日常生活也有积极作用。
1. 提高问题解决能力逻辑思维培养了我们分析问题和推理问题的能力，这使得我们在面对困难和挑战时更加从容。
无论是在学习、工作还是生活中，我们都会遇到各种问题和难题，逻辑思维能帮助我们快速找到解决问题的方法，提高问题解决的能力。
2. 增强创造力逻辑思维追求合理和准确，但并不意味着创造力和想象力的削弱。
事实上，逻辑思维和创造力可以相得益彰。
逻辑思维使我们在创造时更加有条不紊，可以更好地组织思维，避免走入死胡同。
神经科学与计算机科学的交叉神经科学和计算机科学是两个看似无关的学科，前者是研究大脑和神经系统的，后者则是研究计算机及其应用的。
然而，这两个学科的交叉已经成为了一个广泛研究领域，被称为神经计算科学或计算神经科学。
神经计算科学的目的是将神经科学和计算机科学的研究成果相结合，以更好地理解大脑的功能和神经系统的运作，并为计算机科学带来新的灵感和技术。
神经计算科学的核心是研究神经元的运作和神经网络的结构。
神经元是大脑和神经系统的基本单位，它通过化学和电信号传递信息。
神经网络则是由大量神经元组成的网络，通过相互联系和互动形成了复杂的信号传递和处理系统。
神经计算科学的研究范围包括从基础的神经元模型到复杂的神经网络模型，以及从计算机科学的角度探究神经网络的学习和运作机制。
神经计算科学的研究成果具有广泛的应用价值。
例如，神经网络模型可以用于模拟和预测大脑的活动，帮助解决神经系统疾病的诊断和治疗。
同时，神经网络模型也被广泛应用于计算机视觉、语音识别、自然语言处理等人工智能领域，可以用来构建更加高效和精确的机器学习系统。
神经计算科学的发展还带来了一些新的挑战和难题。
例如，如何将神经网络模型与计算机的硬件和软件环境相结合，实现高效的计算和实验。
此外，神经计算科学的研究涉及到大量的数据和信息处理，如何处理和管理这些数据和信息，是一个重要的课题。
总之，神经计算科学是一个富有挑战和前景的研究领域，它将神经科学和计算机科学的研究成果相结合，为我们更好地理解人脑的活动和神经系统的运作提供了新的思路和方法。
神经科学中的认知计算模型研究神经科学是一门研究神经系统结构、功能及其变化的学科。
认知计算模型是神经科学一个重要的分支领域。
它是一种描述大脑如何处理信息，实现认知能力的框架。
它的研究对象是如何从感知、认知到决策，甚至到学习和记忆等高阶认知过程。
在神经科学中，对认知计算模型的研究对理解大脑的认知运算机制，解释各种认知现象和疾病都有重要作用。
首先，介绍下认知计算模型的发展历史。
认知计算模型的研究从上世纪40年代的新型计算技术，在上世纪70年代的开始形成体系。
现有的认知计算模型主要包括符号计算模型、连接计算模型和混合计算模型三类。
符号计算模型将人类认知过程看作一系列规则化的符号化运算，通过逻辑代数、产生式规则等数学方法来对认知内容进行描述，从而构建一个符号系统。
连接计算模型是将神经元作为基本组成原件，利用神经元之间的连接和交互以及他们之间相互调节的方式来实现认知计算。
混合计算模型则将符号计算模型和连接计算模型的优点融合在一起，通过建立符号和神经元之间的映射关系来实现认知计算。
其次，神经科学中的认知计算模型研究主要涉及那些内容呢？在感知、认知和决策这些基础认知方面，模型可以建立图像、声音、语言等信息的形式化表示，探究基础认知过程如何抽象、处理信息，构建知识结构。
在学习和记忆等高阶认知方面，模型可研究人类的长期记忆、工作记忆等工作机制，阐释人类记忆被遗忘和重新学习的现象。
在疾病治疗方面，可利用认知计算模型来了解和治疗认知障碍、失语等疾病。
在人工智能领域，认知计算模型可以为智能机器人、循环神经网络等技术提供算法支持。
最后，介绍下认知计算模型研究的应用领域。
认知计算模型研究成果广泛应用于诸多领域。
在人机交互应用方面，可以通过用户行为与反馈信息对应的方式，提高人工智能的智能化水平，实现更为精准、自然、高效的人机交互。
在医疗信息学应用方面，可以扩展医疗域的知识和概念，支持临床决策和远程医疗。
在智能交通和智能制造等应用领域中，可以提高智能型设备的自主性和交互性，实现有物联网性质的智能交通和智能制造。
计算神经科学的方法和技术神经科学是研究人类和各种动物的神经系统的科学。
随着计算机技术的发展，计算神经科学应运而生，旨在应用各种计算方法和技术来研究神经系统的结构和功能，并为理解神经系统的复杂性提供新的视角。
这篇文章将介绍计算神经科学的一些方法和技术。
1. 大脑成像技术大脑成像是计算神经科学中最常用的技术之一，它旨在通过各种成像方法来研究大脑的结构和功能。
例如，功能性磁共振成像（fMRI）可以通过测量脑血流量来确定特定神经区域的活动；脑电图（EEG）记录大脑电活动的电信号；脑磁图（MEG）记录大脑磁场；磁共振扫描（MRI）可以提供高分辨率的脑结构图像。
这些成像技术可以为神经科学家提供研究神经系统的有力工具。
2. 神经网络模型神经网络模型是一个与生物神经网络类似的数学模型，它可以帮助神经科学家研究神经元之间的相互作用和信息传递。
神经网络模型可以用于模拟各种神经系统活动的情况，如病理状态和认知过程。
神经网络模型还可以作为研究治疗药物和治疗方法的平台，以及研究神经系统进化的工具。
3. 计算机视觉计算机视觉旨在使用计算机和数学方法来模仿和改进人类的视觉能力。
在神经科学中，计算机视觉可以帮助神经科学家分析和理解各种神经成像数据。
例如，计算机视觉技术可以用于测量神经元的总体形状和密度，以及分析神经网络模型的拓扑结构。
计算机视觉还可以用于研究神经系统的可塑性和再生过程。
4. 生物信息学生物信息学是研究生物体中遗传信息的科学。
在神经科学中，生物信息学可以用于研究基因对神经系统的影响和神经系统对基因表达的调节。
例如，生物信息学可以用于发现与神经精神疾病有关的基因和突变，以及探索基因和大脑的发育过程。
生物信息学技术还可以用于研究各种神经系统疾病的分子病理生理机制。
5. 大数据分析随着科学技术的发展，神经科学的数据量也在迅速增加。
大数据分析技术可以用于挖掘神经科学中海量数据的信息。
例如，大数据分析可以用于发现神经系统特定区域间的关联关系，以及神经系统不同层面之间的关联关系。
计算神经科学的最新进展和应用计算神经科学是一门新兴的学科，它融合了计算机科学、数学、物理学和神经科学等多个领域的知识，旨在通过计算模拟和分析神经系统的结构和功能，揭示神经系统的奥秘，为神经科学和人工智能等领域带来革命性的创新和发展。
近年来，计算神经科学在理论研究和应用方面都取得了令人瞩目的进展。
首先是计算神经科学在神经元和突触级别的模拟和分析方面的进展。
神经元和突触是神经系统的基本组成部分，其结构和功能对信息的传递和处理起着至关重要的作用。
计算神经科学通过建立神经元和突触的数学模型，对其电生理和化学等生物物理学特性进行模拟和分析，揭示了神经元和突触如何参与信息的传递和处理，为深入理解神经系统的运作机制提供了重要的基础。
其次是计算神经科学在脑部结构和功能的建模和仿真方面的进展。
近年来，随着神经科学技术的不断进步，我们对脑部结构和功能的了解也越来越深入。
计算神经科学将这些发现和技术应用到脑部结构和功能的建模和仿真中，可以生成高度逼真的神经元网络，模拟脑部信息处理的机制，从而探讨复杂的认知、情感和行为现象等创造出新的机会。
最后是计算神经科学在人工智能和神经系统疾病诊断和治疗等方面的应用。
神经科学和人工智能在思维、行为和控制方面有许多相似的特征，计算神经科学建立的神经元网络模型可以为人工智能的发展提供新的思路和方法，也可以为神经系统疾病的诊断和治疗提供更准确和有效的手段。
总之，计算神经科学在神经元和突触级别的模拟和分析、脑部结构和功能的建模和仿真、人工智能和神经系统疾病等方面的应用都取得了重要的进展。
随着技术的不断改进和理论的不断深入，计算神经科学将为神经科学和人工智能等领域带来更多的创新和发展，为科技领域的伟大进步做出贡献。
神经科学与机器学习的结合博士生的突破性研究近年来，随着科学技术的不断进步，神经科学和机器学习的结合成为了研究热点之一。
许多博士生们将这两个领域的知识与技术相结合，开展了一系列突破性的研究工作。
本文将介绍一些相关的研究成果，展示神经科学与机器学习的结合在博士生研究中的重要性和潜力。
一、神经科学与机器学习的交叉点神经科学和机器学习作为两个不同的科学领域，彼此之间存在着诸多联系和交叉点。
神经科学研究人类和动物的神经系统，揭示大脑的结构和功能。
机器学习研究机器的智能行为和计算模型，通过数据和算法改进机器的性能。
这两个领域在研究目标和方法上都存在相似之处，因此它们的结合具有很大的潜力。
二、博士生突破性研究成果1. 神经网络模型的应用神经网络是一种受到神经科学启发的机器学习模型，通过模拟人脑的结构和功能，实现了许多复杂的任务。
一些博士生通过构建更加精确的神经网络模型，模拟了人脑在感知、决策和学习等方面的过程。
他们的研究成果在生物医学、人工智能等领域具有重要的应用价值。
2. 数据驱动的神经可塑性研究神经可塑性是大脑学习和记忆的基础，它能够改变神经元之间的连接权重，并对信息处理产生影响。
博士生们将机器学习中的数据驱动方法应用于神经可塑性的研究中，通过分析海量的神经数据，揭示大脑学习过程的规律和机制。
这种研究方法对于理解大脑的学习功能和相关疾病的治疗具有重要的意义。
3. 脑机接口的设计与优化脑机接口是神经科学与机器学习结合的另一个重要领域，它通过记录和解读大脑活动，实现人脑与机器之间的直接交互。
博士生们通过开发新的信号处理和分类算法，实现了更高效、更准确的脑机接口系统。
这些系统可以为行动不便的人群提供更好的生活品质，并在康复医学和智能辅助设备方面发挥重要作用。
三、研究方法与挑战神经科学与机器学习的结合虽然带来了很多突破性的研究成果，但也面临着一些挑战。
首先，两个领域的专业知识需要博士生们具备广泛的科学背景和技术能力。
认知神经科学和计算神经科学人类的大脑一直是科学研究的热点之一。
因为大脑是人类的控制中心，研究大脑，不仅有助于我们更好地了解人类自身，而且可以帮助开发更好的医疗和教育方法，甚至帮助开发更出色的人工智能。
而为了更精准地研究大脑，学者们分别建立了认知神经科学和计算神经科学两个研究分支。
认知神经科学认知神经科学是研究心理学和神经科学交叉的学科，它的目的是探究人类的思维和推理过程，以及这些过程在人脑中是如何进行的。
该学科的研究方法主要包括细胞研究和脑成像研究等多种技术手段。
认知神经科学是通过研究人脑的生物学特征和人类的自我意识来探究大脑如何感知，认知和处理信息。
认知神经科学的一个重要研究成果是关于大脑并行处理的探究。
之前有一个观点认为，人脑处理信息的方式是序列化的，即每个信息单元依次处理，而这样处理多个信息单元就会变得异常繁琐。
但是，认知神经科学的研究表明，人脑的处理并没有采用这种序列化的方式，而是采用了并行处理的方式，也就是同时对多个信息单元进行处理。
这种并行处理的机制不但更高效，而且有助于提高人脑的信息处理能力。
因此，认知神经科学成为了人工智能领域的一个重要的研究领域。
计算神经科学计算神经科学是一门研究基于信息处理原理的神经科学，其目的是深入研究神经元和神经电路。
计算神经科学涵盖广泛，包括细胞学、神经元网络动力学、神经信号处理和自适应系统等多个方面。
计算神经科学的研究方法包括模型建立和神经网络模拟。
通过研究这些珍贵的机制和结构，神经科学家们可以揭示大脑是如何处理信息的。
计算神经科学的一个重要应用之一是人工智能领域。
人工神经网络(ANN)是计算神经科学的成果之一，它利用人脑神经元的工作方式建立数学模型。
通过对神经网络模型的优化和训练，可以模拟人脑的处理方式，从而实现人工智能的各种应用。
这样的人工神经网络虽然比人类脑部已有的神经结构简单，但它依然能够反映大脑的信息处理方式和生物学特点。
总结认知神经科学和计算神经科学虽然研究角度不同，但它们都致力于研究中枢神经系统的高度复杂性和组织结构，从而为我们进一步研究生物神经网络提供了重要的应用价值。
第 3 期2016 年 3 月 10 日计算机教育Computer Education中图分类号：G642161 新生研讨课的背景和意义大学新生的适应问题是大学教育面临的一个重要问题[1]。
新生阶段不适应将影响学生大学4年的学业。
新生教育承担着至关重要的过渡和奠基作用，是高校教育中重要的一环，应受到高度重视。
新生研讨课为我们开展新生教育提供了途径。
新生研讨课指在经验丰富的教师的指导下，精选研讨专题，师生共同研究讨论。
其目的在于帮助学生加深对专业的认识，初步培养学生提出问题、解决问题的研究能力和合作精神，让他们尽快适应高校的学习环境。
哈佛大学在1963年将新生研讨课作为实现哈佛本科人才培养目标的重要途径[2]。
清华大学于2003年将该课程引入本科教学，目前国内已有多所研究型大学相继开设[3]。
西南交通大学计算机系也积极开设了新生研讨课。
2 计算机专业新生研讨课建设2.1 课程定位新生研讨课应当结合“新生”和“研讨”两方面，它既不是普通意义上的新生入学教育课，也不同于一门专业学术性课程，而是将两者有机结合。
新生研讨课程的主题设置较为综合，既包含计算机大类的专业介绍、专业培养计划、心理素质调整，也包含计算机方向软件硬件各领域的介绍、前沿发展等。
该课程让学生初步了解大学学习生活的基本技能；激发学生对信息科学专业的认同与热爱，引领大一新生进入计算机科学与技术领域的大门，为下一步的大类专业选择做铺垫；通过院系名师的言传身教，促进师生交流。
2.2 课程师资力量强大的师资力量是课程质量的保障。
西南交通大学计算机系的新生研讨课得到了院系领导的高度重视和众多知名教授的大力支持。
新生研讨课由主管本科教学的副院长亲自负责，一大批优秀教师欣然加盟。
这批教师中有学识渊博的国家杰出青年基金获得者，教育部长江学者特聘教授，计算机专业各个研究方向的学科带头人；有教学经验丰富的指导全国大学生电子设计比赛并获国家一等奖的教师；还有四川省优秀教学成果一等奖获得者等；此外还邀请了学工部的老师来基金项目：四川省2013—2016年高等教育人才培养质量和教学改革项目“信息类专业综合教学改革的研究与实践”（川教函[2013]781号）；四川省2014—2016年高等教育人才培养质量和教学改革项目“轨道交通人才计算思维及实践能力培养”（川教函[2014]450号）。
计算机科学教育的计算思维与科技创新能力培养导言：在当今的数字化时代，计算机科学教育被视为培养学生计算思维与科技创新能力的重要途径之一。
计算思维作为一种解决问题、设计系统和理解人类行为的思维方式，可以培养学生的创造力、逻辑思维能力以及解决实际问题的能力。
科技创新能力则是指通过科学知识和技术手段，能够在解决实际问题和推动社会进步方面具有创造性的能力。
本文将探讨计算机科学教育中计算思维与科技创新能力的培养。
一、计算思维与科技创新的关系计算思维和科技创新之间有着密切的联系。
计算思维有助于培养创造力、逻辑思维和问题解决能力，而这些正是科技创新所需要的。
计算思维能够引导学生从抽象的计算机模型中提取知识和思维方法，并将其应用到实际问题中，从而推动科技创新的发展。
科技创新则进一步激发学生对计算机科学的兴趣，从而提高计算思维水平。
二、培养计算思维的方法1. 编程教育：编程是培养计算思维的一种有效方式。
通过学习编程语言，学生可以培养问题分解、抽象建模、算法设计等计算思维技能。
此外，编程还可以培养学生的逻辑思维能力和创新意识。
例如，学生可以通过编写简单的程序来解决实际问题，从而培养解决问题的能力和创造力。
2. 计算机建模：计算机建模是运用计算机技术和计算思维解决实际问题的过程。
学生可以通过构建模型、分析数据和运用算法等方式，将实际问题转换为计算机可以理解和解决的问题。
通过计算机建模，可以培养学生的系统思维和抽象思维能力，使他们能够更好地理解和解决现实生活中的问题。
3. 项目制学习：项目制学习是一种基于问题的学习方法，可以培养学生的计算思维能力和科技创新能力。
通过项目制学习，学生可以针对实际问题进行调研、分析和解决，培养他们的合作能力、创新意识和解决问题的能力。
此外，项目制学习还可以培养学生的实践能力和创造能力，使他们能够熟练运用计算思维和科技手段解决实际问题。
三、培养科技创新能力的途径1. 创新导向的教学：培养科技创新能力需要创新导向的教学方法。
面向计算机专业研究生开设计算神经科学课程的思考摘要：计算神经科学是一门新兴的交叉学科，受到国内外学术界的广泛重视。
要想在国内建立一流的计算神经科学并培养壮大人才队伍，开设相关的研究生课程非常必要。
文章论述计算神经科学与计算机科学的关系，面向计算机专业研究生开设相关课程面临的机遇与挑战以及应对措施等，同时针对教学内容的选择给出建议。
关键词：交叉学科；跨学科；计算神经科学；人工智能；研究生培养科学史上，许多重大的科学发现都产生在不同学科的碰撞和融合中。
在自然科学领域，许多伟大的科学家都有着复杂的学科背景，20世纪1/3的诺贝尔获奖项目出现在交叉科学领域。
计算机学科里很多大科学家也都有着交叉学科的背景，如计算机之父冯·诺伊曼其实是个数学家，在经济、量子力学及几乎所有数学领域都作出过重大贡献，他提出的计算机二进制表达正是得益于其敏锐的数学洞察力。
清华大学计算机科学与技术系张钹院士多次在公开讲座中提到，经他统计，自1966年美国计算机协会（ACM）设立图灵奖以来一直到2012年，60个获奖者中2/3的人都有数学、物理、化学等理科专业背景，甚至还有政治等人文科学背景；相反，纯粹是计算机专业或相近专业如电子学、无线电学等背景出身的人并不多。
由此可见，熟练掌握其他学科的知识对于在计算机领域作出重要贡献大有裨益。
高校培养交叉学科人才，一是要引导学生学习不同学科的课程，二是开设一些本身就是多学科交叉的课程。
国内高校已经做了大量尝试，也收到了不错的效果。
2013年，《计算机教育》杂志专门策划了跨学科教学专题，对国内跨学科教学的实践情况进行报道。
很多高校的一线教学人员都报告了他们在交叉学科教育方面的构想或实践经验。
计算神经科学是一门新兴学科，对于促进脑科学、信息科学尤其是人工智能等领域的发展具有重要意义。
2010年3月23-25日，中国科学院、浙江大学、上海交通大学的知名学者齐聚北京，举行第367次香山科学会议，主题为“神经信息学与计算神经科学的前沿问题”。
与会专家探讨了计算神经科学的国内外发展情况，指出该学科在国内外都还发展不成熟，我们应抓住机遇建立一流的计算神经科学。
要达到这个目标，除了加大科研资助和鼓励科研创新外，优质的课程教学必不可少。
鉴于计算神经科学的多学科交叉特点，许多专业都可以尝试进行这方面的教学，包括医学、生物学、心理学、数学、物理、化学、计算机、电子，自动化等，笔者将论述计算神经科学与计算机科学的关系以及开设该课程所面临的机遇与挑战。
2 计算神经科学的特点及其与计算机科学的关系借助飞速发展的现代科技，人类已经能够上天入地，但是对于脑的认识却十分有限。
诺贝尔奖得主克里克（Crick）说过：“对我们人来说，在科学研究中没有比研究自己的脑更重要的了。
我们对整个世界的认识都有赖于它。
”认识人脑的工作机理有两方面的意义，一是促进神经疾病诊疗技术的发展，二是提高人工智能的水平。
诚如艾萨克·阿西莫夫（Issac Asimov）所言，“人脑是我们所知道的最复杂的组织”。
它有大约1011个神经元，而平均每个神经元要与103～104个神经元相连。
虽然这些数字现在看来并非很大（能存储1T=1012Byte的硬盘在市场上已经很普遍），但问题是计算机硬件是我们事先按一定规则构建的系统，我们对于它每一部分的结构与功能都非常清楚，而人脑却是一个黑箱。
想象一下让一台计算机穿越回唐朝，让那个时代的人们了解这台计算机的工作原理是一件多么不可想象的事情。
幸运的是随着科学技术的发展，实验手段正发生着翻天覆地的变革，我们面对的黑箱正在慢慢变灰。
通过这些实验手段，我们可以观察到“箱子”的部分内部。
然而，只看到大脑内部的一些的结构和它们之间的关系远远不够。
唐朝人打开计算机主机盖，能看到主板、CPU、内存条甚至一些精细的电子元件，但这对于他们完全理解计算机的工作原理还差很远。
他们需要综合各种技术手段得到计算机内部情况，从硬件问的相互连接关系推断出冯·诺伊曼设计的体系结构及发展变化，从软件的功能推断出算法逻辑，从二进制代码推断出可读代码。
要得到这些结果，只有实验数据是不够的，还必须对数据进行整理分析，从蛛丝马迹中发现数据背后的规律和原则。
人脑就好比一台唐朝人眼中的计算机。
计算神经科学就是一门试图通过理论分析和建模计算的方式理解脑工作原理的学科。
计算神经科学领域的形成始于1988年，Seinowski、Koch和Churchland在Science杂志上发表了计算神经科学领域的“宣言”。
从广义上讲，只要是通过建模、仿真等手段对神经科学的实验数据和实验现象进行定量分析的，都属于计算神经科学的范畴。
近年来，由于实验技术的革新和脑科学研究的蓬勃发展，这方面的研究早已不局限于生物、医学、心理学等学科，很多其他学科的研究人员以各种方式参与到脑科学的研究中，包括数学、物理、计算机、电子、材料等，他们将该学科中的一些定量计算理论引入神经科学并据此研究脑科学的实验数据和现象。
国外许多著名高校都设有计算神经科学的研究中心或相应专业，包括MIT：CSAIL-ArtificialIntelligence Group；Stanford University：Center forMind，Brain and Compution；Harvard University：Mind/Brain/Behavior Program；CMU/University ofPittsburg：Center for the Neural Basis Of Cognition：University College London：Gatsby ComputationalNeuroscience Unit；Columbia University：BionetGroup。
这其中大多数都有信息科学类院系的参与，如MIT的Artificial Intelligence Group 就是在计算机与人工智能实验室下的一个组，而Stanford University 的Center for Mind，Brain andComputation由计算机系、电子系、语言系、神经生物系、心理系以及神经科学研究所的教授组成。
计算机领域的一些杰出学者也参与了计算神经科学的研究，包括MIT的David Marr和Tomaso Poggio，CMU的Tom Mitchell，Caltech的Pietro Perona，Stanford Universit），的Fei-Fei Li等。
这里还不包括大量的以计算机科学、电子工程等为教育背景但主要活跃在神经生理学、认知心理学等传统神经科学领域的学者。
一方面，计算机科学及其相近领域的研究人员对神经科学和认知心理学的贡献越来越大，已经成为脑科学研究中一支不可忽视的力量；另一方面，神经科学和认知心理学的研究进展对计算机科学的某些方面起到很大的推动作用。
例如，近年来在机器学习领域非常热门的深度学习（Deep Learning），在很大程度上受到大脑感觉系统层次化结构的启发，见图1。
其中，图1（a）为大脑视觉皮层各区域的位置及信息处理通道，图1（b）为深度学习的框架。
3 面向计算机专业研究生开设计算神经科学课程的机遇和挑战相对于医学、生物学、心理学等专业，面向计算机专业的研究生开设计算神经科学课程相对容易。
这是因为通过本科阶段的培养，计算机专业研究生在理论证明、逻辑推断、数据分析等方面的基础更扎实，他们接受医学、生物、心理学等学科的知识相对容易；但反过来，让那些习惯了生理和心理实验的学生接受一些计算理论方面的知识则相对困难。
而相对于数学、物理、化学等理科专业，计算机专业的研究生在模型实现方面有优势。
这是因为现在很多计算神经科学的模型都涉及大规模计算，扎实的编程基础使得他们在处理这类问题上更加得心应手。
这些是面向计算机专业研究生开设计算神经科学课程的机遇。
然而我们面临的挑战更大，主要包括两个方面，论述如下。
3.1 课程定位的挑战通过调查一些国外著名大学开设的计算神经科学课程，我们可以发现大多数课程的立足点都是“理解脑”，以揭开大脑的秘密为目的，而且无论该课程是神经科学、心理学或相关院系开设的（如Baylor College ofMedicine神经科学系的课程Theoretical Neuroscience-Learning，Perception，Cognition，MIT脑与认知科学系的课程Inlroduction to Computational Neuroscience），还是交叉学科中心开设的（如UniversityCollege London Gatsby ComputationalNeuroscience Unit的课程ComputationalPerception and Scene Analysis），甚至是一些计算机类院系开设的（如CMU计算机系的课程Computational Perception），都是这样。
如果在国内高校面向计算机专业开设计算神经科学课程，将课程目标定位于“理解脑”，会存在一定的现实困难。
国外著名高校非常注重基础研究和交叉学科研究，经过多年的发展，他们培养的研究生已经形成了学习其他学科知识的习惯，但国内研究生在选修课程方面则显得更加功利一些，只选修那些目前对自己有用的课程。
对计算机专业的学生而言，修一门有关理解大脑工作机理的课程显得比较怪异，这与他们将来从事的IT工作似乎风马牛不相及；为此，我们一方面需要从课程体制、培养计划等方面引导学生重视基础学科和交叉学科的课程，另一方面还需要考虑在现阶段如何通过课程定位吸引计算机专业学生选修相关课程。
3.2 师资力量的挑战交叉学科课程的讲授对授课教师的专业素养提出了更高的要求，授课教师需要具有交叉学科的研究背景，这样才能把学科前沿看得更清楚，把问题讲得更透彻，但这通常不是一件容易的事，对于计算神经科学这一学科跨度非常大的交叉学科而言更是这样。
国内这一学科目前还处于萌芽阶段，从事相关研究的学者相对较少，零散地分布在各自院校的不同院系，而且无论是在哪个院系，他们都是少数派。
师资力量的不足已经成为制约计算神经科学在国内高校和科研院所发展的主要因素之一。
4 应对挑战的措施4.1 准确进行课程定位为了使学生更容易接受计算神经科学这一课程，我们首先需要给这一学科下一个恰当的定义。
从狭义上讲，我们建议将计算神经科学定义为神经科学、认知心理学和人工智能的交叉学科，三者之间的关系如图2所示。
人工智能是计算机学科的一个专业方向（这里的人工智能包含机器学习、数据挖掘等各种智能计算的理论与方法），是计算机科学与神经科学和认知心理学产生交叉的主要领域。
相对于计算神经科学的广义定义，这一定义拉近了其与计算机专业学生的心理距离。
