放棄追求最優解：你的大腦本來就是一個妥協的產物

若只從某一特定功能來看，人類大腦并非最優。大腦是一系列權衡與約束條件共同作用的產物。大腦如何面對不同權衡與約束的過程，可以看成是跨越時間尺度，在崎嶇的山谷里進行探索，各個物種在此過程中不斷適應相差甚遠甚至是相互沖突的約束條件。認識到大腦的不完美，對于決定是否以及如何將大腦特征整合至人工系統，以及如何在生物學層面理解大腦的運行，均具有深遠意義。

?Fakhar, Kayson, and Duncan E. Astle. "Embracing the suboptimal organization of the human brain." Trends in Cognitive Sciences (2026).

人類大腦架構正引領類腦人工智能的發展，且常被視為一種最優模板。當我們需要判別精神疾病時，往往通過其偏離典型大腦運作模式的程度來度量。本文認為這一出發點從一開始就是錯誤的。在任一單一目標（如最小化布線成本或最大化通信效率）上，大腦連接組處于次優狀態。腦的組織結構是生物與環境約束下，在演化與發育過程中面對多目標進行取舍所達成的權衡。

對于精神病理學而言，非典型軌跡并非與“理想大腦”之間的距離，而是同一權衡空間中各項折中方案的權重重新分配。對于類腦AI而言，直接復制大腦的連接模式存在風險，可能會一并復制大腦某些無關緊要的取舍。將大腦與AI模型視為多目標優化的產物，并協同調優相關目標，為解讀大腦的臨床表型與設計下一代AI提供了更為強大的理論框架。

對最優大腦的追尋

人類大腦展現出極為復雜的布線架構，并具有獨特的拓撲特征。例如大腦的模塊化特性，讓不同腦區內形成連接密集的集群 [1]。這些集群通過長程"捷徑"相互連接，形成一種小世界模式（small-world pattern），在低布線成本與高效的區域間通信間取得平衡 [2]。此外，大腦將不成比例的連接分配給少數高度連接的樞紐節點，具有"富俱樂部"（rich club）特性，樞紐節點作為高效神經信號傳導的骨干網絡 [3,4]。而大腦中信號的流動方式 [5,6]，則在底層就被這些網絡特征所影響。

揭示大腦結構、通信動力學與其功能之間的關聯，不僅對致力于理解認知與行為偏離的研究者具有直接意義，也對類腦人工智能的開發者至關重要 [7,8]。驅動類腦研究的核心假設是：大腦的功能紊亂反映了其對某種最優配置的偏離，類比來看，人工智能系統亦可通過趨近最優配置的典型大腦而得到改進。此處所言"改進"，不僅指絕對性能的提升，還包括能耗、學習速度、抗噪聲魯棒性及避免災難性遺忘等其他相關指標。

"典型大腦處于最優狀態"這一出發點，既塑造了研究理論（如神經發育理論），也影響了實踐方向（如在人工系統中實現生物才有的特征）。本文認為該前提并不成立。在許多方面，大腦的表現只是"次優"，且這種次優性具有重要意義。

將人類大腦視為次優，是通向大腦具有適應性這一更根本認知的必經之路。次優的大腦應成為腦與精神疾病研究者，以及致力于改進人工智能者的共享認知基座。無論是作為物種還是個體，適應性都是理解神經發育軌跡偏離、以及在人工系統中有效實現生物特征的關鍵。針對上述兩類研究目標，本文主張聚焦于約束條件如何塑造系統，并通過繪制大腦的多維權衡景觀（trade-off landscape）將這一研究形式化。

大腦布線圖譜中

難以捉摸的標志性特征

如今，大量神經發育、精神及神經退行性疾病，不再被視為孤立腦區的功能擾動，而是通過大規模腦網絡通信中斷這一框架給予解釋[9–11]。例如，簡單的興奮性動力學模型已成功捕捉到導致帕金森病的病理性振蕩的結構模體（motif） [12]。自閉癥患者在大規模網絡上表現出顯著差異，尤其在軀體感覺區域，并在發育過程中偏離常人的神經通信模式 [13]；被診斷為精神分裂癥的個體則因富俱樂部連接減弱而呈現神經通信異常 [14]。這并非意味著連接性偏離能與精神疾病的診斷一一對應 [15,16]。但這些發現所激發的共同理論假設是："對照組"的大腦處于最優狀態，而"病例"組的大腦則以某種方式偏離了這種最優性。

大腦令人印象深刻的布線結構為其他領域提供了靈感。某些AI架構，如卷積神經網絡CNN直接借鑒了哺乳動物視覺系統，并在圖像識別任務中表現出色 [17]。通過引入基于視覺皮層局部連接模式的布線約束，這些網絡的性能可進一步提升。例如，在網絡層間添加短路連接可改善CNN的任務表現及分布外的泛化能力 [18]。除CNN外，受連接性啟發的循環神經網絡RNN，相較于隨機布線網絡，RNN展現出更強的抗攻擊魯棒性 [19,20]。還有諸多實例表明，將類腦特征或約束引入AI，可提升其性能、效率，讓其具有超越給定任務的泛化能力[21–23]。例如，具備層級模塊化連接（大規模腦網絡的標志性特征）的類腦RNN，其多任務處理能力優于隨機網絡及嚴格模塊化的網絡 [24]。

鑒于上述顯著案例，類腦智能研究者繼續探索大腦不同的網絡特征（從稀疏性 [25]、層級模塊化 [24] 到小世界特性 [26]）的計算優勢，其動機顯而易見。除了研究者（見 [7,27]），資助機構也在推進相關研究。

例如，與英國高級研究與發明署（ARIA）發起的"自然計算更優"（Nature Computes Better）計劃類似*，德國聯邦教研部（BMBF）已向11個"神經生物學啟發式人工智能"項目投入約1000萬歐元**。其投資原因表是這樣說的："大腦的信息處理原則、學習的生物學基礎及認知過程，可為新型算法與架構提供豐富靈感，以進一步推動人工智能與機器學習方法的發展"，并進一步明確："具體案例將展示神經科學如何為人工智能的進一步發展提供新見解與新策略"。此類倡議隱含的假設是：類腦架構通常更具優越性，人工智能系統將受益于對大腦特征的復現。這并非暗示該領域觀點完全統一，類腦智能研究者探索大腦布線圖譜的原因多種多樣（詳見 [7,8,28,29] 的全面綜述）。

*https://aria.org.uk/opportunity-spaces/nature-computes-better

**https://www.bmftr.bund.de/SharedDocs/Bekanntmachungen/DE/2024/12/2024-12-04-bekanntmachung-neurobiologische-ki.html

盡管模仿大腦的連接模式具有明顯吸引力，但其對人工智能的益處并非總是明確。基于靈長類（包括人類）大腦連接模式實例化的循環神經網絡，在工作記憶任務中并未表現出更優性能 [30]。通過傳統儲層計算框架求解記憶容量任務量化比較，類腦RNN的計算能力 [31]與隨機布線網絡對比，結果亦顯示其性能持平或反而下降 [31,32]。綜合這些結果，大腦的布線架構反映了生物系統特有的約束條件，包括發育與環境因素、能量消耗與代謝預算、穩態與體溫調節，以及生態位特異性功能需求 [33–35]。

換言之，大腦的某些特征并非在絕對指標上具有優勢，而僅在其幫助生物體在群體或個體，在其生老病死的過程中處理好不同優先級權衡時才體現出它的價值。無論我們是在將"偏離最優配置"作為疾病成因，還是試圖在人工智能中"實現最優配置"，這都是需要記住的。以絕對最優視角看待大腦，會偏離了問題本質。

以人工智能為例：本文的論點絕非否定在人工智能系統中引入類腦特征的潛在價值，恰恰相反。理解這些潛在益處需要細致辨析：與常規人工系統不同，人腦并非通過單一優化函數（如特定任務的最大性能）進行"訓練"，而是在極其復雜的權衡景觀上導航，以實現生存并最終繁衍下一代。事實上，若以單目標優化問題的視角審視，大腦很可能呈現為次優狀態。在下一節中，我們將具體闡述"次優"一詞的內涵。

塑造大腦的演化權衡

大腦的網絡架構是在受限的高維適應度景觀（fitness landscape）中而成的 [36]。在不同尺度，約束以不同的方式體現。既包括特定生態位對物種施加的選擇壓，也涵蓋作用于所有生命形式的普遍性力量。此類普遍性壓力揭示了不同生物體如何應對相同的基礎約束，約束之一便是神經系統的布線經濟性[37,38]。物理連接具有高昂的代謝成本，這對所有生物施加了最小化總布線長度的強烈選擇壓 [38,39]。相較于其他隨機布線配置，大腦的布線經濟性更具成本效益，表明大腦趨近于最小布線成本[38,40]。

然而，使用優化算法，卻可找到比當前大腦布線成本更低的方案[20,41,42]。簡言之，盡管大腦的布線架構明顯受到布線經濟性的塑造，但其本身并非經濟性最優，而是存在成本更低的解決方案。但這些人工合成的、經濟性最優的網絡卻缺乏腦網絡所具備的其他特征，例如區域間的神經通信效率 [41,42]。而若我們在最小化布線成本的同時最大化通信效率，則能對大腦布線配置所執行的功能得到更深入的理解。

兩個目標的組合導向一個共同解：一組連接遠距離腦區的長程、高成本"捷徑" [39,41–43]。盡管我們可能傾向于據此推斷大腦在布線成本與通信效率之間達到了最優平衡，但這一結論仍不完全準確；計算模型仍可找到在兩項指標上均更優的配置 [20]。關鍵在于：當多個（且常相互沖突的）目標需同時滿足時，我們必須重新審視"最優"一詞的內涵。

一種更具實用價值的視角是將最優性理解為一組帕累托最優解（Pareto-optimal solutions）構成的連續譜（見圖 1 [44,45]），其范圍涵蓋從"最低成本–低效率"到"最高效率–高成本"的各類配置。在給定其他約束與目標的前提下，某些配置會相較于其他方案被優先選擇。通過跨物種研究這些權衡關系，可在控制其他因素的情況下，識別出對腦結構影響最為顯著的約束條件。例如，小世界連接等復雜拓撲特征，代表了成本–效率權衡中的"中間解"，在兩者間取得平衡而未嚴重犧牲任一目標 [2,39]。

然而，包括線蟲、獼猴及人類在內的多種動物大腦，均表現出對通信效率的偏好高于布線經濟性，并愿意接受更高的連接成本，這表明兩類目標的權重并不相等 [41,42,46]。此類現象可能在不同尺度上廣泛存在：在單神經元層面，成本–效率權衡塑造了神經樹突的分支模式，不同細胞類型會選擇不同的帕累托最優解 [47]；此外，哺乳動物聽覺腦干中的神經元也會優先保障功能而非降低能耗 [48]。此類例證不勝枚舉，但我們的核心觀點是：當一個系統必須協調多重約束時，并不存在單一的"最優"解。相反，潛在解的連續譜恰恰反映了該系統所面臨的（當前或歷史中）個體的約束條件。

?圖1：腦網絡中布線效率與通信效率之間權衡關系的示意圖

另一個復雜因素在于：每個生物體必然受其自身譜系歷史的約束。換言之，并非所有大腦特征都反映主動的權衡優化，因為演化過程中的結構重組的能力亦受限于既有條件[49]。具有諷刺意味的是，啟發了卷積神經網絡的視覺系統，恰恰說明了演化約束如何在長遠尺度上產生次優設計 [50]。

脊椎動物的感光細胞采用"反向布線"：神經纖維在離開視網膜形成視神經之前，需橫跨于感光細胞之上，這不僅減少了到達光感受器的光量，還形成了生理盲點 [51,52]。該設計得以保留，并非因其優化了視覺功能，而是因為演化歷史限制了可行的解決方案。在綜合考量所有成本因素后，它仍是一種"足夠好"的解，足以保障動物生存，并作為后代在其生態位中進一步改變的踏腳石 [53]。脊椎動物視網膜之所以能以倒置構型發育，源于其起源于神經管 [50]；而頭足類動物則通過皮膚內陷獨立演化出眼睛，其感光細胞直接朝向光源，軸突向后延伸，從而形成一種更符合光檢測直覺的排列方式 [52]。

演化在長遠尺度上產生次優解的案例不勝枚舉 [54,55]。換而言之，演化是在既有約束條件下進行優化，而非從零開始重新設計。與其說是"適者生存"，不如說是"最慢者淘汰"。這一觀點落筆看似顯而易見，但對于理解自然界中我們實際觀察到的大腦至關重要。人類視覺皮層無法通過與前額葉皮層互換位置來節省布線成本或降低信號延遲。

為何大腦的"次優性"至關重要？

至此，本文已探討了大腦具有的關鍵網絡特征、塑造這些特征的若干權衡關系，并論證了這種表觀次優性產生的機制與原因。接下來，本文希望闡明：接納這種次優性，對于類腦人工智能與神經發育及神經精神疾病研究所具有的三重關鍵啟示：

• 繪制權衡景觀本身即具價值；

• 通向特定解的路徑（而不僅是終點）對生物系統與人工系統都能提供關鍵信息；

• 跨尺度的吸引子狀態（attractor states），而非簡單的二元邊界，可能更能準確刻畫物種與個體的特征。

（1）繪制一幅景觀，構建另一幅景觀

對于類腦智能而言，認識到大腦是其歷史、局限性與權衡關系的產物，可將研究問題從"該特征提供何種功能"重構為"若存在的話，是哪一組約束條件導致了該特征的產生？" [56]。換言之，明確腦網絡中哪些廣泛特征可能是特定權衡關系的潛在解，可使我們避免對其功能與價值進行過度解讀。例如，表面優化原則不僅可解釋神經元形態與連接的特征，也能解釋其他物理網絡，如血管系統乃至樹木的分支結構所呈現出的相似特征 [57]。因此，盡管這些物理網絡展現出復雜特征 [58]，但這些特征未必是針對眾多神經人工智能研究者所關注問題的解決方案。

明確哪些特征源于哪些約束條件，可大幅縮小我們的搜索空間。在神經形態硬件設計等物理空間約束切實相關的領域，則可檢驗大腦呈現的特征是否確實能解決共性難題。當觀察到任一給定特征時，我們需考慮其可能是一種"拱肩"（spandrel）——即不具獨立功能的副產物；這些特征可能是其他可能現已無關目標的副產品，特征本身并無可獨立觀測的功能 [59,60]。

如前文簡要提及，在發育系統生物學中，描述上述權衡空間的一種流行方式是將其視為三維地圖，不同物種（或如我們將在下一節所見，不同個體）位于不同位置，如圖2上圖所示。類似地，人工智能的權衡景觀（圖2下圖）亦具啟發價值。盡管同屬人工智能領域，自主無人機可能需要與大語言模型或自動駕駛車輛根本不同的架構，因而擁有其自身獨特的權衡集合。此外，盡管某些大語言模型的能力已可與人類比肩甚至超越，但它們仍面臨權衡：具體而言，與云端模型相比，端側模型受限于顯著更低的算力，導致其能力大幅受限，并在其權衡景觀上走向不同的路徑。顯式納入算力約束，反而可能催生兼顧二者、在有限計算預算下表現更優的新型架構 [62]。

?圖 2 嵌套權衡景觀的示意圖

通過在多個推測的權衡景觀中進行對比，類腦人工智能可有選擇地借鑒那些能夠解決共性問題且滿足約束的生物解決方案，而非盲目采用與其特定應用場景無關的特征。在此基礎上，類腦人工智能可構建一個平行的權衡景觀，其中部分權衡與生物學重疊，而其他則不然?？偠灾?，權衡景觀為思考生物系統與人工系統之間的并行約束提供了一種有效的思維框架。

（2）追蹤與建模軌跡

權衡景觀的另一層啟示在于：我們不僅要考慮不同系統（生物或人工）所占據的終點位置，更要認識到通向這些位置的軌跡也至關重要。此處，“軌跡”既指演化（全局）軌跡，也指發育（局部）軌跡。前者代表種群在多維適應度景觀中開拓出的路徑，后者指個體在其局部鄰域內的導航過程。演化軌跡的一個典型案例是人類與黑猩猩大腦從共同祖先分化而來的過程。在此基礎上，我們可進一步觀察遺傳因素如何將個體置于不同位置，以及這些因素如何與表觀遺傳和環境壓力相結合，共同塑造不同的神經發育軌跡。

演化軌跡有望改變我們對神經發育與精神疾病的分類方式。該視角下，除物種間的大尺度差異外，每個人類大腦本身也是獨一無二的。個體間變異可能代表了對高維權衡景觀中局部可行解的探索，如圖2上圖所示。因此，若我們退后一步觀察，便會發現腦網絡差異性實質上反映了圍繞種群軌跡的離散分布。

神經發育及精神疾病患者在權衡景觀上的離散分布不應被簡單理解為“最優”與“偏離最優”的對立，而應視為不同個體皆處在帕累托最優前沿，但存在細微差異。每個人都在適應一套獨特的遺傳、表觀遺傳與環境約束，且均摻雜了一定程度的隨機性。聚焦于演化軌跡，使我們不僅能考察腦網絡的某一給定特征是否標定特定個體，更能探究是哪一組約束條件在時間推移中預示了該特征的出現。后者對于早期檢測與干預可能具有更高的信息價值。

事實上，約75%的精神疾病在青春期結束前便已顯現 [63]，這表明其本質上源于發育過程。在該年齡段群體中，相較于原始神經影像數據本身，基于皮層體積變化軌跡系統性偏離正常人群的程度，能更好地預測精神病理學指標 [64]。發育軌跡的重要性在精神病理學文獻中已有充分記載 [65–68]。本文進一步強調的觀點是：將精神病理學視為對環境與表觀遺傳約束的適應性反應的一部分（或至少是其下游后果）將大有裨益（綜述見 [69,70]）。例如，年輕時的逆境可能導致對威脅的警覺性增強，這在某些惡劣環境中具有高度適應性，但長遠來看卻可能與焦慮相關疾病有關 [71]。

有趣的是，人工智能模型的學習軌跡同樣可作為其診斷工具。具體而言，在追蹤學習軌跡的過程中，一項偶然發現催生了模型泛化能力的新一輪進步。多年來，學界通常通過追蹤損失/性能軌跡來判定學習的收斂性。被稱為“頓悟（Grokking）”的發現表明，許多模型起初僅記憶訓練數據，在經歷漫長的訓練平臺期后，會突然涌現出實現泛化所需的內部表征[72]。因此，研究者如今轉向追蹤能度量學習軌跡的多個指標以確保訓練好的模型具有可泛化性，而傳統基于損失函數的指標可能導致過早停止訓練 [73]。與神經科學類似，我們可設想未來的類腦人工智能，將軌跡偏離作為潛在的診斷工具，用于更深入地理解復雜模型（示例見 [74,75]）。

（3）跨尺度吸引盆

是什么因素主導了權衡景觀中的軌跡變化？從根本上說，這一問題觸及一個名為“動力系統理論”的數學領域。該理論研究系統隨時間的演變規律 [76]。具體而言，與許多其他優化問題類似，生物與人工的多維權衡景觀，本質上是不同吸引子的狀態空間。根據動力學理論，吸引子會對其周圍物體的軌跡施加影響。在此語境下，這些“物體”即是在權衡景觀中的個體與物種（或不同類別的人工智能系統）。

盡管動力系統理論在人工智能模型中的應用已相當成熟，但其主要目的在于理解不同模型的內在機制及其與大腦的相似性 [74,77,78]。例如，前額葉皮層神經元的群體吸引子景觀（population attractor landscape）解釋了它們在情境依賴性辨別任務中的功能。有趣的是，在相同任務上訓練的循環神經網絡中復現了這一景觀，暗示了其在橋接兩種迥異系統的計算過程中，發揮著統一的功能 [79]。

然而，受限于計算復雜性，對更長時間尺度動力學的全面分析——例如單個模型的損失/適應度景觀，或所有模型空間中不同模型的整體演化（圖2下圖）仍探索不足 [80,81]。一種可行的解決方案是利用演化算法進行神經架構搜索，以發現每個領域適用的模型 [82]，隨后對各類別中的模型進行進一步微調（類似處理見 [83,84]）。當然，回歸圖2中的兩幅景觀，這一類比恰好映射了演化過程與發育過程之間的相互作用。

同樣，對于生物界，我們可以設想物種受大尺度吸引子的影響，而個體同時受其較小的局部吸引子影響（圖2上圖）。事實上，將動力系統理論應用于宏觀與微觀演化研究，已在理解演化與發育過程機制方面取得了豐碩成果 [61,85–88]。這也與精神病理學中的類似方法相呼應：在該領域中，精神疾病反映了大腦能量景觀或心理狀態景觀的改變 [89–91]，及其底層腦狀態的變化 [92,93]。

長遠來看，權衡景觀有望為多種精神病診斷構建一個整合框架：即個體在權衡景觀中動態地趨近或遠離不同的局部吸引子。例如，雙相情感障礙或抑郁癥等復發性精神疾病，已被建模為在健康吸引子與病理吸引子之間切換的系統。盡管檢測此類轉變早期預警信號的方法正在積極開發中 [94,95]，但它們尚未被應用于其他問題，也未跨越更長的時間尺度（如貫穿發育全過程）。例如，具有時間特異性表達譜的不同基因群組，可能是長時期權衡景觀中的吸引子的具體實例 [87,96]。

此外，采納這一視角將開辟若干研究路徑（見“待解決問題”）：我們能否通過數學建?？坍嬤@些路徑并重構底層吸引子？能否先繪制患者在權衡景觀中的位置，再模擬其在不同干預下的軌跡，從而預測治療效果？綜合性縱向數據集（如注意力、學習與記憶中心 [CALM] [97]、英國生物樣本庫 [UK Biobank] [98] 或青少年大腦認知發育 [ABCD] 研究 [99]）正通過大規模整合神經影像、認知、疾病癥狀與遺傳數據，為上述目標奠定必要的基礎。嵌入方法（如變分自編碼器）可用于推斷潛在的權衡關系 [100]。在這些權衡景觀中定位個體，有望建立新型的跨診斷譜系，刻畫趨近特定吸引子與癥狀的運動軌跡，從而有助于解決精神病學中長期存在的癥狀重疊與簡并模式難題 [64,101]。最終，控制論或可助力預測干預措施將如何改變個體權衡景觀中的軌跡 [91,102–105]。

結語

人類大腦常被視為一種架構模板，被認為是優化主導性演化目標的產物。然而，若在任一單一目標下進行評估，腦的表現實則為次優狀態。次優并非生物缺陷，而是適應性的必然標志，反映了其在演化史與個體神經發育的不同尺度上所進行的多目標權衡。承認存在復雜的權衡景觀，將根本性地改變我們對發育與精神疾病的解讀。

非典型發育軌跡并非對完美、理想化大腦的簡單偏離；相反，它們是占據同一高維空間、權重重新分配的折中方案。通過將個體間變異性視為朝向不同局部吸引子的動態運動，對精神及神經發育疾病的研究得以擺脫僵化的診斷標簽，轉向對心理健康的連續且跨診斷的理解。

對于類腦人工智能領域而言，本框架提供了一次概念層面的航向修正（見“待解問題”）。盲目復制大腦的布線模式，存在一并復制其無關折中與演化包袱的風險，而非僅獲取其功能收益。更具價值的做法是探究造就某一特征的具體約束條件，從而過濾掉特異的生物“拱肩”（結構性副產物），將精力集中于能在人工智能獨有權衡景觀中解決共性問題的優化策略上。在生物與人工系統中繪制這些復雜地形圖，或許具有深遠的科學價值。

待解問題

在不同神經發育與精神疾病中，多目標權衡景觀內的哪些具體目標間發生了權重重分配？

穿越權衡景觀的發育（局部）軌跡如何與塑造它們的演化（全局）軌跡發生相互作用？

何種標準能夠區分那些與人工系統面臨相同權衡的腦網絡特征，以及那些僅僅是生物約束副產物（即拱肩）、對人工智能并無啟發的腦網絡特征？”

如何將本文針對生物系統提出的吸引子與軌跡視角，適配對人工系統的診斷？例如，如何藉此引導架構搜索穿越權衡景觀中的共享區域？

譯者的話

將精神疾病看成是偏離最優，那就意味著一定要把患者掰回去，而若是視作多目標權衡時權重有所不同，那就能從生態的視角，看出精神疾病患者并非要糾正的異常點，而是需要社會，家庭共同為其創造合適生態位的待利用資源。文中描述的是從研究者的角度來看，擁抱大腦的不完美對未來的研究意味著什么，而譯者更關注的是這一認識對普通人有何幫助。

完美主義，績優主義乃至衡水模式，其實與本文所討論的最優化是同一個東西，即對單一指標的極致、追求。但如果我們發現，人腦本身就不是為單一指標最優化設計的，而是需要同時如雜技演員一樣，讓多個球不落地（在多個目標上表現的都足夠好）。這樣的認識能夠讓我們解放，讓我們能夠接受自身的不完美，這或許是譯者從人文主義視角獲得的啟示。將這一觀察泛化，接納我們自身大腦的不完美，也意味著接納我們所見各式各樣的不完美，例如吃果子不用追求最甜，找伴侶不用追求最帥。畢竟，內心的平和來自與執念的講和。

https://www.cell.com/trends/cognitive-sciences/fulltext/S1364-6613(26)00092-6

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、科普視頻媒體「大圓鏡」等。