这篇文档属于类型b（综述类科学论文），以下是针对该文档的学术报告：

作者与机构
本文由哥伦比亚大学心理学系、神经科学系、电气工程系的Nikolaus Kriegeskorte（通讯作者，邮箱n.kriegeskorte@columbia.edu）与加州大学洛杉矶分校认知神经科学中心的Pamela K. Douglas共同撰写，发表于2018年9月的《Nature Neuroscience》期刊（卷21，页码1148–1160），题为《Cognitive computational neuroscience》。

主题与背景
本文综述了认知科学（cognitive science）、计算神经科学（computational neuroscience）与人工智能（AI）交叉领域的最新进展，提出通过构建“执行任务的计算模型”（task-performing computational models）来理解大脑信息处理的机制。文章批评了传统认知心理学依赖单一假设检验的局限性，引用Allen Newell 1973年的观点，强调仅通过分解式提问无法揭示大脑算法，而需通过合成计算模型实现理解。物理学家费曼的名言“我不能创造的，便无法理解”被用来佐证这一观点。

主要观点与论据
1. 认知科学需转向计算模型
认知科学早期依赖符号化认知架构（如ACT-R）和神经网络模型，但受限于硬件和算法，未能整合脑解剖与活动数据。随着功能磁共振成像（fMRI）的兴起，认知神经科学试图将心理模块映射到脑区，但缺乏计算严谨性。文章指出，现代技术（如大规模脑活动测量）需与任务执行模型结合，才能推动理论发展。支持证据包括：
- 人脸识别研究中，fMRI发现的“面部选择性区域”在非人灵长类中通过侵入式电极验证，但计算模型仍不完善。
- 贝叶斯认知模型（Bayesian cognitive models）在感官-运动任务中的成功应用，表明先验知识与感官证据的最优结合可解释复杂认知。

1. 计算神经科学的“自下而上”路径
   该领域通过生物神经元动态相互作用模拟基础计算功能（如感觉编码、工作记忆、决策机制），但尚未实现复杂认知任务的完整解释。近期进展包括：

   • 深度神经网络（deep neural networks, DNNs）在解释灵长类腹侧视觉流（ventral visual stream）表征中的优势，例如卷积神经网络（CNN）的层级结构与大脑视觉皮层响应逐步匹配。
     
   • 模型需同时满足行为解释与神经生物学合理性，如反馈连接和动态压缩在递归神经网络（recurrent neural networks）中的作用。
     

2. 人工智能的互补贡献
   AI通过组合组件功能实现智能行为，其近期突破（如监督学习、强化学习）为认知计算神经科学提供了算法基础。关键论据包括：

   • 深度学习的成功案例（如ImageNet分类、AlphaGo）证明复杂任务可通过分层非线性变换实现。
     
   • 神经网络的局限性：当前模型忽略动作电位（action potentials）等生物特征，但功能上可被生物神经元实现。
     

3. 跨学科整合的框架
   文章提出“认知计算神经科学”需融合三大学科：

   • 认知科学：提供任务分解与行为解释的高层框架。
     
   • 计算神经科学：揭示神经元的动态机制。
     
   • 人工智能：提供算法与工程实现。
     图2展示了这一框架，强调模型需同时解释神经活动与行为数据。支持案例包括：
     
   • 生产系统（production systems）在推理任务中的符号化建模。
     
   • 强化学习（reinforcement learning）中模型无关（model-free）与模型依赖（model-based）控制的神经基础。
     

4. 方法论挑战与未来方向
   作者指出当前数据驱动分析的局限性（如功能连接分析无法揭示计算机制），并呼吁发展“共享任务、数据与模型”的协作文化（Box 5）。具体建议包括：

   • 设计跨学科实验任务（如虚拟现实环境）。
     
   • 开发可解释的复杂模型（如结合贝叶斯推理与神经网络的混合架构）。
     
   • 利用大尺度脑活动数据（如人类脑计划中的多模态测量）约束模型。
     

意义与价值
本文系统论证了跨学科整合的必要性，提出认知计算神经科学作为新兴领域的理论框架。其价值体现在：
1. 科学层面：为理解大脑如何实现认知功能提供了合成建模路径，突破传统局部定位研究的局限。
2. 技术层面：推动AI算法受神经科学启发（如强化学习中的多模态控制），同时促进脑启发计算模型的发展。
3. 方法论层面：倡导开放科学文化，通过共享模型与数据加速理论验证。

亮点
- 理论创新：首次明确提出认知、计算神经科学与AI的三元整合框架。
- 案例深度：从人脸识别到强化学习，覆盖感知、决策、控制等多层次认知功能。
- 批判性视角：指出当前神经网络的生物合理性不足，呼吁更精细的动态组件建模（如树突计算、振荡机制）。

此报告严格基于原文内容，未添加外部观点，保留了专业术语的英文对照，并按照综述类论文的结构要求分层展开。