实验技术革命 or 数据分析革命？CIBR新年辩论会一探究竟！ | 第五期师生交流会
在当代脑科学研究中，实验技术的飞跃与数据分析方法的革新正以前所未有的速度重塑研究范式。脑科学究竟应如何在多学科交汇中不断突破自身边界？未来破解脑科学核心难题的关键动力，究竟来自实验技术革命，还是数据分析革命？围绕这一前沿而富有争议的话题，CIBR学生会举办了第五期师生交流会。
本期活动以“神经科学如何变成多学科混合动力”为主题，通过迷你辩论会、PI主题talk与问答交流相结合的形式，搭建起师生深度交流与思想碰撞的平台。
“实验技术革命” vs “数据分析革命”
本次辩论的核心辩题为：“未来解决脑科学难题的关键，是实验技术革命还是数据分析革命？”
正方阵容为李雅堂研究员、李冲研究员及学生代表刘煜，主张“实验技术革命是关键”；反方阵容为罗敏敏研究员、王同飞研究员及学生代表刘纯，认为“数据分析革命是未来发展的关键动力”。
正方立论：实验技术决定研究的边界
在正方立场陈述中，李冲老师首先区分了实验技术与数据分析的区别。他指出，实验技术是能够在特定细胞、脑区或行为层面对关键生物变量进行直接观测、精确操控并开展因果验证的技术，而数据技术更多是对已有实验数据的整理、分析与重构。
正方认为：
脑科学真正的瓶颈在于关键变量能否被观测、操控和验证。实验技术决定“能不能研究”，数据分析决定“如何研究”。当关键变量不可测、不可控时，再复杂的数据分析也只能在不完整的信息空间中探索相关性。
正方进一步强调，脑科学的核心目标是揭示因果机制，而非仅停留在相关模式的描述上。真正的因果关系，必须依赖可控的实验干预来建立。
实验技术负责打开未知世界，数据分析负责理解已有世界，两者相互依存，但关键突破往往首先来自实验层面的革新。
反方立论：数据分析引领研究方向
反方代表王同飞老师则从研究实践的整体路径出发，提出实验与数据分析同等重要，【讨论的关键不在于“谁更重要”，而在于“下一步该往哪里走”。】他指出，过去几十年脑科学的飞速发展，确实得益于成像技术、电生理记录、多组学等实验手段的进步，【但当前阶段，真正的瓶颈正在转向对海量数据的理解能力。】
反方认为：
应当判断当前是“数据多”还是“技术缺乏”，以此决定未来的发展方向。在他们看来，因果关系并不完全依赖实验本身，也可以通过分析层面的建模逐步逼近。先进的数据分析方法不仅能够挖掘复杂数据中的隐藏结构，还能反过来指导实验设计，推动实验技术的更新。
学生代表的补充与延伸
正方学生代表刘煜指出，尽管近年来数据分析方法发展迅速，但实验技术的瓶颈依然明显。“数据多并不等于数据合理”，当前脑科学仍缺乏描述关键神经过程的高维、高质量数据。实验技术革命能够提供更大的操作空间和更高维度的观测手段，从而提升对大脑的认识层级。
反方学生代表刘纯则认为，大模型等方法更多是既有分析思想的规模化实践，尚未形成全新的分析范式，因此“数据分析革命仍在进行中”。她提出，因果关系本质上是分析层面的建模问题，数据分析的发展能够引导实验问题的重新定义。
观众互动：多维度思考脑科学
在交叉提问和自由辩论环节，双方围绕因果关系的建立、合理数据的定义、实验范式是否构成技术革命等问题展开深入讨论，并以线虫、小鼠和人脑研究为例，探讨不同物种研究尺度差异背后的方法论问题。
观众提问同样精彩。有同学认为实验技术突破后数据获取将更简单，也有同学关注“意识”等前沿问题，提出当前大量数据尚未真正触及意识本身。正反双方分别从实验手段和分析视角回应，引发进一步思考。
PI talk 的延伸讨论：李冲研究员《从不同背景进入脑科学研究：路径与启示》
辩论结束后的PI主题talk环节，李冲老师结合自身经历，分享了从果蝇模型研究走向人类神经系统研究的科研路径。他指出，过去数十年，尤其是近十年间，成像技术、单细胞组学、脑机接口以及人工智能等快速发展，使许多曾经“看不见、做不了”的问题逐渐变得可研究。
李冲老师回顾自己博士阶段聚焦果蝇视觉系统中一个极小结构的研究经历，虽然问题尺度很小，却让他对一个具体生物学现象形成了深入理解；而在博士后阶段，研究尺度升级至人类神经系统，也促使他不断调整研究视角与思维方式。
他特别强调，跨领域交流对科研思维具有重要推动作用——来自计算、生物、行为等不同背景的提问，往往能打破固有思路，带来新的启发。最后，他鼓励同学们在【专注核心科学问题的同时保持开放心态，在学科交叉中孕育新的研究思路。】
自由探讨：跨领域、范式与研究尺度
在辩论之外，大家也就跨领域科研和对神经科学研究的理解展开了激烈的讨论。这里我们精选了部分问答与大家分享：
Q1.如何跨过领域间的壁垒和认知限制，去接受跨学科的新技术和新思维？如何迈出跨学科的第一步？
跨领域并非刻意而为，而是由好奇心自然驱动的过程。科研初期专注于一个核心问题十分重要，随着积累与训练，好奇心会逐渐扩展，带来真正的开放思维，而非兴趣分散。
Q2.对于Hypothesis driven science和Hypothesis free science怎么想?
Hypothesis-driven 与hypothesis-free并非非黑即白的对立。科学假设往往建立在既有数据和观察之上，而所谓“无假设”的数据分析同样隐含比较的标准与前提。以单细胞研究为例，尽管研究数量庞大，但其通过更高分辨率的数据分析为理解复杂生物现象提供了重要价值，难以一概否定。
Q3.当前神经环路研究多停留在“点连成线”的层面，这些线索何时才能真正织成一张具有整体功能意义的网络，并为我们带来更具启发性的理解？
当前神经环路研究本质上仍处于“解结构、连线路”的阶段，看似在研究功能，实则主要在搭建网络骨架。未来，当环路数据积累到足够规模并结合数据分析方法的突破，有望由模型自动预测环路结构，从而推动研究从结构解析迈向功能理解。
此次CIBR师生交流会展现了当代脑科学在多学科交汇背景下面临的真实挑战与发展机遇。实验技术与数据分析并非彼此对立，而是在不同阶段、不同层面共同推动脑科学向前发展的双重动力。通过开放而深入的交流，师生们不仅加深了对脑科学研究路径的理解，也进一步认识到在保持问题聚焦的同时拥抱学科交叉的重要性。
