你的想法是如何被构建的，以及你如何塑造它们 | Jennifer Groh 博士

这段对话不是以惯常的开场白起头，而是从一场论证的中间切入。被要求详细阐释对「思维」的定义时，Jennifer Groh 提出了一个理论：思维可能就是在大脑用于知觉与行动的同一套感觉—运动基础设施之上，运行一些局部的模拟。其中的情态措辞很关键——她用的是「might be」，紧接着又说「the theory is that maybe」，因此这一主张明确只是试探性的，而非一项已报告的研究结果。

对它的心智实例化，或者说，拥有那个想法这一件事在大脑机制层面的实例化，就是在视觉皮层里跑一小段模拟，大致包含猫长什么样；再在听觉皮层里跑一段模拟：猫听起来是什么样的？

随后 Groh 当场检验这一主张。她指出自己刚刚用了「猫」这个词，便问听者此刻想象的是一只什么颜色的猫。Huberman 答道：「我想的是一只灰猫，可我一个劲儿地闻到猫砂味」，并解释说他的姐妹养过猫，猫砂的气味对他来说「实在太让人反感」。Groh 把这个未经提示就自行冒出的额外感觉细节当作证据：他「毫不迟疑地说出了颜色，还附加了一层别的感觉属性」。

她把这个想法延伸成一个关于「认知资源共享」的日常论证。她设问：为什么一个正要汇入拥堵车流的司机会对乘客说「好了，别说话，我现在得集中注意力」？她的回答是：说话之所以会干扰一项视觉—运动任务，除非两者都调用着「同一套正在运作的认知系统」；此时的要求就是「把一部分资源从处理对话，转移到切实应对此时此地的感觉—运动任务上」。这番推理是推断性的，还用「maybe（也许）」作了弱化，并不是一项被描述出来的实验。

直到这段冷开场之后，才出现常规的开场介绍。Huberman 自我介绍为「斯坦福医学院神经生物学与眼科学教授」，并把 Jennifer Groh 博士介绍为「杜克大学心理学与神经科学教授」，其实验室「研究我们的大脑如何表征周围的世界」。他把本期主题定为各种感觉如何被整合，从而「我们能更有效地专注和学习」，其中也包括眼球运动如何「动态地决定我们的大脑能够做到什么」。

对于接下来要给出的「想法」的定义，Huberman 给出了一个评价很高的断言，称它「也许是关于想法是什么、以及你如何掌控想法的最清晰、最有用的定义」，并说在神经科学领域待了「近三十年」之后，这是他「所遇到过的最有说服力、最有用的一个」定义，无论在神经层面、心理层面还是体验层面都是如此。他说本期节目会展示如何运用经验、以及关于想法如何被构建的知识，「来成为一个更会思考的人，而且确实更聪明」。他还说明，这档播客与他在斯坦福的职务相互独立，旨在向公众提供「零成本的消费信息」，并且「本期节目确实包含赞助商」。

这个实质性问题被表述为这档播客自身选题上的一处空白。Huberman 指出，他们聊过视觉，也「稍稍聊过听觉，稍稍聊过触觉、嗅觉和味觉」，却从未聊过「各种感觉如何汇合到一起」，而他称这一点「对日常生活至关重要，对知觉至关重要」。尽管 Groh 的研究重心在听觉系统，他仍把她称作「做听觉—视觉整合的人」，并追问眼睛与耳朵「最早在哪里汇合」——他举了烧水壶的鸣笛声和敲门声作为例子：在这类情形下，「我们知道门在哪里」，也知道「水壶应该在哪儿」。

Groh 没有直接回答，而是请求「从我最初对这个问题产生兴趣的起点讲起」，并回忆自己当年是一所没有神经科学专业的大学里的本科生，她和几位同学「说服了一位教授开一门神经行为学（neuroethology）研讨课」。她预告自己会「先用神经科学的行话讲起，然后我们再把它拆开讲明白」——这是一个有用的标记，提示接下来技术性的描述将被转译成通俗的说法。

大脑里有一个叫上丘（superior colliculus）的结构，它对视觉刺激和听觉刺激都有反应，而且对听觉刺激的反应取决于眼睛当时看向哪里。如果你移动眼睛，这些神经元的感受野——也就是它们在空间中对之产生反应的那片区域——就会随着眼睛的移动而平移。

有两点让这个发现对她具有决定性意义。第一，这一结构中的听觉反应取决于眼位——这是一种跨通道的依赖，而非纯粹的听觉编码。第二，这个发现「让我极为震撼」，并「把我带上了从那以后一直延续至今的这条研究道路」。吸引她的是一个谜题：计算某个声音相对于眼睛所朝方向的位置，用她的话说，「我们用纸笔就能轻松做到」，而且是「非常简单的数学」。

如果知道声音位于，比方说，右侧 10 度，而你的眼睛正看向左侧 10 度，那么就等于告诉你：这个声音在你眼睛所朝方向的右侧 20 度。

她所指出的张力，在于「算术上不值一提」与「神经实现上尚无答案」之间。以她当时对大脑如何表征空间信息的了解，这「似乎成了一个很大的谜题：大脑究竟可能怎样生成这类关于声音位置的、会移动的表征」。Huberman 给这个概念命了名：「你说的就是动态地图（dynamic maps）。」

Huberman 补上了一个对照案例：大多数人「大概都知道我们有一幅身体表面的地图，也就是所谓的皮质小人（homunculus）」——刺激其中某个区域，会产生「身体上那个位置被触碰的错觉」；而越敏感的部位，比如「指尖、嘴唇、脸或脚」，「在大脑中所占的表征就越大」。Groh 所描述的却是另一回事——「地图会随着眼睛看向哪里而移动，而眼睛动得相当频繁」。

Groh 确认道：「确实动得很频繁，而且大多数时候我们根本意识不到这一点。」那个被忽略的事实是：「每次你的眼睛一转，视觉场景就在视网膜上发生大幅度的位移」，可「我们甚至都察觉不到」。她的推断是：这「表明大脑在幕后做了海量计算，才把那样的知觉体验交给我们」——因为「如果我们只是在如实表征现实，那现实就会是这些大幅晃动、被抹花的视觉画面」。

Huberman 又补了一个关于速度的观察：听觉与视觉系统令他着迷的，是「它们能如此迅速地收缩与扩张的程度」。他用一段通勤来举例——走向「轻轨或地铁」，伴随着「声音从我身边掠过」；坐下来打开「一本书或一台电脑」，或者「钻进手机里」，于是「我们的视觉世界和听觉世界就整个缩进一个小盒子里」。此时的预期是：「我们正在看的任何东西」都会「与我们在那个小盒子里听到的声音相互对应」。

触发这种重新映射的是一个社交线索：如果有人问「打扰一下，你有票吗？」，你就知道该抬头了。Huberman 强调，「我们把这一切视作理所当然」，而且「转眼之间，我们就能在几毫秒内重新映射自己的视觉—听觉世界以及全部情境」。

Huberman 追问，这一切是否都发生在「上丘，也就是我们新皮层之下」，即「我们所谓意识觉察之下」。Groh 并不接受这个前提：「天哪，真希望我们知道意识觉察究竟在哪儿」，而且「我认为这是个悬而未决的问题」。她也对该结构的作用作了限定：它「在这个故事里重要，是因为研究正是从那里起步的」，但「并不是说视觉空间与听觉空间的绑定就必然完全被封在那里、而且只封在那里」。她称这是「一个大得多的问题」，牵涉「把你的资源调来调去」，而且「会在好几种不同情境下发生」。

屏幕是她最核心的例子。声音「从来不是直接来自你正看着画面的那块屏幕」；它「来自别的地方」，也许来自耳机，而耳机信号「只是在模拟：倘若声音真从屏幕传来，位置该是什么样——但那是模拟，并不是真实」。Huberman 的解读是：「只要把所见与所闻合在一起讲得通，我们就会把它们合并。」这种合并是有条件的——一张动着的嘴和它的声音之间若有极微小的时间差，就「看着别扭」「看着特别别扭」，而且「让人不舒服」，就像一段「从网上扒下来的视频」带着「时间延迟」时那样。

在影院里或在电脑上，「声音并不是从屏幕传来的」，而是「来自一个竖向发声的扬声器」，可「当屏幕上不同位置的不同人物开口说话时，声音却在你的知觉里跳来跳去」。关键在于：「不同人物说话时，把声音送到你耳中的那个途径并没有改变」。Huberman 把这个谜题重述了一遍：物理声源始终不变——「不管是电脑、房间里的音箱、电影院还是耳机」——然而「是我们能用眼睛迅速挪动声音，还是我们的眼睛借着耳朵把声音挪了位？」

接着 Groh 修正了这一说法，这是一个明确写出的限制条件：「这在很大程度上取决于声音是怎么混音的。他们可以加进一些空间线索；但如果没加，那我们刚才说的才成立。」她最偏爱的演示是「真正腹语表演者操纵木偶的视频」——表演者让「我们的知觉在他们自己的脸和木偶的脸之间来回切换」。Huberman 的转述抓住了这种交替：先来一句「嘿，Cornelius，你好吗？」，随即同一个人又答「我挺好的」。

腹语术错觉背后的三个技巧细节——第一，表演者「尽量这样说话，嘴唇不要太大幅度地动」。第二，「有些音不把嘴唇在前面合上就根本发不出来」，而这一点「很难把人骗过去」。第三，遇到「以 B 开头或中间带 B 的词」，表演者「可能会在发那个 B 音时，不露痕迹地稍稍遮一下嘴」，这是一种「魔术师式的误导」，意在「把你的注意力引到木偶那边去」。

这里最可能是这个声音的来源，所以我要推翻耳朵告诉我的信息，把声音感知成是从这边、而不是那边传来的。

被问到这是否是习得的，Groh 先答「部分是，没错」；接着被追问儿童是否「一出生就懂得把视觉和声音合并起来」时，她答「绝对是」。她完整的立场其实更强：「它必须被习得，而且在整个发育过程中必须不断更新，直到你长到成年身体的尺寸为止。」原因出在解剖结构上，在后面才给出：「婴儿的头宽大约只有成人头宽的一半」，所以「对我来说的半毫秒，对婴儿就是四分之一毫秒，而且会随着他们长大而改变。所以才必须完成这一整套学习」。

这些物理线索被描述得很精确。「我们判断声音从哪儿来，靠的是世界里的物理规律让声音到达一只耳朵与另一只耳朵的时间产生差异」：来自一侧的声音「会先到这只耳朵、再到那只耳朵，而且在这只耳朵里会比在那只里稍微响一点」，一部分原因是「它离那只耳朵更近」，另一部分则来自「头部投下的一种声学阴影」。这种头影效应会造成「声音强度上由头部阴影带来的一点小小的下陷」。

Groh 更看重时间线索，因为「它们真的很容易计算」：「只要知道两耳相距多远，又知道声速是多少，就能算出这个时间差是多少。」她提到自己会「摘下眼镜，用那个办法量一量两只耳朵之间的距离」，并给出上限：「大概约半毫秒，是你能经历到的最大时间差」——「也就是这边一个声音和那边一个声音之间的差别」，即「从你右侧传来与从你左侧传来之差」。然而「我们显然能分辨出比纯粹最左与最右小得多的声音间隔」，她把这称作「大脑计算能力的一项了不起的壮举」。

一个神经层面的限制让这个谜题更尖锐：「半毫秒比单个动作电位（action potential）的持续时间还短。」Huberman 替听众把它解释为「神经元用来彼此通讯的电信号」，是「我们大脑运作的基本方式；没有这些，我们就没命了」；Groh 则称它是「神经系统中最基本的通讯媒介」。以「快过那个最小放电增量所需时长」的速度来处理感觉信息，「看起来会完全不合常理」。她所援引的解释依旧留有余地：「关于这究竟如何做到，是有一些研究的」，涉及「大量神经元同步放电，以及极其精密的突触，使信号从一个神经元传向下一个时延迟极小、时间精度极高」。

Huberman 拿一个自己制造的声音来试探：打响右手指时，「凭直觉我就知道那是我的右手，因为是我自己打的」，但「我的大脑会预期这个声音更快到达右耳、而不是左耳」。对于闭着眼时「正前方、就在鼻尖前」的某个东西，「我知道该往正前方看」，也「知道一睁开眼就该在正前方预期到它」。

被问到现实中的定位错误，Groh 答道：「当然会。如果只有一只耳朵有听力损失，那么给声音定位就非常困难」——但立刻补上一个限定：「也不是完全不可能」。只有在「听力损失是完全的，而且时间差和强度差是我们仅有的线索」时，才会真的不可能。例外通道来自频谱：「耳朵里有这些小小的褶皱，声音进来时褶皱会对它做滤波，尤其会改变声音的频率成分」。Huberman 的反应——「这么说，我耳朵里这些小凹陷是有用的咯」——得到了确认：「它们有用，而且你的耳朵和我的耳朵不一样」，因此每个人预期的，都是「声音听上去随位置而变的一幅略微不同的指纹」。

话题转到外耳受损的人身上——Huberman 提到「我认识的练巴西柔术的人、摔跤手，他们的耳朵总是被打得变形」，还说「他们基本上已经没有这些褶皱了」，Groh 接了句「被压平了？」Groh 对证据上的限度说得很明确：「我不知道有什么相关研究，但我想我们可以从第一性原理推断：他们起初会有一项缺陷，而且很可能他们会学会适应，会多少重新熟悉自己这副新的耳朵。」这里的「很可能（very likely）」以及诉诸第一性原理而非数据，正是值得留意的两处限定。

Huberman 发问：既然「听觉系统这么灵敏」，为什么他反而「并不真的听见自己的声音」，为什么「只用嘴的一侧说话」也「不会把自己搞晕」，而「多数人都有过看着自己或听着自己说话、觉得别扭的体验」。他打了个总结性的比方：「就像我们说话时把自己抵消掉了」；「当它从正前方冲着我们传来时，就很奇怪」。两人都同意那种感觉「别扭」而且「不舒服」。

Groh 先给自己的回答划了个范围：「关于它们为什么听起来奇怪，我能说得比较多；至于我们为什么会把它体验成有点不愉快，我能说的就少一些」，并推测「我们只是太习惯自己体验它的那种方式了，所以听到录下来的版本会觉得陌生、怪异」。接着她列举了「三点」。第一，「录音没法捕捉到你声音频率成分的完整频谱」。