“这项研究更像玩具，而不是工具。”这句审稿人的评价，卢志记了很多年。
2019 年，还在清华大学自动化系读博士的他参与了一项计算成像研究，并尝试将论文投稿《Nature》，最终却遭到拒稿。审稿人的理由之一就是这句话。
那时的卢志更习惯用指标判断技术的进步：成像视野能不能更大，分辨率能不能更高，速度还能不能更快？但这句评价让他开始意识到，如果只是把参数做得越来越漂亮，却没有真正解决科学问题，技术最终可能仍然只是一件精巧的“玩具”。
此后，他越来越关心一件更具体的事：怎样造出真正有用的观测工具，让科学家看见过去看不到的生命过程，把参数上的突破变成研究中真正需要的证据。
但这实现起来并不容易。因为生命科学中的很多问题，都要求显微镜同时做到几件彼此矛盾的事。既看得足够细，又看得足够广；既获得高分辨率，又能在活体中连续观察很长时间。传统方法往往只能作取舍。
AI 的出现，开始改变这种取舍关系。当物理模型、计算成像和神经网络越来越深地进入成像过程，显微镜不再只依赖光学系统本身决定“能看见什么”，而是逐渐变成一个由光学、算法和 AI 共同组成的观测系统。
卢志也注意到了这一变化。如今，作为清华大学心理与认知科学系助理教授的他，开始进一步结合 AI，把过去围绕智能成像积累的技术带入脑科学研究。
今年 7 月，清华大学戴琼海团队在《Nature Biotechnology》发表活体介观三维显微成像系统 RUSH3D-HR，卢志是论文第一作者。这套系统将光学设计、计算成像与 AI 结合，可以在数毫米视野内分辨亚细胞结构，并长时间追踪大量细胞的三维动态变化。
借助这套系统，研究人员还连续观察到电针刺激后远端器官中免疫细胞的变化，从一个新的观察视角揭示了针灸可能如何影响全身免疫反应。
DeepTech 此前报道这项成果时，曾用“一次实验相当于过去 100 次”来形容它带来的变化。但卢志告诉我们，真正重要的并不只是效率，而是研究者开始有机会保留生命事件发生的“上下文”。
因为生命过程很少只发生在一个瞬间，一个异常细胞最早在哪里出现，它如何与周围的神经元、胶质细胞、血管和免疫细胞相互作用，最终怎样参与疾病的发生，都需要在同一个活体中持续观察。
这也正是介观脑科学关注的问题。所谓介观，是介于单个神经元与整个脑区、全脑之间的尺度：既要看清神经元层面的细节，也要观察神经元、胶质细胞、血管和组织在更大范围内如何共同变化。
而当这些连续、动态的生命数据真正积累起来之后，问题也会自然从“看见了什么”，进一步走向“为什么会这样变化”，以及“接下来应该怎样验证”。
因此，对卢志来说，“看见”还只是第一步。沿着这条路径，他希望继续把 AI 获取和重建生命信息的能力，推进到对生命动态的分析：从记录细胞怎样变化，到探索描述生命时空演化的模型，让过去难以辨认的过程，成为能够被量化、被研究的问题。
这次对话中，我们从一台显微镜怎样从“玩具”变成真正的科学工具谈起，也聊到 AI 如何改变生命科学的观测方式，以及当机器开始更深地参与观察、理解和实验，科学研究可能走向哪里。
以下是 DeepTech 和卢志的对话：
让过去看不见的生命过程进入视野
DeepTech：你本科和博士阶段都在清华大学自动化系学习，现在又进入心理与认知科学系开展脑科学研究。回看这条路径，你是怎么一步步从自动化转到脑科学这个方向的？
卢志：从研究主线上看，我并不是从“自动化”突然转向“脑科学”，而是一直在做一件相对一致的事情。希望用 AI 做智能成像，也就是 AI for Imaging，获得过去无法获得的生命信息。
自动化系本科、博士和博士后阶段的训练，让我形成了比较完整的端到端系统思维。光学、计算、深度学习、控制等环节并不是彼此割裂的，而是可以放在一个系统里共同考虑。博士和博士后期间，我主要解决的也是成像过程中的一些核心瓶颈。
当时国际上提出过活体成像中的“不可能三角”：视野、分辨率和速度这三个维度，很难同时做到最优。AI for Imaging 对我来说，就是希望突破这个“不可能三角”。而当成像能力真正提升以后，一个新的问题自然会出现：如果我们已经能够连续获得大量细胞动态数据，下一步就应该去理解这些动态究竟意味着什么。
所以现在进入心理与认知科学系，对我来说并不是突然换了一个方向，而是随着技术不断深入，当我们有能力探测更加复杂、更加真实的生命过程之后，自然而然会进一步去追问脑科学中的问题。当然，我同时也兼聘于自动化系，保持从一个系统角度去思考问题的理念。
DeepTech：那你现在具体在研究脑科学中的哪些问题？
卢志：脑科学本身非常复杂。我们更希望基于动态数据去解释其中的问题，理解大脑，再进一步理解生命。与其说我们现在的目标是直接做出某一个具体的脑科学发现，不如说是希望建立一套新的技术和工具，让过去无法观测、无法分析的问题变得可以研究。
比如我们现在关注“介观脑科学”。所谓“介观”，就是处在微观和宏观之间。我们希望跨越单个细胞、局部回路和更大范围的脑网络，研究神经元的活动和组织规律，同时保留足够精细的细胞层信息。这个过程本身也会推动新的成像和计算技术发展。
DeepTech：你有一个很特别的个性签名：“Where the telescope ends, the microscope begins”。你大概是在什么时候看到这句话的？为什么它会成为你的个性签名？
卢志：我大概是在博士中高年级，也就是 2021、2022 年前后看到这句话。当时觉得它特别有哲理。刚看到的时候，我甚至没有想到这是法国文学家雨果 1862 年在小说《悲惨世界》里写下的一句话。
之所以对它特别有感觉，是因为我们做成像系统时一直面对一个很类似的问题：大视场和高分辨率往往难以兼得。你要么获得更大的视场，但分辨率下降；要么获得更高的分辨率，但视场变小。
这句话的内涵在于，望远镜把我们的视野延伸到遥远的宇宙，显微镜则把我们带入生命和物质内部。成像技术说到底，就是不断突破人类感官的边界。我们做的事情其实也是沿着这个方向继续往前走：不仅希望显微镜能够看得更远、更快、更清楚，也希望借助计算和 AI，突破传统光学系统本身的限制。
未来，它还可能进一步连接对数据的理解和实验决策，让过去不可见、不可计算、不可验证的生命科学问题，逐渐变成可以被看见、被分析和被验证的问题。
DeepTech：你刚才提到了感官的边界。今天的显微技术已经非常发达，究竟还有哪些重要的生命过程是我们依然看不见的？这些观测盲区又在多大程度上限制了我们理解大脑和生命？
卢志：现在的技术当然已经能够“看见”很多东西，但这种看见往往是有代价的。比如先将实验动物处死，再进行组织透明化、切片和三维重构，可以获得非常漂亮的静态图像，甚至建立精细的神经连接图谱，确实非常重要，但看到的往往是一个已经被固定下来的状态。
但如果我们真正想研究生命过程如何发生，就需要连续、跨尺度、活体、动态的数据。很多静态、局部的结构，现在已经可以看得非常清楚。未来更关键的问题，是能不能把一个生命事件从发生、发展到结束的过程完整记录下来。
比如做大范围脑成像，我们既希望看到单个神经元，甚至轴突、树突、突触等亚细胞结构，又希望能够长时间记录学习、记忆形成这样的过程。为了实现长时间观测，还需要足够高效的成像方式，控制光毒性，尽量减少成像本身对样本的扰动。
另一方面，不同生命过程发生的时间尺度差异也非常大。神经元的电活动可以发生在毫秒量级，而神经元、胶质细胞、血管和免疫细胞之间的协同变化，又可能持续数小时甚至数天。如何把这些不同时间尺度、空间尺度的变化放进同一个活体系统中连续观察，是目前非常重要的挑战，也是我们所说的观测盲区。
DeepTech：所以，从某种意义上说，今天 AI for Science 的瓶颈不只是模型不够强，而是我们还没有能力把真实的生命过程充分观测出来？
卢志：我觉得这肯定是一方面的原因，但不是全部。
可以类比 AI 的发展历史。十多年前，ImageNet 等数据集推动了计算机视觉和深度学习的发展；后来大量互联网数据成为大模型发展的重要基础；今天具身智能的发展，也高度依赖真实机器上的数据采集。
如果未来我们要做生命智能，或者希望更完整地理解和模拟大脑，那么观测能力一定会是基础限制之一。理论和观测其实一直是相互推动的。我们今天对哺乳动物，尤其是人脑工作机制的理解仍然非常有限，因此如何获得更加丰富、真实的观测数据，本身就是一个基础问题，也是一个重要的研究突破口。
当然，获得数据并不等于理解数据。AI for Imaging 首先解决“怎么记录清楚”的问题，并不会因为记录清楚了，就自动告诉我们生命系统为什么这样运行。我们希望进一步构建用于分析生命动态的模型，让过去难以研究的问题逐步变得可计算、可预测、可验证。这也是我最期待的地方：让 AI 的能力从可靠成像，继续向生命规律的理解延伸。
AI 参与成像之后，如何相信眼前的图像
DeepTech：计算成像和传统显微镜有一个很根本的区别：传感器记录到的并不一定是科学家最终看到的图像，中间还需要经过编码、计算和重建。过去我们常说“眼见为实”，进入计算成像时代之后，“看见”这个概念本身发生了什么变化？
卢志：以前我们常说“眼见为实”“所见即所得”。比如光经过眼睛的光学系统到达视网膜，这是一个比较直观的“看见”过程。但现在做 AI for Imaging，我们设计的“看见”不一定完全是为人眼服务，也可以是为机器视觉所服务。
既然最终的数据需要由机器存储、计算和分析，我们就不一定要完全按照人眼的感知方式来设计成像系统。传感器首先获得的可以是一种经过编码的测量结果，再结合成像系统的物理模型和学习算法进行重建、增强和解码，最终恢复出我们真正关心的信息。
所以计算成像带来的变化是，“看见”不再只是光学系统直接形成一张肉眼可读的图像，而变成了从测量、编码到计算解码的完整过程。在这个过程中，“看见”和后续的“理解”也会联系得越来越紧密。
DeepTech：但 AI 参与观测之后，一个不可避免的问题是：它究竟是在恢复原本存在、但没有被直接观测到的信息，还是在根据训练数据进行推断？我们怎么知道它是在解码，而不是“猜”？
卢志：这是 AI for Imaging，尤其是科学成像里非常重要的问题。对于显微成像来说，使用者往往是医学和生物学研究者，他们有一个很重要的底线：结果必须可追溯、可量化、可以被验证甚至被证伪，不能出现不可控的幻觉。
所以我们会从几个层面做约束。第一，要保留原始测量数据和完整的处理流程，让其他研究者能够从原始数据出发复现最终结果。
第二，要尽可能把成像系统本身的物理规律纳入网络。比如将光学系统的前向成像模型、点扩散函数和数据一致性约束引入训练，让网络生成的结果必须能够重新解释原始测量，而不是仅仅依赖训练数据中的统计先验去“补”出一个看起来合理的结果。
我们 2025 年发表在《Nature Methods》上的工作，实际上就是围绕这个问题展开的。我们把光场显微镜的物理成像过程引入自监督网络，让重建结果受到真实测量和物理模型的共同约束，从而尽量避免恢复出成像系统本身没有记录到的信息。
第三，现在科学成像领域也越来越重视对结果可信度的评估。除了给出最终的图像或视频，还可以进一步估计不同区域的置信度或不确定性，提示研究者哪些结果更可靠，哪些区域可能存在较高的重建风险。
一次拒稿之后，重新追问技术本身的价值
DeepTech：我们此前报道 RUSH3D-HR（活体介观三维显微成像系统）时，一个很直观的表达是“一次实验相当于过去 100 次”。但如果只是把 100 次压缩成 1 次，似乎仍然只是效率提升。你觉得大视野、长时间的活体观测，真正改变科学研究的地方是什么？
卢志：“一次等于 100 次”首先确实是效率上的显著提升，但它背后更重要的意义，是能够保留生命过程发生的时空上下文。
这并不是说少做 99 次实验，就一定能够获得过去 100 次实验完全相同的信息。生命过程本身是连续的。如果过去需要在很多只小鼠上分别观察不同时间点，动物之间的个体差异会让我们很难把这些结果真正还原成一个连续的动态过程。
现在我们更希望在同一个体内，看到一个事件发生前、发生时和发生后的连续变化。这样获得的信息，并不是简单增加重复实验次数就一定能够得到的。
也就是说，过去我们拿到的往往是不同个体、不同时间点上彼此割裂的局部信息；现在如果能够在同一个体、同一种生理状态下持续观察，就有机会把这些局部连接起来，看到一个生命过程究竟是怎样发生和演化的。
DeepTech：这种新的观测能力，对阿尔茨海默病、帕金森病等神经退行性疾病研究可能带来什么变化？过去只能看到结果的地方，未来有没有可能进一步看到疾病发生的过程？
卢志：我们非常希望未来能够把这种成像能力用于疾病的早期研究。中医里有一个“治未病”的概念，强调在人真正出现明确疾病之前，身体可能已经发生了一些变化。从现代疾病研究的角度来看，其实也有类似的问题：很多疾病在出现临床症状之前，体内可能已经经历了很长一段时间的病理演变。
比如阿尔茨海默病，在出现明显认知症状之前，相关的病理变化可能已经持续多年。我们希望做的不只是比较两个终点——患病和没有患病，而是能够长期追踪早期出现的少量异常细胞，以及它们与周围微环境之间的变化。
对于神经退行性疾病，我们关心的不只是神经元本身，还包括神经元与胶质细胞之间的相互作用，以及微血管、免疫反应等因素如何共同演化。
如果未来能够进行这样的连续追踪，就有机会把观察的时间点不断向疾病早期推进：最早的异常在哪里出现？随后发生了什么？哪些变化可能参与了疾病发生，哪些只是疾病发展之后的结果？这些问题对于理解机制和寻找更早的干预窗口都非常重要。
过去很多研究是在疾病发展到一定阶段之后，再通过固定组织或者终点实验进行观察。未来我们希望能够更多地直接研究疾病发生和演化的过程。
DeepTech：你过去更多是在做工具，现在又越来越多地和神经科学、免疫学、疾病研究团队合作。这些跨学科合作，有没有反过来改变你对“什么是好技术、什么是好科学问题”的判断？
卢志：跨学科合作非常重要。我们做的是工具，而工具最终是要让人使用的。一个工具真正被别人用起来，能够解决问题，它才会成为利器；如果没有人用，可能就只是一个玩具。
所以现在我们评价 AI for Imaging 或者一项新的成像技术，标准已经不只是图像质量或者某一个技术指标提高了多少，更重要的是，它能不能帮助研究者获得过去得不到的、可以验证和进一步预测的生命科学证据。
2019 年投稿《Nature》时，我们的一项工作被拒稿，当时审稿人给过一句评价，大意是这项技术“更像玩具，而不是工具”。
那次经历之后，我一直在思考：怎样才能让一项技术真正进入科学问题，被更多合作者使用。过去我可能更关注某一个指标能不能提高，觉得指标提高了，就是一个好的技术、好的问题。后来我越来越关心的是，在一个真实的疾病或者生命科学问题里，究竟缺少哪一环证据。
比如我们和华中科技大学王伟教授团队合作研究电针与免疫反应。针灸在临床和日常生活中应用很广，但从科学研究的角度，它具体改变了体内哪些动态过程，仍然需要更多客观、可重复的证据。
在这项研究中，我们可以在电针刺激之后，对远端脾脏中的大量免疫细胞进行数小时连续观测，比较不同实验组中中性粒细胞群体行为随时间发生的变化。我们看到，在 LPS 诱导炎症的小鼠中，足三里电针之后，中性粒细胞的群聚行为明显受到抑制。
这样一来，成像技术就不只是提供一张更漂亮的图，而是为一个具体的科学问题提供过去很难获得的动态、可量化证据。
DeepTech：对于还处在你所谓“2019 年阶段”的年轻研究者，你会怎样建议他们完成从“玩具”到“利器”的转变？
卢志：有时候确实需要经历一些挫折，才会意识到原来的思路可能需要改变。如果一个年轻研究者沿着自己设想的路线一直走得很顺，他反而未必会主动重新思考自己的问题。
如果是刚读 PhD 的同学，我更想建议他们把视野打开。真正有价值的技术，最终一定要有人使用，并且能够解决真实的问题。很多后来产生巨大影响的科学工具，也都经历了很长时间的积累和应用，才逐渐体现出它们真正的价值。
你可以把一个技术指标做得非常漂亮，但如果它始终没有进入真实的科学问题，能够产生的影响往往还是有限的。
所以除了问“这个指标还能不能再提高”，也可以站得更远一点去问：为什么要提高它？提高之后，原来哪个不能研究的问题变得可以研究了？它最终能够为科学或者社会带来什么新的价值？
从智能成像，走向生命动态的理解
DeepTech：今天的大模型已经非常强，但我们其实还没有完全理解人脑是怎么工作的。继续研究真实的、活体的大脑，对下一代人工智能有什么价值？
卢志：这是一个很有意思的问题。大家对下一代人工智能的想象不断变化：从传统 AI，到通用人工智能，再到物理智能，未来可能还会进一步讨论脑智能、生命智能。
但目前人工智能和真正的生物智能仍然存在很大差距。比如机器人已经非常灵活，但与人相比，在能耗、学习效率和环境适应能力等方面仍有明显差距。
这些机制也可能为 AI 提供启发，但这是更远期的探索。现阶段，我们更希望把可靠观测和动态分析做扎实，先为理解真实的大脑积累证据。
DeepTech：你有没有关注 Anthropic 最近推出的 Model Hardware Standard（MHS）？它让 AI Agent 能够更标准化地操作显微镜、液体处理设备、机械臂等物理设备。它和你设想的未来实验系统有哪些相似和不同？距离真正的自主实验还有多远？
卢志：我们团队其实也在做一些类似的工作，让 Agent 在特定实验流程中执行操作。比如自动调焦、三维调平、选择区域、调整参数，然后继续执行实验。它和现在一些 AI Agent 操作机械臂、实验室设备和显微镜的方向确实很相似。我认为这类技术未来几年一定会越来越成熟。
但活体场景会困难得多。我们的实验对象可能是活体小鼠，会快速运动，因此对机械臂和相关控制系统的精度要求会更高。
更大的问题在于，如果只是重复性操作，我相信 AI 未来几年会做得非常好；但如果是探索性任务，比如研究阿尔茨海默病时，需要根据未知结果决定下一步干预，那么很多信息无法从已有文献中直接获得。这时候 AI 不仅需要感知能力，还需要科学推理和决策能力。它需要发现罕见事件、根据新情况调整策略，甚至具备类似科学家的“科学嗅觉”，才能真正从自动化操作走向科学发现。
DeepTech：那在未来 3—5 年，你最希望自己的团队做成哪一件事情？
卢志：如果看未来五年，我们更希望把AI for Imaging 和生命动态建模连接得更紧密，让获取到的信息真正支持对生命过程的研究。首先，用 AI for Imaging 采集过去难以获得的数据；再用这些数据探索能够描述生命时空演化的模型，并通过实验检验模型的预测。
如果能够在具体的生命问题中把这些工作做扎实，就有机会帮助研究者获得新的证据，提出更有依据的问题。这是我们希望持续推进的方向。
DeepTech：所以最终还是回到了最开始的问题：让 AI 去改变“看见”的过程？
卢志：对。我们期待AI能够深入生命信息的获取和理解，让过去看不清的变化被可靠记录，让过去难以分析的过程有迹可循。如果这些信息能够帮助研究者回答一个真正重要的问题，技术就有了实实在在的价值。
这正是这场探索令人期待的地方。
运营/排版：何晨龙
热门跟贴