当今最需要科学家解决的热点问题是什么？我们该如何找到答案？
图片：Vector8DIY / CC0
知乎科学联合世界顶尖科学家协会发起「诺奖问中国」活动，2014 年诺贝尔生理学或医学奖获得者 爱德华·莫索尔（Edvard Moser）发出首个提问，邀请知友们参与讨论：
Which is the most burning question for scientists to solve, and how do you think we will find the answer?
我研究的是核聚变反应堆中材料的计算模拟，本回答的背景是今年刚启动的一个 ITER 专项，同时也是为未来 CFETR 铺路的一项研究。由北航牵头，参与人员来自国内多家高校 / 研究所，算是业内比较重要的一个项目。
虽然聚变材料领域算不上多么热门，甚至有点小众，但从事了这么些年，也算是有些感情了，所以还是来强答一下这个问题，简单的给大家说说我们在干些什么吧。
CFETR 镇楼：
为了照顾读者，我把这题分成几个小问题来答。
1、为什么研究聚变
简单来说，核聚变是利用上亿度的高温，通过激烈的热运动来克服原子核间的库伦排斥，从而强行将较轻的原子融合成较重的原子，例如将氘(D)和氚(T)融合成氦，并放出相应的能量。
杀头的买卖有人做，赔本的生意没人干。聚变实现起来极端困难，但随之而来的好处也是极大的。总结起来，大概就是八个字：干净卫生，量大管饱。
干净卫生，是指聚变不产生温室气体或有毒气体，且直接产物没有长期辐射，其清洁性远远优于大多数现有能源。
量大管饱，一方面指的是聚变的能量密度极高，是化学燃料的几百万倍。另一方面，则是指燃料储备丰富。聚变的主要燃料 D 在海水中的储量几乎无限，按目前的能源消耗速度足够用上亿年。
正是这两个优点，使聚变成为能源问题的终极解决方案。
2、聚变会带来什么样的材料问题？
实现聚变需要克服的困难是多个方面的，这里主要谈谈金属材料面临的挑战。
每次 D-T 聚变都会产生一颗中子。这颗中子携带着 14.1 MeV 的巨大的能量，足以破坏上百万个化学键。它就像一颗颗炮弹一样，射向包裹 D-T 等离子体的那层金属材料，摧毁其内部的正常结构：
聚变堆中子会不断的把材料中的原子撞跑，留下许多孔洞这样的缺陷，将内部破坏的千疮百孔：
在这种破坏下，再怎么坚韧的金属会变得异常脆弱。并且，被撞飞的原子并不会消失，而是逐渐的从内部向表面转移，使材料像空心泡沫一样肿胀起来。
如果把聚变电站跟水电站比较，那么面向等离子体材料就好比水电站的大坝，没有人希望大坝在运行中突然决堤垮塌。
为了造出不脆化不肿胀的聚变大坝，我们得先理解中子如何对金属材料产生破坏的。
3、研究中遇到了哪些困难？
研究中子辐照，当然得有中子源，特别是 14.1 MeV 的高通量中子源
中子的平均寿命只有十几分钟，无法保存，往往要把材料放到裂变堆中接受辐照。但裂变产生的中子不仅能量不够，通量（产生速率）也非常低，可能要几个月甚至数年时间才能积累足够的损伤。因此，文献上能够查阅到的中子辐照数据屈指可数。
并且，中子辐照会在皮秒（万亿分之一秒）级的时间内产生纳米尺寸的缺陷，对这一过程的直接观测几乎是不可能的。
实验上的困难迫使大家开始寻求模拟方法的帮助，借助超级计算机来还原中子辐照过程。但是，中子辐照涉及的时间尺度横跨皮秒到年，空间尺度从埃米到厘米，中间几十个数量级的差别犹如天堑。
在这个尺度下，想要 100%还原每一个原子的运动，那么即使把全世界的超算都用上，算到宇宙寂灭也不可能算完。
4、我们打算怎么做？
对中子辐照这类大尺度的问题，我们可以用多尺度模拟方法来研究它。
模拟的一瓶水的自由落体时，并不需要考虑每个水分子的运动，只需要把水瓶近似成一个整体就好了。类似的，在模拟中子辐照时，也不需要从始至终追踪每个原子的运动，只需要在体系发生剧烈变化（如中子 - 原子碰撞）的过程中保持原子级精度。而其他时候可以用粗糙一些的方法来模拟。
中子 - 原子碰撞一般会在几十个皮秒左右稳定下来，在这之后，碰撞产生的缺陷会在金属中较为缓慢的扩散。这时候我们可以把每个缺陷近似成一个整体（例如将孔洞看成一个球），然后只需追踪这个整体的运动就行了。
当缺陷运动一段时间后，在材料中的分布较为弥散时，我们甚至可以把大量的缺陷看成一种均匀的“溶液”，只考虑它们整体浓度的变化、扩散，而不去追踪每个缺陷的运动。
不同尺度的过程用不同的简化方式去模拟，然后再把这些过程串联 / 并联起来，这种方法就叫多尺度模拟。
类似于上图，在这个 ITER 专项中，从最底层的电子 / 原子尺度，到最大的亚宏观尺度，我们一共设立了 5 个子课题。每个课题都只解决单个尺度下的物理问题，但通过合适的参数传递，把 5 个课题紧密联合在一起时，整个中子辐照的过程就完整的还原出来了。
当然，说起来简单，做起来可一点都不容易。这可能是国内第一个大规模合作的多尺度模拟项目，没有多少前人的经验可以借鉴。甚至于很多较新的方法都找不到成熟的软件，只能参考着别人的文献，一行行敲代码、调算法、找 bug。
如果把多尺度模型看作一座大厦，那么调算法、写代码这类工作就相当于打地基，辛苦不说，还看不到短期成效，很难发表文章积累科研成果。而且整个聚变领域也远不如电池 / 催化 / 二维材料热门，想要搞一个大新闻是非常困难的。在目前国内以文章论英雄的风气下，聚变堆材料领域可以说是相当吃亏的。
前些时间，我们项目的首席科学家吕广宏老师在《开讲啦》上面做了一期科普[1]，里面有几句话令我感触颇深，不妨贴在这里（略有删改），与诸君共勉：
科学上有重要的发现固然非常重要，也令你非常激动，
但一些平凡的工作也是非常重要的。
这些平凡的工作不一定会发表文章，也不一定被报道。
但我觉得，每一行平凡的代码，每一个平凡的实验，
都是在为聚变添砖加瓦。
往小里说，脑相关疾病；往大里说，脑科学。
“据世界卫生组织的统计，包括各种神经类和精神类疾病在内的脑相关疾病，是所有疾病里社会负担最大的，占到了 28%，超过了心血管疾病，也超过了癌症。因此，重大脑疾病的诊断和干预，是未来脑科学领域一项非常重要的研究内容。‘’
以下回答内容整理自中科院院士、中科院神经科学研究所所长、中科院脑科学与智能技术卓越创新中心主任蒲慕明在 SELF 格致论道讲坛的演讲。蒲先生不仅提到了脑相关疾病，还全面介绍了脑科学研究有多么前沿（难），同时又是多么重要，未来的脑科学有哪三大发展方向，应用落实在哪儿。
大脑是人体最重要的器官，也可能是宇宙间最复杂的物体——结构复杂、功能复杂，比最大的超级计算机不知道还要复杂多少倍。这个复杂的物体是怎么出现的呢？它是生物演化过程中的一个奇迹。
大脑外面有皱褶的这层叫大脑皮层，是所有重要的脑功能的关键区域。理解大脑，不仅要知道大脑皮层的结构和功能，还要知道大脑皮层里那些复杂的核团的功能。为理解这些问题，科学家至少花了 200 年时间。
人类花了 200 年时间，才让脑科学有了一些“小小的”进展
现在，我们对大脑的了解，比如大脑如何处理信息、神经细胞怎样编码和传导信息、信息如何从一个神经元交互到另一个神经元……这些传导机制都理解得比较清楚；对不同的神经元做什么，在各种功能中会产生什么反应，也很清楚。
在过去的一个世纪里，诺贝尔奖涉及的神经科学中的重要发现都跟大脑的信息编码、储存相关。包括今天这个问题的提问者 Edvard Moser 获得诺奖的成果。
但是，我们只对神经细胞如何处理信息了解得很清楚，对整个大脑复杂的网络结构了解不多。
到底是什么原理使得神经细胞在某种情况下发生某些反应，我们并不是很清楚；对大脑中的信息处理不太了解，对各种感知觉、情绪，还有一些高等认知功能——思维、抉择甚至意识等，理解得比较粗浅。
虽说脑科学已有相当的进展，但是未知的比已知的要多得多。我常常打一个比方，脑科学现在的处境，相当于物理学和化学在 20 世纪初期的处境，有很多事情已经搞清楚，但是重大的理解和突破还没有出现。
所以现在的脑科学是生物科学里比较神秘的领域，从这点来说，脑科学将成为未来生命科学发展中很重要的一个领域。在座的年轻人将来想钻研科学的话，脑科学就是前沿科学，不但在这个世纪，甚至下个世纪依旧是前沿科学。
目前最关键的问题是？
脑科学中最关键的问题，是脑的各种功能和神经网络的工作原理。这些问题我们现在知道得非常粗略。
我们知道，大脑不同皮层的部位有不同的功能。比如说，大脑后方是管视觉的，最前方的上方有管运动的、管感觉的、管嗅觉的，前面还有管语言的区域。假如大脑出现损伤，比如脑卒中（俗称中风）以后，受损区域对应的功能会丧失。
目前，我们只是大致理解脑区和功能的关系，但更多的细节就不清楚了。
举个例子，现在应用非常广泛的脑成像技术，即正电子发射图谱、扫描图谱的技术叫“PET”，大医院里都有。PET 有什么好处？它可以告诉人们，大脑里哪些区域有电活动，如果有电活动就表明该区域有功能正在进行。如果电活动异常，表明该功能出现异常。
比如我们对大脑功能正常的人进行测试。
让被试者在机器里躺着，给他看几个字，你会发现其大脑后方有电活动，表现为葡萄糖使用量的增加。被试者体内的葡萄糖带有放射性，是被单独注射到血液中的，研究人员据此可以很快知道被试者的大脑有活动。给被试者听几个字，其听觉区就有电活动。我们现在对此可以做到实时观测。请被试者说几个字，大脑左侧的语言区就有反应。但是让被试者闭上眼睛不说不讲不听，回想刚才看到的几个字是什么意思，其大脑里到处都有电活动。
这个奇怪的现象说明思考是一件非常复杂的事情，它牵涉到大脑里的很多区域。
为什么只是想几个字的意义，大脑网络就全部开始活动？要理解这点，目前还相当困难，需要知道大脑全部的未知奥秘。
《Science》杂志在庆祝创刊 125 周年时，邀请全球几百位科学家列出他们认为当今世界最重要的前沿科学问题，最后归纳为 125 个，其中有 18 个问题属于脑科学。
排在最前面的，包括意识的生物学基础、记忆的储存与恢复、人类的合作行为、成瘾的生物学基础、精神分裂症的原因、引发孤独症或者叫自闭症的原因，这都是大家关心且未被解决的重大问题。尽管该问卷是 10 年前做的，但我们现在公认的重大脑科学问题依旧未变。
要理解这些问题，就要知道大脑的神经网络。神经网络像电线（缆）一样复杂，人脑中，上千亿的细胞连在一起，送出很多导线——我们叫轴突，跟其他细胞做联接，最终形成了这一网络。
大脑网络非常复杂，神经元数目众多。大脑有 1000 亿个神经元，而且每个神经元的放电模式不同，编码模式不同，信息处理方式也不一样。所以，要理解这个复杂的系统如何工作，会是一个很大的挑战。
我们可以从三个层面更好地理解这个网络。
刚才所说的 PET Imaging 或是 MRI Imaging 等功能成像手段，提供给人们的是一个分辨度在厘米或毫米阶层的宏观视野。在这个范围内，大致可以看到神经束在脑区之间的走向。
每个神经束都由成千上万的神经细胞纤维构成。要进一步知道细节，必须在介观（介于微观和宏观之间的状态）层面对神经环路进行研究，了解每一个神经细胞如何跟其他不同种类的神经细胞进行联接，并输送信息，在各种功能时有什么活动。
还可以在电子显微镜下对细胞进行观察，从微米到纳米层面，这样的微观尺度会让人看得更精细。
目前，神经科学最关键的一点，就是从已知的宏观层面进入介观层面，进而理解大脑网络结构的形成与功能。
举例来说，我们把小鼠的 52 个皮层的神经细胞用荧光标记后切片，重构其三维结构，其中每一种颜色代表一个神经细胞。
结果发现，大脑的复杂性难以想象。要知道，这还仅仅是 52 个细胞，人脑有上千亿细胞，真正要分析起来，困难该有多大！即便是这 52 个细胞，也还有不同的种类，它们在大脑中分布的规则也不一样。
这是目前神经科学面临的一个重大挑战。所以，未来脑科学的第一个关键点就是在介观层面上弄清大脑的网络结构，即图谱结构。
大脑的信息传导靠的是电，电活动像电波一样在神经细胞里传导。它跟电子在电线中的传导不同，因为这种横波是跨过细胞膜的离子流动造成的——阳离子从外面流入细胞内，造成了波动，波动不断向前推，其推动速度比电子流的速度慢很多，每秒钟只有几百米。
Neurotransmitter Synapse 3D Animation_腾讯视频
当电波传到神经轴突终端的时候，会把信息传递给下一个细胞，我们称之为突触。一个神经细胞之所以能够把电信息传给下一个细胞，借助的是释放一种叫作神经介质的化学物质。
当神经介质传到下一个神经细胞后，会继续触发下一个细胞的电活动，这就是电信号的传导模式。
如何观测电信号以及电信号在网络中的处理模式等问题，是我们现今要了解的关键问题。
脑科学的三个发展方向
关于脑科学的未来，其发展方向有三。
第一个最重要，要理解大脑，这是我们理解大自然的终极目标之一。我们常常提到神秘的外太空，对于人类来说，宇宙中有很多未解之谜，比如暗物质和暗能量等。其实，我们的大脑里也有一个宇宙，人体的这个内在宇宙的结构是什么，它是如何工作的，这是我们未来所要了解的。
了解这些有什么好处呢？
一方面让我们对自然有更深入的了解，另一方面可以有很重要的应用——模拟大脑，创造出像人一样智慧的机器，这是人工智能的终极目标，也是脑科学的发展方向之一。
此外，在人口健康方面，大脑是如此重要，我们要保护好大脑、促进智力发展，防止大脑的衰退以及脑疾病的产生，也是脑科学未来发展的另一个重要方向。
中国科学家经过 4 年讨论，才在 2018 年正式确定了中国脑计划的内容。世界各国都有脑计划，美国、日本、欧盟的脑计划规模都不小。中国的脑计划筹划了 4 年，很可能在 2019 年启动。
该计划是中国脑科技的未来。那么，它要做什么呢？
就像上面讲的三个方向，中国的脑计划具有一体两翼的结构。
主体结构是前面介绍的脑认知功能的神经基础，也就是网络基础，我们必须知道它的图谱结构，弄清楚联接图谱，结构图谱。在此基础上，搭建各种平台，帮助解析上述图谱的功能。
为此，我们希望启动一个由中国科学家主导的国际大科学计划，做全脑介观层面上的神经联接图谱。对于介观图谱，不仅中国科学家感兴趣，世界各国的科学家都有兴趣。通过该计划，人们能够研究动物特别是模型动物（包括小鼠、猕猴等跟人最相近的灵长类动物）的大脑图谱。
其中一翼要做脑疾病的诊断与治疗，形成各种新型的医疗产业。另外一翼是类脑人工智能、类脑计算、脑机接口等与人工智能相关的新技术,该领域对未来的人工智能产业具有重大影响。
这就是目前中国脑计划的方向，也是大家公认的最好的方向。与世界其他国家的脑计划相比，虽然我们的计划启动得慢，但我们的设计是最圆满的，希望它的实施也是最圆满的。
- 发展方向之一：理解大脑
大脑认知的原理是什么？
第一个是基本的脑认知功能。我们的感觉、对外界信息的接收，包括感知觉、学习和记忆、情绪和情感、注意和抉择，这些都是基本的脑认知功能。果蝇、小鼠、猴子，甚至斑马鱼、线虫等很多动物都有这种基本功能。
至于高级的脑认知功能，只有灵长类以上比较高等的动物才有。包括共情心与同情心——你悲痛了，我也感到悲痛；社会认知，在社会群体里面的认知；合作行为，人的合作行为是非常特殊、非常复杂的；各种意识，比如人的自我意识；语言，人类的语言是其他动物所没有的、非常复杂的语言。
了解上述认知功能产生的机理，对于设计类人脑的下一代人工智能具有重要意义。
想要设计出不仅能够理解语音、辨识语音，还能理解语义的人工智能设备，还需要知道人的大脑是怎样处理语言的。
要想做到这一点，必须先有模式动物。我们不能直接在人体上做实验，因为涉及到伦理问题。
由于猕猴的大脑结构跟人非常靠近，是很好的模式动物。所以我们要先在猕猴等动物身上进行各种操作，查找工作原理，之后引申开来，看看人类的大脑是否与此相同。
认知功能的神经基础里面，最关键的还是要制作出全脑神经联接图谱。我们需要知道大脑里神经元的种类、神经元的类型怎样定出来。这是一项很重要的工作，目前世界各国都在做相关研究，我们也要做。
了解了神经元类型之后，还要弄清楚各脑区每一类神经元的输出纤维跟输入纤维，以及它们要送到哪里去，这是结构图谱。
有了结构图谱，我们才能摸清它们的电活动，看看电波何时会出现，又是如何传导信息的，这就是活动图谱。
全部图谱出来后，才能够解析神经环路的最终功能。
- 发展方向之二：疾病诊断与治疗
在我国，脑科学的一项重大应用就是为健康中国服务。如何维持健康的大脑发育以及智力发育，是非常重要的社会问题。维持大脑的正常功能，延缓大脑退化，这些都是健康生活所必需的。
对于老龄化社会而言，神经退行性疾病是个大问题。目前，中国 65 岁以上的老年人有 1 亿多，是世界上老龄人口最多的国家，甚至超过了印度。与此同时，中国人的平均寿命不断增加，新生儿的寿命期望值是 65 岁，中国已基本进入老龄化社会。
因此，防治各种与老龄化相关的疾病显得非常重要。以大家最常听到的阿尔茨海默症（老年痴呆）为例，假如没有很好的治疗方法，到 2050 年，全世界会有超过 1 亿人患上阿尔茨海默症；在 85 岁以上的老年人中，平均 1/3 的人有发病的可能。这不是一个小数字。
如果中国脑计划能够在 15 年之后，把老年痴呆的发病期从 85 岁延缓到 95 岁，这就是一个巨大的贡献。
其实，不仅是老年痴呆，其他疾病也会给社会带来沉重的负担。
根据世界卫生组织的统计，包括各种神经类和精神类疾病在内的脑相关疾病，是所有疾病里社会负担最大的，占到了 28%，超过了心血管疾病，也超过了癌症。因此，重大脑疾病的诊断和干预是未来脑科技领域一项非常重要的研究内容。
什么是重大脑疾病？比如说，幼年期的自闭症或者孤独症与智障，中年期的抑郁症和成瘾，阿尔茨海默症与帕金森症等老年期的退行性脑疾病等等，都属于重大脑疾病。
只有充分了解它们的机理，才能够找到最有效的解决方法。但我们在这方面的了解有限，尤其是对抑郁症、双相（俗称躁郁症）、精神分裂等精神类疾病，并不清楚到底是什么原因造成的。要把这些问题搞清楚，可能还需要几十年时间。
不过，我们也不可能等到把致病机理完全搞清楚了才去治病，所以在致病机理完全清楚之前，必须研发出各种脑疾病的早期诊断指标。
一旦有了诊断指标，就可以进行早期干预。比如说记忆开始衰退了，有哪些手段可以减缓或延迟衰退。这些干预手段可以是吃药，也可以是物理、心理或是生理干预。玩游戏也是一种干预手段，它是一种心理和生理的干预手段，你要动，你要想，你要做出快速反应。
如果能够设计出针对某一种功能异常的很好的干预手段，对脑疾病患者来说也是好事。不一定需要完全摸清机理，只要知道哪一个功能失常，所以对于功能的定量测量又变得非常重要了。
在脑疾病诊治中所研发出的各种干预手段，在应用到人体之前，必须先进行动物实验，这涉及伦理问题。
如果没有研发清楚，是不能够进行临床实验的。因此，建立起很好的猕猴等非人灵长类动物的疾病模型，就变得非常重要。
科研人员可以在研发出的猕猴的疾病模型上测试诊断手段是否有效，之后再进行临床实验。
除了机理不清楚之外，脑疾病治疗还面临着很难找到特异的药物靶点这个难题。
药物都有副作用，但其他疾病药物的副作用不像脑疾病药物的副作用那么大。这是因为脑疾病产生的原因在于大脑的某些网络出现异常。有些网络异常产生这种病，另外一些网络异常产生其他疾病。但是药物是针对分子和细胞的，而大脑网络都是由类似的神经细胞跟神经突触联接形成，我们很难找到特异的药物。
这也是为什么大的制药公司做了 20 年的脑疾病药物研发，其中大多数都以失败告终，以至于多数大公司放弃了相关研发。因为每种药物的研发周期异常漫长，十几二十年时间，几十亿美金的投入，研制失败率在 90%以上，大公司觉得划不来，所以就放弃了。
现在只能依靠科研人员在实验室做出很好的产品，大公司才紧随其后投入进去做检验。
在临床前，为判别药物是否可用，也要进行动物实验。检测的首要指标就是药物的安全性，即看动物使用后是否安全，健康会不会受到不良影响，以及药物的代谢问题等等。以前常常用猕猴等灵长类动物进行药物检测，但目前还缺少灵长类动物的药效检测模型。这是因为进行药效检测的前提是，猕猴等灵长类动物出现相关疾病的症状，才能进行药效实验。但之前很长时间研究人员手中并没有灵长类动物的相关模型，以前的模型都是小鼠的，是不能用的，所以我们也在努力建模。神经所在 2018 年做的克隆猴项目就是为了研发出克隆猴的疾病模型，以便应用于脑疾病治疗方面。
- 发展方向之三：类脑智能
脑科学研究的另外一个重要应用就是脑机智能技术、类脑研究方面。
在该领域中，未来很重要的一个发展方向，就是脑机接口和脑机融合的新方法，还有各种脑活动的刺激方法、调控方法以及新一代人工网络模型和计算模型。
尽管现在的深度网络计算模型很好，但与人脑相比，还差得很远。如果能够更进一步研发出类人脑的新型计算模型和新的类似神经元的处理硬件，并将它们应用到新一代计算机上，有可能做出更优秀、更高效的计算机，它们的计算能力也将更接近人类，并且能耗更低，效率也更高。
此外，类脑计算机器人和大数据处理也是未来类脑研究的方向。我重点谈谈图灵测试。
大家也许听说过图灵测试，如何判断一台机器具有人的智能？图灵在 70 年前就提出过这样一个设想：在彼此看不到对方的情况下，分别与一台机器和一个人对话，并在对话过程中，分辨出对方是机器还是人。如果无法分辨出对方的身份，就可以认定这台机器具有人的智能。其中语义的理解是最关键的。
多少年来，人们一直希望做出能够通过图灵测试的机器。通过测试的标准是什么？现在的标准是，只要有 1/3 的人在 5 分钟之内辨别不出跟自己对话的是机器还是人，即可认定机器获胜。
小冰是微软（亚洲）互联网工程院在中国推出的人工智能聊天机器人，可以通过对话不断提升自己，增加自身的知识储备，增强回应能力。虽然问世多年的小冰具有很高的对话能力，但人们还是很容易就知道它不是真的人，而只是一台机器。
在今天，如果真正要做出好的类脑智能，必须依靠新的图灵测试。
什么是新的图灵测试？
除了语言能力之外，测试指标还应包括对各种信息的感知能力与处理能力。具体来说，可以让一个机器人和一个人各自操作一只机械手来玩一个玩具，同时要求他们彼此间就动作情况进行对话，以便进行判别。我们很容易发现，类似测试可比跟一台计算机对话复杂多了。团队合作方面也是测试内容。叫一个机器人与人类合作进行某些活动，比如进行比赛，观察大家是否能够辨别出来队员中哪个是机器人哪个是人。这些都是新的图灵测试所涵盖的内容。也许我们可以期待，未来二三十年内，可能出现能够通过新的图灵测试的、具有通用人工智能的类脑人工智能。
“SELF 格致论道”讲坛是中国科学院推出的科学文化讲坛，转载请联系 self@cnic.cn
目前，我们人类在看得更小和看的更大 / 远方面都似乎走向了前所未有的水平，但处于这两个尺度之间的复杂结构和相互关系越来越成为我们理解世界的“绊脚石”。比如，我们可以模拟一个神经元，从最简单的人工神经网络神经元到 Hodgkin-Huxley 模型，再加上相互间的联系，就可以构建一个人工的神经网络。但是这样的网络无论如何相比于同样神经元数量的神经系统都显得 naïve[1]. 它跟生物智能的距离还非常遥远，而且这种距离不是我们现在可以使用技术语言描述的。这说明我们可能在两个方面出了问题，一是对神经元的模拟过于简单了，忽略了关键性的特征参数，二是对于它们相互之间的联系的构建考虑不足。总之，如果套用‘Everything should be made as simple as possible, but not simpler.’这个说法，就是我们把问题都考虑得过于简单了，或者我们在不合适的地方过于简单了。
或者，我们可以再考虑另一个例子，对于一个人我们考察其消费行为，如果认为 TA 是理性人的话，这个建模就显得容易理解，实际上一般的经济学的假设就是如此。而人的消费行为是相互影响的，如果考虑一个群体的消费行为，基于这个假设的模型无法让我们理解很多问题。在这种情况下，“理性人”模型就显得过于简单。
在这种涉及多个元个体模型中，从单个个体的特性，我们常常难以预测其整体的行为。同时，对单个个体特性模拟的复杂化细节化，也经常并不能帮助解决预测整体行为的问题。对于这些问题，我们称之为“复杂性的暴政”。如同论文[2]里所说，理解群体行为的最重要因素不是那些简单相互作用，而是复杂性。在我们纷繁复杂的时间中，复杂性到底受多少规律的支配呢，或者我们需要考虑多少条规律才能准确的模型具体整体的特征，从最基础的规律准确逐层地推导出更高层次的规律。
当今我们很多学科都是试图从最基础最小尺度方面寻找其普遍的特性，但可以看到似乎很多学科都已经过了挖掘基本规律的阶段，过度到推导更高层次规律的阶段了，而且这类更高层次的规律在实际应用中效能更大[3]。那么有没有一些从基础的、个体的特性到更高层次更多个体的规律的推导规则呢，或者说，有没有一种比较通用的“复杂性”科学，能够解释这样的复杂性，并帮助我们预测这些现实世界系统复杂性中的非线性、宽动态、时变、不完备多输入输出的规律呢。
从粒子物理学来说，这个领域关心的一大热点问题是——“暗物质是什么”。不同领域科学家关注的前沿热点不同，一般很难形成统一意见，然而，“暗物质”在各种杂志“世纪十大科学难题”之类的评选榜单中[1][2][3]，往往榜上有名，科学家们罕见地达成共识。
这也难怪，在这个宇宙中，我们生活其间的普通物质只占宇宙的不到5%[4]，而对于27%的暗物质和68%的暗能量，我们几乎一无所知。做粒子物理学的人经常很自豪，因为“标准模型”理论获得了巨大成功，几乎解释了实验发现的一切粒子物理现象。然而，从某种角度来说，标准模型其实也很失败，它只能解释那不到5%的普通物质，对暗物质和暗能量却还摸不着头脑。
关于暗物质，我下面从三个角度简单扯扯淡：我们现在知道些啥，我们有什么猜想，我们如何找到答案。想到什么写什么，可能比较零碎，请见谅。
一、我们现在知道些啥
尽管暗物质的探测已经成为粒子物理学的热点“大坑”，不过这个“坑”可不是粒子物理学家挖的，荣誉属于天文学家。早在1922年，荷兰天文学家Jacobus Kapteyn就提出了暗物质（Dark Matter）的概念[5]，所谓“暗”，是说这种物质自身不发射任何的电磁波，我们无法“看到”它。
有一点物理知识的朋友知道，有温度的物体总会发出一些波段的电磁波，我们人体也会辐射出红外线，只是我们肉眼只能接受可见光，看不见红外线、紫外线等等，需要红外成像仪啥的才能看到。
天文学家搞天文观测可以通过各式各样的天文望远镜进行，这些望远镜收集星星发出的不同波段的电磁波，从波长最长的无线电波、微波、红外线、可见光，到波长比较短的紫外线、X射线和能量最高的伽马射线。当代的天文学家可厉害了，针对各个波段的天文观测都有非常强力的望远镜，然而，所有这些强大的天文仪器都没有观测到暗物质发出任何电磁波。
那我们怎么知道存在暗物质呢？说到这里，必然绕不开的一张图就是下面的“星系旋转曲线”：
上图是一个被天文学家称为M33的星系中，恒星绕星系中心旋转的速度随着它到星系中心距离的变化曲线[6]。横轴是距离，纵轴是速度。图中下边虚线的曲线是根据可观测的可见物质，理论预计的变化曲线，可以简单理解为“恒星距离星系的中心越远，受到可见物质的引力越小，速度应该越小”。图中上边带误差棒的点是实际观测数据，很显然，实验观测的实际曲线和理论预计的曲线有着明显差别，恒星跑的速度比记者快啊，实际测量的恒星速度要远大于理论计算结果。必须有看不见的物质增大了引力，使恒星速度也变大，这是天文学家推测暗物质存在最直接的观测证据。除此之外，天文观测还提供了更多的证据，比如微波背景辐射、宇宙大尺度结构、引力透镜等等，这里不细说（因为超纲了我不会，逃…）。
“暗物质必须存在”的推测过程与当年“天王星之外必须存在另一颗行星”的推测过程非常类似。19世纪时，天文学家观测到天王星的运动轨迹和万有引力定律的预测有明显的差别，人们猜测在天王星之外应该还存在一颗尚未发现的行星，天文学家假设这颗未知行星存在，据此重新计算出符合实验观测的天王星运行轨道。1846年，科学家果然在预言的星空方位发现了天王星之外的行星“海王星”。
海王星的历史故事与今天的暗物质非常相似，天文学家观测到暗物质的引力对于其它可见天体运动的影响，从而推断出宇宙中必然存在暗物质。
与“海王星”已经完结的故事不同的是，预言中的海王星在历史上已经被直接观测发现，而“暗物质”的连载故事才刚刚开始，人们还没有直接观测发现暗物质。
二、我们有什么猜想
好了，天文学家的宏观（或者叫“宇观”）观测已经证实暗物质的存在，是不是万事大吉了？显然不是。粒子物理学家投入了暗物质的研究，企图从“微观”的角度揭示暗物质具体是由什么粒子构成的。
我们知道暗物质必然在那里，却不知道暗物质长啥样。就好像你听到了隔壁班的妹子在说话，你知道妹子必然在那里，却不知道妹子长啥样。隔壁班的妹子个个都是人才，说话又好听，你超喜欢的，想看看她的可爱模样，敲门是不敢敲门的，只敢偷偷看一眼才能维持得了生活这样子。科学家也超好奇的，不断地猜想暗物质到底是什么样子。
暗物质究竟是什么粒子构成的？几百个教授一致同意，一般认为暗物质应该是由一种全新的粒子构成，目前的粒子物理“标准模型”理论不包含暗物质粒子，暗物质粒子肯定不同于我们已经知道的任何一种组成我们周围物质的粒子。根据天文学观测证据，粒子物理学家猜测，暗物质粒子应该是不带电的、稳定的粒子，可能不与普通物质粒子发生强相互作用、弱相互作用和电磁相互作用（即使暗物质粒子参与这些相互作用，贡献也很微小），但有引力相互作用。不过有很多东西我们完全不知道，比如暗物质粒子的具体性质是什么，质量是多少，与其它粒子到底能发生什么效应[7]。
因为标准模型没有包含暗物质粒子，物理学家需要提出新的理论去解释。学界的暗物质模型多如牛毛，然而，由于没有暗物质粒子的直接观测数据，不同的暗物质理论中，暗物质粒子的性质差异很大。
如上图所示，人们对暗物质粒子的真实性质有各种各样的猜测，上图把一些理论模型按照它们预言的质量和反应截面进行了分类，可以看到横轴还是指数坐标，不同模型猜想的粒子质量差别很大。最主要的暗物质粒子候选者是“弱作用重粒子”，即WIMPs（Weakly Interacting Massive Particles），比如超对称理论预言的一种中微子（neutrilino），额外维理论预言的一种光子（KK photon）[8]。
WIMPs是一种非常受欢迎的暗物质理论，可以用来解释“暗物质在宇宙中如何产生”，这一模型认为暗物质和普通物质一样是在宇宙的极早期由高温高密的物质状态中产生出来的，也就是说暗物质和普通物质有相同的产生过程。由于这种模型能够解释暗物质在宇宙中的密度分布，因此受到了极大关注。目前大部分暗物质粒子的探测实验都在寻找这种叫做“弱作用重粒子”的暗物质。
三、我们如何找到答案
天文学家积累了大量的天文观测证据证实了暗物质的存在，想进一步深入了解暗物质究竟是什么物质，需要粒子物理学家想办法探测到暗物质粒子本身，以期找到最终答案。
暗物质粒子的探测实验可谓“上天入地”，既有天上的卫星空间探测和高空气球探测，也有地下直接探测，还有对撞机探测。
天上的探测，比如中国的暗物质粒子探测卫星“悟空”实验，再比如诺贝尔物理学奖获得者丁肇中主持的AMS阿尔法磁谱仪实验[9]。AMS实验非常有名，它的实验仪器安装在国际空间站上，当年丁肇中为了说服美国同意将AMS发射到国际空间站，在美国国会舌战群儒。2003年“哥伦比亚号”航天飞机的事故导致美国决定停飞所有航天飞机，AMS实验进入太空的计划也因此被取消。丁肇中为了挽救AMS的命运四处出击，他在美国国会的演讲指出“国际空间站如果没有科学，就失去了意义”。美国国会的议员们终于被说服，专门通过了一个决议，同意由“奋进号”航天飞机运送阿尔法磁谱仪到国际空间站，这也是奋进号的最后一次太空飞行。
地下的探测，全球进行的实验有十几个，中国同样没有缺席，我们有四川锦屏山的Panda-X和CDEC实验。地下实验的优势在于，利用地下土层可以屏蔽宇宙射线的干扰，获得更为纯净的信号数据。也是利用这个优势，地下探测实验可以用于暗物质的直接探测，即直接寻找暗物质粒子经过探测器时产生的信号，暗物质与其他物质发生的作用非常小，信号也非常微弱，远远小于宇宙射线在探测器中留下的噪声。所以，想要直接探测暗物质粒子的微弱信号，要把探测器放在很深的地下，从而过滤宇宙射线的噪声信号。
中国四川锦屏山地下实验室的建设得益于中国基建狂魔的身份，地下隧道的建设搭了便车，降低了成本。当年国家打算建造二滩水电站，计划在锦屏山挖隧道，科学家们听说后跟工程队说，大哥，要不顺便给我挖个洞做实验呗。于是事情就成了。
这个地下实验室于2010年建成，是世界上位置最深、宇宙射线噪声最小的地下实验室，非常适合进行暗物质探测实验。在锦屏山的地下深处，目前有两个直接探测实验Panda-X和CDEX[10]，中国地下实验室的宇宙射线通量比意大利的实验室小200倍，比韩国人的小1000倍，条件非常好。
除了天上地下的被动探测，人们还通过粒子对撞机主动探测暗物质。对撞机通过把普通物质的粒子加速到很高的能量，让它们对撞产生出暗物质粒子，比如在欧洲核子中心的大型强子对撞机和中国的北京正负电子对撞机上，都有科学家在进行类似的研究。
暗物质粒子的全球通缉已经进行了几十年，近年来的一个重要进展是发现了宇宙射线中存在正电子超出。PAMELA卫星、AMS实验等好几个实验都观察到了宇宙线中的正电子比理论预期的数量高出了许多。中国的悟空卫星也观测了宇宙线的电子能谱，2017年“悟空”的第一个实验结果发表，第一次把宇宙线的电子能量测量到了4.6TeV，还发现了能谱特殊的“拐折”结构。
科学家们非常兴奋，有人认为正电子超出现象就是人们长期梦寐以求的暗物质粒子的信号。然而，暗物质虽然可以解释正电子的超出，却不是唯一的解释。天文学家认为，宇宙中存在的脉冲星也能产生这样的正电子超出现象。因此，我们还没法直接下定论说正电子超出是暗物质粒子产生的。
“暗物质是什么”是当前物理学基础研究中一个至关重要的热点问题，暗物质之谜一直困扰着人们。尽管暗物质粒子的探测实验已经开展了几十年时间，实验仪器的灵敏度有了巨大提高，但是到目前为止，还没有发现令人信服的暗物质粒子信号，让我们拭目以待。
谢 @知乎科学 邀。
这个问题太宏大，我说一下科学技术方向的研究热点吧。Gartner 每年都针对各种技术和应用、发布多张技术热点曲线，下面这一张是说新兴技术的。曲线的横轴是时间，纵轴可以看做是热度。
这些技术的新方向，如果一定要总结一下，大概有五个趋势（截止到 2019 年）。
一、传感和机动性
这一趋势的特点是，移动能力和操控周围物体的能力日益增强，包括 3D 传感摄像头和更先进的自动驾驶技术。随着传感器和人工智能的发展，自主机器人将更好地了解周围的世界。例如轻型货运无人机将能够更好地导航和操纵物体。
随着传感技术的不断发展，它将有助于发展更先进的技术，如物联网(IoT)。这些传感器还收集了大量的数据，这些数据可以带来适用于各种场景。
这一趋势中的其他技术包括:AR 云、自动驾驶以及自动飞行汽车。
二、增强人类技术
增强人类技术通过包括生物芯片和情感人工智能等技术。其中一些将提供“超人的能力”——例如，一个假肢手臂的力量超过了人类手臂的力量——而另一些将创造出机器人皮肤，它对触摸和人类皮肤一样敏感。这些技术最终还将提供更无缝的体验，提升人类的健康、智力和力量。
这一趋势中的其他技术包括:拟人化、增强智能、沉浸式工作空间和生物技术(如人造组织)。
三、后经典计算和通信
使用二进制的经典计算或二进制计算是通过对现有的传统体系结构进行更改而发展起来的。这些变化导致更快的 CPU、更密集的内存和更高的吞吐量。后经典计算和通信则使用全新的体系架构，以及增量式的改进。
这一趋势中的技术包括:5G 技术，下一代内存和纳米级 3D 打印。
四、数字生态系统
数字生态系统是参与者(企业、人和事物)之间共享数字平台的网络连接。这些生态系统是在数字化改造传统价值链的过程中发展起来的，能够与跨地域和行业的各种代理和实体建立更无缝、更动态的连接。在未来，这些将包括分散自治组织(DAOs)，它们独立于人类运行，依赖于智能契约。这些数字生态系统不断发展和连接，会带来新产品和新的机遇。
这一趋势中的其他技术包括：数字操作系统、知识图、综合数据和分散式 web。
五、高级人工智能与分析
高级分析是使用超越传统业务洞察的复杂工具，对数据或内容进行自主或半自主的检查。这是新种类的算法和数据科学的结果，这些算法和数据科学带来了新的功能，例如迁移学习，它使用以前训练过的机器学习模型作为新技术的高级起点。高级分析支持更深入的见解、预测和建议。
这一趋势中的其他技术包括:自适应机器学习、边缘人工智能、边缘分析、可解释人工智能、生成对抗网络和图分析。
至于如何找到答案，我想只要去研究，总能找到一些答案的，是不是终极答案，就不知道了。
谢很多人邀.... @知乎科学 @李翛然 @芝士喵 。我个人觉得目前通信中亟待解决的问题之一是多用户信息论问题，当然这无可置疑也是信息论的热点。
小范围讲，通信的基础是信息论，而大范围来说，信息论也被认为是 20 世纪信息科学最重要的理论工作之一，也是目前各种信息技术广泛发展的基石，特别是新一代移动通信系统（5G），各式各样的语音、多媒体编码，也包括目前大火的卷积神经网络等理论。
近些年每一代移动通信系统提出之初，就有很多人提出质疑：我们目前的信道编码已经逼近 / 达到 Shannon 信道容量，那么我们还有必要去一代一代更新通信系统吗？这个问题很好回答，也很不好回答，我尝试通过描述近些年信息论的进展来回答这个问题，希望能够同时给本题「当今最需要科学家解决的热点问题」带来一些信息领域的启发。
1948 年，Shannon 在他的著作《通信的数学原理》一文中奠定了信息科学的基石，很多人知道这个概念，但是可能不知道细节。Shannon 信息论主要研究的是数据压缩（我们通常叫信源编码）和数据可靠传输（信道编码）的性能边界（信道容量）和实现方案。
他研究的内容可以看下图，当然这也是经典的通信模型：
对应上边我们谈到的信源、信道，Shannon 提出并证明了经典信息论中三条基本定理：
- 信源无损压缩编码定理：离散无记忆信源[1]的熵是该信源数据无损压缩的下界（最小速率），从此我们有了压缩数据的方向。
- 信道编码定理：离散无记忆信道的信道容量[2]是该信道数据可靠传输的上界（最大速率），从此我们有了数据传输的方向。
- 信源信道分离编码定理：在有噪声信道中，数据压缩和信道编码这两个步骤是彼此独立的，从此我们知道了数据压缩和数据可靠传输在相互独立的，是可以分开考虑的，这也正是目前通信理论的基础。
但是正如之前所说，我们的问题在于前提条件：
Shannon 所描述的基础理论都是 单用户的、点对点的通信，且是针对离散无记忆信道的。
近些年随着电子科学和计算机技术发展，特别是集成电路的大规模发展，各种低价、高性能计算机和信号处理成为可能，各种纠错、调制和各种媒体压缩技术的发展，比如 Turbo 码、LDPC 码和喷泉码，比如各种分集合并、自适应均衡和多用户检测，使目前的信源压缩编码技术和信道传输技术都接近 / 达到 Shannon 极限。同时，因为 MIMO 技术的发展，逼近衰落信道的信道容量方案也得到显著提升。我们可以说，单用户信息论的无线通信技术正在逼近 Shannon 给我们留下的边界。
但是，与此同时，20 世纪 60 年代出现的 Internet、移动蜂窝网络和类似 Wi-Fi 中的 ALOHA 系统出现了大规模应用，但是问题是，这些系统并不是纯粹的单用户场景。正如前文提到的问题一样，我们不能把一个移动通信系统（比如 5G）的容量上限套入 Shannon 公式，简单直接说目前的移动通信系统已经逼近 Shannon 极限；前提就不对。
在多用户场景下，因为各个用户节点之间的中继、反馈、干扰、损坏、信号叠加、边信息传递等等会给分析带来很多困难，就是无线工程师一直在研究的多用户合作、竞争和认知的问题，嗯这有个名字叫无线 3C 技术。
比如近 20 年发展起来的 Ad-Hoc 自组网络以及延伸出来的 Mesh 网络，大规模无线传感器中继等等这些都是极为复杂的多跳网络，在这些网络中，每个用户可能是单向传输，也可能是双向传输，可能采用多播，也可能采用广播，信源和信道不仅仅可能因为安全性要考虑冗余，也可能要考虑时空相关；每个节点不仅仅可能单纯的转发，也可能需要执行信号处理（3G 中的 SIC），甚至有时候还需要判断或计算（边缘节点）。我们的目标也不仅仅是单纯的无线容量，可能会涉及频谱资源、系统能量资源、计算资源、能源有效性和环保性等等。
这就是目前多用户信息论希望解决的信息科技领域的基石问题。总的来说，套用香农理论，多用户信息论试图解决三个方面的问题：
- 信道部分：如何为现存的各种多用户参与的无线网络和有线网络建立合适的数学模型，得到理论极限（可达容量域，Achievable Rate Region），进而分析目前的各种网络传输情况，比如 5G。
- 信源部分：分布式信源编码比如多点编码、叠加编码、合作灌水、逐次抵消、随机装箱、嵌入编码等等究竟能不能达到多用户无损压缩的极限（比如 Slepian‐Wolf 问题），在有损压缩的率失真问题（比如 Wyner‐Ziv、Berger‐Tung 问题）上，极限在哪里？进而指导目前 AR/VR/ 分布式系统中多摄像头、360 度、强实时的视频、图像采集工作，我们在这些技术上究竟走到了什么样的程度？
- 信源信道联合：多用户参与的信息传递工作中，信源信道究竟应不应该联合编码？
目前来说，信息理论的发展是远远滞后于应用现实的，而上述问题有部分在限定场景下已经被解决了，有部分没有，甚至没有什么思路。
我们相信在信息论领域，多用户问题是目前最亟待解决的问题之一，我们每一次在 Achievable Rate Region 上的突破，都必须提出一种新的有效的编码方式来证明是它是有效的，这种理论进步显然是信息科技领域发展的重要源泉，而不只是像现在闷头在单用户场景下不断逼近 Shannon 极限，然后被诟病无线技术近些年没有什么进展。
当然，这相当难，这个 Topic 已经研究了十数年了，有相当多的文章在细分领域发表，但是真正的突破不多；
而且这也很大。
PS. 顺手推给有志于参与信息论工作的同学推一本 cover 的大作：
相信比国内各种自己编的教材好很多，看引用：
英语还不错的强烈建议直接看英文版，在这里，
和多用户信息论的进展，以及中文仇佩亮老师的大作：
上边链接我随便搜的~emmm 中文的 pdf 我就不放了..
我研究的内容是视觉。具体点是高级视觉加工中的，面孔认知。而对于我们而言，一个永远在研究但是没有被完全研究透彻的点，就是视觉系统如何表征看到的面孔。
正如 Marr 所言，vision is knowing what is where：视觉就是知晓何物在何处。我们无时不刻会看到非常多的面孔[1]，而我们又是如何认知它们的呢？
这我就不得不先绕一个湾，说一下生理学的一位先驱，科学家巴浦洛夫。巴浦洛夫最为人熟知的工作正是他所做的一些系列条件反射研究。但是，他做条件反射研究可不只是在研究消化系统的工作时候的机缘巧合那么简单。如果我们看看他自己的思考[2]，我们便能更好地理解他的当时的视野。人的任何心理感受和体验，是脱离不开承载它的神经系统。随着 19 世纪的医学发展，科研工作者其实可以理解和开始研究心肝脾胃肾这些器官，但是在遇到大脑这一个器官时候遇到了问题。当时生理学家们没法按照传统方法理解和研究大脑。当时的他们没法转投心理学，因为原始的心理学才刚刚独立，研究的方法往往是不稳定的内观法；当时大洋彼岸美国心理学家华生的行为主义宣言还没有在欧陆掀起波澜[3]。但是，巴浦洛夫和华生虽然声称各自研究的不同（巴浦洛夫认为研究大脑需要生理学家走另一条路；而华生认为行为主义的心理学是自然科学的一个分支，研究的是生命体的行为），不过不谋而合：通过实验研究，分析行为和条件刺激的关系。
这一个研究，可谓是现代研究神经系统机制（神经机制：生理学、脑科学；加工机制：神经科学、心理学）的鼻祖之一。正如 Eleabor Gbison 所言，当我们不完全知道的时候，再做一个实验吧。要做实验，就需要在方法角度有所提升。摆脱了内观和自省的方法，科学家才能量化和稳定地描述心理现象和认知过程。这不只是方法的进步，而是科学视角的进步。只有严谨的实验加上新技术，才能让我们突破科研的极限。
因此，先提一句，随着技术的创新，科研工作者们才能解决视觉加工的种种谜题。
在面孔加工领域，大脑如何表征面孔其实一直是研究的核心。早在 1969 年，Yin 研究倒置面孔的时候[4]，科研界就对大脑表征面孔的方式有一种模模糊糊的体验：至少倒置之后，面孔会被难以加工。直到若干年后，无论是心理物理学研究方法（研究行为机制）还是神经科学方法（研究神经机制），我们总算可以说大致了解了面孔的表征有着以下几个特点：1. 需要（复杂的）整体加工[5]，2. 需要大脑中相当多的神经区域协同加工，每个区域各司其职，梭状回面孔区可能是中心枢纽[6][7]。虽然这里的介绍很省略，但是我们对于面孔的理解还是有限。
最大的点，在于具体的表征方法。知道由哪些区域，大致用什么行为模式加工自然是一大进步（耗费了几十年，若干代科学家才推进至此）。而在最近，比如 Doris Tsao 的团队，有把这一步往前推进了不少，结合了更强的核磁共振以及一些新的神经元记录方法[8]，我们可以更好地理解处理面孔的神经元，可以用一种类似稀疏群体编码（严格来说其实不是！但是这样好理解！）的方法，用两百余个神经元的活动既可以在多个维度上表征一张面孔的身份信息（当然，情绪和社会特征方面还亟待研究）；这一点和 Tim Valentine 的一些面孔地图（face space）观点不谋而合（当然也是有大量的行为研究，如视觉后效研究为佐证）：大脑会用若干个维度的「数据」来表征面孔。
不过，这离着完全理解面孔加工还有着很大的距离。但是毫无疑问，用前沿的研究方法，并且佐以严格的实验控制，我们才能真的理解面孔加工、理解视觉系统、理解神经系统的工作。
中子星内部的结构是什么样的呢？1、背景
2017 年，人类第一次宣布直接探测到引力波，这个引力波来自双中子星合并。
此后，不断有新的引力波事件被探测到，有双中子星和并，有黑洞合并，也有黑洞吞并中子星，越来越多的中子星和黑洞被发现。
随着越来越多的中子星和黑洞被发现，我们发现了一个奇怪的现象：中子星的质量最大也就在大约两倍太阳质量，黑洞质量最小也至少是五倍太阳质量左右，在两倍太阳质量与五倍太阳质量之间的到底是什么呢？2017 年观测到的双中子星合并事件末态天体的质量为 2.7 倍太阳质量，那么这个天体是中子星还是黑洞呢？中子星的质量上限是多少呢？
要想回答这个问题，就必须要清楚天体的内部结构。构成普通恒星的基本单元是原子，原子由原子核与核外电子构成。由于泡利不相容原理，对于特定原子核，核外电子的数量是有上限的，当两个原子靠的很近时，就会产生强大的排斥力，普通恒星就是通过这种排斥力与自身引力抗衡，维持平衡而不坍缩。
但是当恒星的质量大于某个阈值时，这种排斥力也无法对抗自身的重力，核外电子就会被强大的压力压入原子核，与原子核内的质子生成中子，恒星也就变成了中子星了。这是对中子星的传统认识。
2、中子星的内部结构
中子星是宇宙中密度最高的物体了，自然它的结构状态与我们日常所见到有巨大的差异。中子星在 1934 年被首次提出，然而直到现在，中子星的内部结构一直没有得到确切的解释和实验验证。从中子星的名字就可以看出，中子星主要由中子组成，其中一小部分电子和质子也对其质量有所贡献。中子星可以被认为类似于一个巨大的原子核，受引力而不是强力约束。在重力的作用下，物质被压缩到与原子核相同的密度。传统认为的中子星内部典型结构如下图所示
由于中子星从表面到内核的所感受到压力是不一样，从外到内压力逐渐增加，因此，不同半径出的结构也应该是不同的。在外地壳中，中子结合成核，形成一个固体晶格。随着深入地壳，核变得越来越大，中子越来越丰富。超过一定大小后，中子开始从原子核溢出并滴落，形成自由中子海洋，原子核晶格浸入其中。这标志着我们过渡到内壳。在这里，在地壳（或“地幔”）的底部，我们发现了当今论文所关注的复杂核结构。通常我们希望核是球形的，但是在这里核会变形并融合，形成称为“核子通心面”（Nuclear Pasta）的奇异形状簇。超过这一点，我们进入中子星的核心，在那里我们发现均匀的核物质：中子超流体（一种无摩擦地流动的物质）与质子超导体（一种无电阻的物质）共存[1]。为了直观的理解这些相，可以用水来做类比。水有气态液态固态等形式，水蒸气可以在液态水中形成气泡，液态水也可以以小液滴的形式存在于气态水中。核子通心面的特征是复杂的非球形图案，例如管子，薄片和气泡。这些形状如下图所示：
质子和中子并不是基本粒子，而是由夸克构成的。夸克与夸克之间通过强相互作用形成复合粒子，比如说三个夸克就能构成所谓的强子（Hadron）。质子和中子都属于强子，质子是由两个上夸克和一个下夸克够成的，中子是由一个上夸克和两个下夸克构成的。当密度非常小时，强子物质的形态为气态，而随着密度不断增加，强子之间的间隔会不断的缩小，当密度超过某一个临界值时，强子强子之间会出现重叠，再继续增加密度，强子物质还能保持完整的个体吗？类比原子→核子的过程，很高的密度下，是否会出现强子→夸克的这样一个变化？在中子星的内核部分，中子是否会被压碎，形成夸克由夸克直接构成的内核？或者，有没有可能直接形成所谓的“夸克星”？我们所认为的中子星会不会就是夸克星？
不管是中子星、核子通心面相还是夸克相，都是理论上的可能，通过理论计算，每一种都有可能存在，也都有能符合目前对中子星的观测，那么哪一种才是正确的呢？为了回答这个问题，我们只能不断的发现并测量更多的中子星的数据，以排除错误的模型。那么，除了通过天文观测，还有其它的实验方法能对这些理论作出筛选吗？
3、重离子对撞
中子星内部结构的研究，本质上就是对强相互作用物质在高密（低温）下的性质。一般来说，我们主要研究的是强相互作用物质在不同温度和密度下的性质，而不同温度密度下强相互作用物质的物态可以用下面这张相图来表示：
当密度比较低且温度也比较低时，这样的物质为强子气态；而温度比较高时，就会变成所谓的“夸克胶子等离子体”；温度较高且密度为零时，实际上就是宇宙大爆炸初期的状态。而温度比较低且密度比较高时，就是我们本文主要关心的中子星的内部结构问题。然而，这张相图上的结构大部分都是大家“想当然”的结果，大部分区域并不是从第一性原理出发计算得到的。这是由于数学上的原因导致的。
对于相图的探索，不仅需要理论，更需要实验上的观测。与大众比较熟知的正负电子对撞不同，为了产生高温高密的物质，需要进行重离子对撞。重离子对撞最早是由李政道先生在 1970 年提出的，通过加速重原子核——比如金核——到接近光速进行对撞，此时的原子核的运动是相对论性的，能量非常高，以此从真空中激发出大量的粒子。
原子核形状近似为球体，原子核被加速到接近光速时，其在运动方向由于洛伦兹收缩变的非常窄，对撞时系统的形状为椭球状。接近光速的两个原子核相互对撞，相撞的部分瞬间升温熔化，变为一团“夸克胶子等离子体”（QGP）。这团物体又迅速演化，先是膨胀，然后迅速降温，当达到一个“冷凝点”是，粒子开始大量从 QGP 中飞出，最终被探测器探测到。通过调节对撞能量，能够调节通过对末态粒子行为分析，就可以反推出中间过程物质的性质。也就是强相互作用物质在高温 / 低温、高密状态性的性质。
实际上，这样的一次对撞，是一次类似于宇宙大爆炸的“小爆炸”。实际上，这种对撞产生的夸克胶子等离子体有着全宇宙中最高的温度、最快的转速以及最强的磁场。为了研究强相互作用物质在这种极端条件下的性质，世界各地有不少正在运行或者正在建设中的对撞机：
- 欧洲核子中心（CERN）的 LHC。很多人都知道 LHC 发现 Higgs 粒子，但是却很少有人知道 LHC 上也同时运行着重离子对撞实验。LHC 上一共有四个对撞点，其中就有做重离子对撞相关的探测和研究；
- 美国布鲁克海文 国家实验室 RHIC(相对论性重离子对撞，Relativity Heavy Ion Collidor)实验，其中的 STAR 和 PHENIX 两个实验组均做与重离子对撞相关的研究；
- 德国亥姆霍兹重离子研究中心；
- 俄罗斯杜布纳联合核子中心；
- 中国科学院近代物理研究所，位于兰州；
- 中国惠州在建的 HIAF......
四、总结
人类对中子星的研究已经有几十年的历史了，随着近几年引力波的发现，又掀起了一股新的研究中子星的热潮。虽然我们对于中子星结构的认识不断加深，但是很遗憾的是，即使是目前，并没有任何一种理论和实验能确定其内部结构。
非常有意思的是，为了研究宇宙中宏观天体的性质，我们需要了解构成此天体的物质基本单元的性质；通过研究基本粒子的性质，我们可以得到宏观宇宙中天体的性质。在这里，宏观和微观非常好的结合起来了，基本粒子与宇宙天体展现出了密切的联系。
最后，用李政道先生在 1996RHIC 暑期学校中做的一首诗作为结尾：
Large things are made of small, and even smaller.
To know the smallest, we need also the largest.
All lie in vacuum, everywhen and everywhere.
How can the micro, be separate from the macro?
Let vacuum be a condensate, violating harmony
We can then penetrate, through asymmetry into symmetry.