“这项技术更像玩具，而不是工具。”多年前，一位审稿人对卢志团队的某项研究作出如此评价，这句话深深印刻在他的记忆中。当时，卢志还是清华大学自动化系的博士生，他参与的一项计算成像研究在投稿《自然》杂志时遭到拒稿，而上述评价正是审稿人给出的理由之一。
那时的卢志习惯用技术指标来衡量研究进展，比如成像视野是否更大、分辨率是否更高、速度是否更快。但这次拒稿让他开始反思：如果技术只是参数漂亮，却无法解决实际问题，那么它终究可能只是精致的“玩具”。
此后，他逐渐将注意力转向一个更具体的目标：如何制造真正有用的观测工具，帮助科学家观察过去无法看到的生命过程，将参数突破转化为实际研究中的证据。然而，这一目标实现起来并不容易。生命科学中的许多问题要求显微镜同时具备多种看似矛盾的能力，比如既要看得精细，又要看得广泛；既要高分辨率，又要能长时间连续观察活体。传统方法往往需要在这些需求之间做出妥协。
人工智能的兴起开始改变这种局面。随着物理模型、计算成像和神经网络深度融入成像过程，显微镜不再仅仅依赖光学系统本身，而是逐渐演变为一个由光学、算法和人工智能共同构成的观测系统。
卢志也敏锐地捕捉到了这一变化。如今，作为清华大学心理与认知科学系的助理教授，他正进一步结合人工智能技术，将过去在智能成像领域积累的经验应用于脑科学研究。
今年，清华大学戴琼海团队在《自然·生物技术》上发表了活体介观三维显微成像系统RUSH3D-HR，卢志是论文的第一作者。该系统结合了光学设计、计算成像和人工智能技术，能够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。借助这一系统，研究人员首次连续观察到电针刺激后远端器官中免疫细胞的变化，从一个新的角度探讨了针灸可能如何影响全身免疫反应。
此前，相关成果被报道时曾用“一次实验相当于过去100次”来形容其效率提升。但卢志强调，真正重要的不仅是效率，而是研究者能够保留生命事件发生的“上下文”。生命过程很少发生在单一瞬间，一个异常细胞的出现位置、它与周围神经元、胶质细胞、血管和免疫细胞的相互作用，以及它如何参与疾病的发生，都需要在同一个活体中持续观察。
这正是介观脑科学关注的问题。介观尺度介于单个神经元与整个脑区之间，既要观察神经元层面的细节，也要研究神经元、胶质细胞、血管和组织在更大范围内的协同变化。当这些连续、动态的生命数据积累起来后，研究问题自然会从“看到了什么”转向“为什么会这样变化”以及“如何验证”。
对卢志而言，“看见”只是第一步。他希望进一步利用人工智能获取和重建生命信息的能力，推进对生命动态的分析，从记录细胞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可量化、可研究的问题。
卢志的学术路径并非从自动化突然转向脑科学。他本科和博士阶段均在清华大学自动化系学习，后来进入心理与认知科学系开展脑科学研究。他表示，自己的研究主线一直相对一致，即利用人工智能进行智能成像，获取过去无法获得的生命信息。自动化系的训练让他形成了系统思维，能够将光学、计算、深度学习和控制等环节放在一个系统中综合考虑。博士和博士后期间，他主要解决成像过程中的核心瓶颈，比如突破活体成像中的“不可能三角”——视野、分辨率和速度难以同时优化的问题。
当成像能力提升后，新的问题随之而来：如何理解大量动态数据背后的意义？因此，进入心理与认知科学系并非方向转变，而是技术深入后自然引发的对脑科学问题的追问。他同时兼聘于自动化系，保持系统思维的研究理念。
卢志的个性签名是“望远镜的尽头，显微镜的开始”，这句话出自雨果的小说《悲惨世界》。他表示，这句话特别契合成像领域的问题：大视场和高分辨率往往难以兼得。望远镜延伸了人类的视野到宇宙，显微镜则带我们进入生命和物质的内部。成像技术的本质是突破人类感官的边界，而他的目标是让显微镜不仅看得更远、更快、更清楚，还能借助计算和人工智能突破传统光学系统的限制，最终连接数据理解和实验决策，让不可见、不可计算、不可验证的生命科学问题逐渐变得可观察、可分析和可验证。
尽管今天的显微技术已经非常发达，但仍有许多重要的生命过程无法被直接观察。例如，许多研究依赖将实验动物处死后进行组织透明化、切片和三维重构，虽然能获得精细的静态图像，但无法记录动态过程。而真正研究生命过程的发生需要连续、跨尺度、活体、动态的数据。比如，大范围脑成像既需要观察单个神经元甚至亚细胞结构，又需要长时间记录学习、记忆形成等过程，同时控制光毒性以减少对样本的扰动。不同生命过程的时间尺度差异巨大，从毫秒级的神经元电活动到数小时甚至数天的细胞协同变化，如何将这些变化放在同一个活体系统中连续观察，是当前的重要挑战。
卢志认为，人工智能在科学领域的应用瓶颈不仅在于模型不够强，还在于观测能力不足。他以人工智能的发展历史作类比：ImageNet等数据集推动了计算机视觉的发展，互联网数据成为大模型的基础，而具身智能的发展依赖真实机器上的数据采集。未来，如果希望更完整地理解和模拟大脑，观测能力将是基础限制之一。理论和观测相互推动，而今天对哺乳动物尤其是人脑工作机制的理解仍然有限，因此获得更丰富、真实的观测数据是重要的研究突破口。
计算成像与传统显微镜的根本区别在于，传感器记录的并非科学家最终看到的图像，而是需要经过编码、计算和重建。卢志解释，过去的“看见”是光学系统直接形成肉眼可读的图像，而计算成像的“看见”是从测量、编码到计算解码的完整过程，最终为机器存储、计算和分析服务。因此，“看见”与“理解”的联系越来越紧密。
然而，人工智能参与观测后，一个关键问题是：它是在恢复未被直接观测的信息，还是在根据训练数据推断？卢志表示，这是科学成像中非常重要的问题。医学和生物学研究者要求结果可追溯、可量化、可验证，不能出现不可控的幻觉。因此，他们会从多个层面约束人工智能：保留原始测量数据和处理流程以便复现；将成像系统的物理规律纳入网络；评估结果的可信度，提示哪些区域更可靠，哪些可能存在重建风险。
卢志提到，2019年投稿《自然》被拒的经历让他重新思考技术的价值。当时，审稿人认为他们的研究“更像玩具，而不是工具”。此后，他逐渐意识到，技术的价值不仅在于指标提升，更在于能否帮助研究者获得过去得不到的、可验证的生命科学证据。例如，在与华中科技大学王伟教授团队合作研究电针与免疫反应时，他们的成像技术提供了过去难以获得的动态、可量化证据，而不是仅仅提供更漂亮的图像。
对于年轻研究者，卢志建议，有时需要经历挫折才能意识到思路需要改变。他鼓励他们打开视野，关注技术能否解决真实问题。他表示，真正有价值的技术最终需要被人使用，而不仅仅是指标漂亮。因此，除了问“指标还能不能提高”，也可以问“为什么要提高它？提高后能研究哪些过去无法研究的问题？它能为科学或社会带来什么新价值？”
卢志还关注人工智能与生命科学研究的结合。他认为，目前人工智能与生物智能仍有很大差距，例如能耗、学习效率和环境适应能力等方面。这些机制可能为人工智能提供启发，但现阶段更重要的任务是为理解真实大脑积累证据。他提到，团队正在探索让人工智能代理操作显微镜等实验设备，但活体场景的复杂性远高于重复性操作，尤其是探索性任务需要科学推理和决策能力，这仍是未来的挑战。
在未来三到五年，卢志希望团队能将人工智能成像与生命动态建模更紧密地连接起来，用成像技术采集难以获得的数据，再用这些数据探索描述生命时空演化的模型，并通过实验检验模型的预测。他期待这些工作能帮助研究者获得新证据，提出更有依据的问题，让技术真正发挥价值。
