教育經曆:

1996 - 1998 , 工學博士 , 機器人 , 北京航空航天大學機電工程系機器人學
1994 - 1996 , 工學碩士 , 人工智能 , 北京航空航天大學自動控制系智能控制專業
1990 - 1994 , 工學學士 , 宇航工程 , 北京航空航天大學宇航工程系

工作經曆:

2011 - 至今 , 研究員、博士生導師，beat365官方网站
2008 - 2011 , 研究員、博士生導師、985首席專家, 北京師範大學腦與認知科學研究院
2004 - 2009 , 研究員、博士生導師, 中國科學院生物物理所
2001 - 2004 , 副研究員、博士生導師, 中國科學院生物物理所
1999 - 2001 , 助理研究員, 中國科學院神經科學研究所
1998 - 1999 , 助理研究員, 中國科學院生物物理所

榮譽獎勵:

入選中國神經科學重大進展，2020
獲第九屆中國青年科技獎 , 2006
入選新世紀“百千萬人才工程”國家級人選 , 2006
獲國務院政府特殊津貼 , 2005
研究成果入選“2005科學發展報告”（共10項突破性成果） , 2005
獲國家傑出青年科學基金 , 2005
研究成果“果蠅的視覺不變性”入選2004年中國科學家十大發現 , 2004
“科學中國人2004年度人物” , 2004
航空工業部科技二等獎 , 1999
“北航十傑”第一名 , 1996
航空工業部科技一等獎 , 1995
“NHK創意對抗”國際機器人大賽最佳創意獎 , 1995
首屆“中國大學生跨世紀發展獎學金”特等獎，第一名（全國10名） , 1995

       研究背景：腦認知與人工智能
　　如果你想要理解大腦認知的原理、想要突破人工智能，或者說想要構建一個物理系統，使之能像大腦一樣感知和思考，應該從哪裡入手呢？
　　廣義上講，大腦是一個計算系統，它大概是由不太複雜但數量龐大的計算單元（神經元）組成的。雖然在發育關鍵期，外部刺激對大腦神經網絡布線有重要影響，但外部刺激和學習記憶應該不是決定性的因素。通過複雜的刺激訓練，并不能使一個規模龐大、但結構簡單的神經網絡自動産生多少智能。事實上，億萬年緩慢的生物演化，使大腦具有複雜的網絡初值，這應該才是智能的關鍵。如果我們還沒有能力設計出一種比自然演化更高效的算法，自動搜索出智能系統，也沒有足夠高的智慧或者足夠好的運氣，直接設定智能系統的初值，那麼，從神經生理層面，研究真實大腦的神經線路，将是值得考慮的做法。
視覺認知
　　最初級的智能起始于感覺系統，人腦信息輸入有超過80%來自視覺，腦認知的内部運作也主要基于視覺概念。視覺認知主要功能是識别，另一個則是空間定位，這對應于生理學上的What和Where通路。視覺系統的智能體現在視覺不變性，偏離注視點或者大小不同的同一個客體，均能被視覺系統準确快速地識别，而這些視覺客體在視網膜甚至是初級視皮層上的激活區都發生了很大的變化，這也是理解視覺識别的最大障礙之一。知覺不變性對應了思維的基本元素——概念，進而也是大腦構建知識系統及産生智能的基石，就像是底層的操作系統和彙編語言，雖然艱澀難懂，但卻是最終理解腦認知不能回避的問題。
研究方向
　　1960年代Hubel和Wiesel的發現或許已經解答了一條簡單的線段是如何被識别出來的，即：對于可能出現在各個位置的、不同朝向的線段，大腦都預制了對應的檢測細胞。這種簡單策略在識别稍微複雜的圖形的時候就會遇到困難，我們或許可以設想大腦預制了針對兩條線段組合的細胞，那麼三條線段或者更為複雜的圖形又該怎麼辦呢？不幸的是，現實中的圖形大多都比線段複雜，識别輪廓中局部線段的朝向，那隻是個開始。真正的挑戰在于，視覺系統是如何利用這些分散的朝向信息，識别出一個完整的圖形。
　　我們研究那些比bar稍微複雜一點的圖形，例如一條比bar長一點的線段，是如何被大腦識别出來的，進而了解視覺認知最基本的原理。為此，我們建立了先進的視覺認知行為和神經生理學實驗平台，采用電極陣列、光學成像、分子生化、雙光子等研究技術，探測視覺皮層複雜的神經線路，研究視覺系統如何同時産生形狀識别的選擇性和不變性。

1.Xie, Y.,Hu, P.Y., Li, J.R., Chen, J.W., Song, W.B.,Wang, X.J., Yang, T.M., Dehaene, S., Tang, S. M. & Min, B. & Wang, L.P.（2022). Geometry of sequence working memory in macaque prefrontal cortex.Science, 375, 632-639.
2.Jiang, R., Andolina, I. M., Li, M., & Tang, S. (2021). Clustered functional domains for curves and corners in cortical area V4. eLife, 10, e63798.
3.Ju, N. S., Guan, S. C., Tao, L., Tang, S. M., & Yu, C. (2021). Orientation tuning and end-stopping in macaque V1 studied with two-photon calcium imaging. Cerebral Cortex, 31(4), 2085-2097.
4.Guan, S. C., Ju, N. S., Tao, L., Tang, S. M., & Yu, C. (2021) Functional organization of spatial frequency tuning in macaque V1 revealed with two-photon calcium imaging. Progress in Neurobiology, 205, 102120.
5.Liu Y, Li M, Zhang X, Lu YL, Gong HL, Yin JP, Chen ZY, Qian LL, Yang YP, Ian Max Andolina, Stewart Shipp, Niall Mcloughlin, Tang SM, & Wang W. (2020). Hierarchical Representation for Chromatic Processing across Macaque V1, V2, and V4. Neuron, 108, 538 - 550.e5.
6.Guan SC, Zhang SH, Zhang YC, Tang SM, & Yu C. (2020). Plaid detectors in macaque V1 revealed by two-photon imaging. Current Biology, 30, 934-940.
7.Ju N, Li Y, Liu F, Jiang H, Macknik S, Martinez-Conde S, and Tang SM. (2020). Spatiotemporal functional organization of excitatory synaptic inputs onto macaque V1 neurons. Nature Communication 11, 697.
8.Ju N, Jiang R, Macknik S, Martinez-Conde S, Tang SM. (2018). Long-term all-optical interrogation of cortical neurons in awake-behaving nonhuman primates. PLOS Boilogy, 16(8): e2005839.
9.Zhang Y, Lee TS, Li M, Liu F, Tang SM. (2018). Convolutional neural network models of V1 responses to complex patterns. Journal of Computational Neuroscience. 2018 (2): 1-22.
10.Tang SM, Zhang Y, Li Z, Li M, Liu F, Jian H, Lee TS. (2018). Large-scale two-photon imaging revealed super-sparse population codes in V1 superficial layer of awake monkeys. eLife 7: e33370 doi: 10.7554/eLife.33370.
11.Tang SM, Lee TS, Li M, Zhang Y, Xu Y, Liu F, Teo B, Jian H. (2018). Complex Pattern Selectivity in Macaque Primary Visual Cortex Revealed by Large-Scale Two-Photon Imaging. Current Biology 28, 38–48.
12.Li M, Liu F, Jiang H, Lee TS, Tang SM. (2017). Long-Term Two-Photon Imaging in Awake Macaque Monkey. Neuron, 93, 1049–1057.
13.Li M, Liu F, Juusola M, Tang SM. (2014). Perceptual Color Map in Macaque Visual Area V4. The Journal of Neuroscience, 34 (1), 202-217.
14.Trevor J. Wardill, Olivier List, Xiaofeng Li, Sidhartha Dongre, Marie McCulloch, Chun-Yuan Ting, Cahir J. O’Kane, Tang SM, Chi-Hon Lee, Roger C. Hardie, and Juusola M, , Multiple Spectral Inputs Improve Motion Discrimination in the Drosophila Visual System , Science , 2014 , 925-931
15.Tang SM，Juusola M , Intrinsic Activity in the Fly Brain Gates Visual Information during Behavioral Choices , PLoS ONE , 2011 , 5(12): e14455.
16.Tang SM, Wolf R, Xu SP, Heisenberg M , Visual pattern recognition in Drosophila is invariant for retinal position , Science , 2004 , 305, 1020-1022
17.Wang SP, Tang SM , Behavioral modification in choice process of Drosophila , Science in China , 2003 , Vol.46, pp.399-413
18.Tang SM, Guo AK , Choice behavior of Drosophila facing contradictory visual cues , Science , 2001 , 294, 1543-1547

視覺是高等動物最重要的感知通道，人類獲取的信息80%以上來自視覺。視覺認知神經機制研究對于理解大腦智能的奧秘，構建類腦計算、實現人工智能技術突破，均有重要科學意義。視覺系統的複雜性，源于視覺皮層神經環路的複雜性。由于技術的限制，我們對人類視覺系統環路機制的了解仍然非常有限。

精确到單個神經元的神經環路解析，将能提供腦皮層神經元編碼功能及其相互間的連接和計算關系，這是系統神經科學家長久以來的夢想，也是實現類腦計算、突破人工智能的關鍵和基礎。近幾年，随着在體雙光子成像、光遺傳等新技術湧現，使得這一夢想有可能成為現實，2015年，美國腦計劃斥資1億美元，啟動首個專項腦皮層網絡計劃（MICrONS），使得精細的神經線路繪制成為腦科學競争新的至高點。

我們實驗室建立了首個清醒猴雙光子成像系統，能以單細胞分辨率檢測大量神經元對視覺刺激的反應，分析其視覺信息編碼。該項技術，可以應用在各個不同腦區，包括初級到高級視皮層、前額葉等，以及各種腦認知功能研究，比如客體識别、選擇性注意、工作記憶等的神經機制研究。雙子顯微鏡還可以進行高分辨率的樹突成像，獲得目标神經元在視覺信息處理中的輸入輸出和計算關系。利用樹突成像、光遺傳等新技術，可以獲得單個神經元的局部神經線路，并繪制猕猴視覺皮層的精細神經線路，最終理解腦認知信息處理基本原理，并為類腦計算及新一代人工智能研究提供有突破性的概念和生物學基礎。