教育经历:

1996 - 1998 , 工学博士 , 机器人 , 北京航空航天大学机电工程系机器人学
1994 - 1996 , 工学硕士 , 人工智能 , 北京航空航天大学自动控制系智能控制专业
1990 - 1994 , 工学学士 , 宇航工程 , 北京航空航天大学宇航工程系

工作经历:

2011 - 至今 , 研究员、博士生导师，金沙集团wwW3354CC
2008 - 2011 , 研究员、博士生导师、985首席专家, 北京师范大学脑与认知科学研究院
2004 - 2009 , 研究员、博士生导师, 中国科学院生物物理所
2001 - 2004 , 副研究员、博士生导师, 中国科学院生物物理所
1999 - 2001 , 助理研究员, 中国科学院神经科学研究所
1998 - 1999 , 助理研究员, 中国科学院生物物理所

荣誉奖励:

入选中国神经科学重大进展，2020
获第九届中国青年科技奖 , 2006
入选新世纪“百千万人才工程”国家级人选 , 2006
获国务院政府特殊津贴 , 2005
研究成果入选“2005科学发展报告”（共10项突破性成果） , 2005
获国家杰出青年科学基金 , 2005
研究成果“果蝇的视觉不变性”入选2004年中国科学家十大发现 , 2004
“科学中国人2004年度人物” , 2004
航空工业部科技二等奖 , 1999
“北航十杰”第一名 , 1996
航空工业部科技一等奖 , 1995
“NHK创意对抗”国际机器人大赛最佳创意奖 , 1995
首届“中国大学生跨世纪发展奖学金”特等奖，第一名（全国10名） , 1995

       研究背景：脑认知与人工智能
　　如果你想要理解大脑认知的原理、想要突破人工智能，或者说想要构建一个物理系统，使之能像大脑一样感知和思考，应该从哪里入手呢？
　　广义上讲，大脑是一个计算系统，它大概是由不太复杂但数量庞大的计算单元（神经元）组成的。虽然在发育关键期，外部刺激对大脑神经网络布线有重要影响，但外部刺激和学习记忆应该不是决定性的因素。通过复杂的刺激训练，并不能使一个规模庞大、但结构简单的神经网络自动产生多少智能。事实上，亿万年缓慢的生物演化，使大脑具有复杂的网络初值，这应该才是智能的关键。如果我们还没有能力设计出一种比自然演化更高效的算法，自动搜索出智能系统，也没有足够高的智慧或者足够好的运气，直接设定智能系统的初值，那么，从神经生理层面，研究真实大脑的神经线路，将是值得考虑的做法。
视觉认知
　　最初级的智能起始于感觉系统，人脑信息输入有超过80%来自视觉，脑认知的内部运作也主要基于视觉概念。视觉认知主要功能是识别，另一个则是空间定位，这对应于生理学上的What和Where通路。视觉系统的智能体现在视觉不变性，偏离注视点或者大小不同的同一个客体，均能被视觉系统准确快速地识别，而这些视觉客体在视网膜甚至是初级视皮层上的激活区都发生了很大的变化，这也是理解视觉识别的最大障碍之一。知觉不变性对应了思维的基本元素——概念，进而也是大脑构建知识系统及产生智能的基石，就像是底层的操作系统和汇编语言，虽然艰涩难懂，但却是最终理解脑认知不能回避的问题。
研究方向
　　1960年代Hubel和Wiesel的发现或许已经解答了一条简单的线段是如何被识别出来的，即：对于可能出现在各个位置的、不同朝向的线段，大脑都预制了对应的检测细胞。这种简单策略在识别稍微复杂的图形的时候就会遇到困难，我们或许可以设想大脑预制了针对两条线段组合的细胞，那么三条线段或者更为复杂的图形又该怎么办呢？不幸的是，现实中的图形大多都比线段复杂，识别轮廓中局部线段的朝向，那只是个开始。真正的挑战在于，视觉系统是如何利用这些分散的朝向信息，识别出一个完整的图形。
　　我们研究那些比bar稍微复杂一点的图形，例如一条比bar长一点的线段，是如何被大脑识别出来的，进而了解视觉认知最基本的原理。为此，我们建立了先进的视觉认知行为和神经生理学实验平台，采用电极阵列、光学成像、分子生化、双光子等研究技术，探测视觉皮层复杂的神经线路，研究视觉系统如何同时产生形状识别的选择性和不变性。

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

视觉是高等动物最重要的感知通道，人类获取的信息80%以上来自视觉。视觉认知神经机制研究对于理解大脑智能的奥秘，构建类脑计算、实现人工智能技术突破，均有重要科学意义。视觉系统的复杂性，源于视觉皮层神经环路的复杂性。由于技术的限制，我们对人类视觉系统环路机制的了解仍然非常有限。

精确到单个神经元的神经环路解析，将能提供脑皮层神经元编码功能及其相互间的连接和计算关系，这是系统神经科学家长久以来的梦想，也是实现类脑计算、突破人工智能的关键和基础。近几年，随着在体双光子成像、光遗传等新技术涌现，使得这一梦想有可能成为现实，2015年，美国脑计划斥资1亿美元，启动首个专项脑皮层网络计划（MICrONS），使得精细的神经线路绘制成为脑科学竞争新的至高点。

我们实验室建立了首个清醒猴双光子成像系统，能以单细胞分辨率检测大量神经元对视觉刺激的反应，分析其视觉信息编码。该项技术，可以应用在各个不同脑区，包括初级到高级视皮层、前额叶等，以及各种脑认知功能研究，比如客体识别、选择性注意、工作记忆等的神经机制研究。双子显微镜还可以进行高分辨率的树突成像，获得目标神经元在视觉信息处理中的输入输出和计算关系。利用树突成像、光遗传等新技术，可以获得单个神经元的局部神经线路，并绘制猕猴视觉皮层的精细神经线路，最终理解脑认知信息处理基本原理，并为类脑计算及新一代人工智能研究提供有突破性的概念和生物学基础。