人类神经元发现“微型计算机”

编译 凌寒

仅仅依靠输入电缆，人类神经元就可以完成以前只能在整个神经网络中看到的复杂逻辑计算。这里重申一下：人类的神经元远比我们最初认为的更强大。如果深度学习算法——一种风靡全世界的、基于大脑的人工智能方法——能备受关注，那么人类神经元也可以。

这些都是非常规的，带有火药味儿的话。

70年来，神经元一直被认为是大脑的基本计算单位。然而，根据2020年1月发表在《科学》杂志上的一项新研究，我们大脑皮层——大脑最外层的“硬壳”——中的神经元，似乎已经以一种独特的进化来维持它们的输入电缆中难以置信的复杂计算。这就好像有人最终找到了证据，证明了计算机的电线实际上是由微型处理器组成的，在将结果发送到CPU之前，每个处理器都执行计算。这很奇怪，也是有争议的。然而，这也是首次在人类神经元中发现的事实。

正如作者们总结的那样：我们长期以来一直假设神经元只能运行诸如AND和OR之类的逻辑功能，而进行更复杂的计算则需要整个神经网络。我们发现，在一个神经元输入电缆中发生的活动可以支持复杂的逻辑操作，其使用的规则与单个神经元的完全不同。

那么我们为什么要关心这些呢？从根本上说，这与智能化有关——我们能在动物王国中脱颖而出的原因，以及我们如何利用人工智能来复制这种智能。

和地壳一样，大脑皮层也是由多层构成的，同层中以及不同层之间的神经元之间均有着独特的连接方式。长期以来，神经科学家们一直认为，我们极其复杂的大脑皮质为我们的智力能力做出了贡献——事实上，深度学习是由嵌在皮质神经元中的计算所激发的。

但是，从脑瘤和癫痫患者手术切除的脑组织块中记录的新结果表明，目前的深度学习方法只是复制了我们大脑计算的一点皮毛。如果人工智能系统能够整合这些新发现的算法，那么它们可能会变得更为强大。

认识一下全或无神经元

教科书上的神经元看起来就像一棵没有叶子的树：巨大的树根叫作树突，通向一个坚固的、球状的底座——细胞体。如同水和营养物质一样，传入的电信号通过树突状的根发射入细胞体内，在那里，一个驼峰状结构将所有的信息进行整合。如果刺激足够强烈，它就会通过一根单独的树干——被称为轴突的输出电缆——通过充满化学信使或电流的气泡传递给另一个神经元。如果输入信号太弱，神经元就会消除该数据。这就是为什么神经科学家经常把单个神经元称为“二进制”或“数字化”：它们要么激活，要么沉默。

简单吗？非也。起码没那么简单。几十年来，有一个问题一直萦绕在神经科学家的心头：为什么树突树与一个单独的轴突相比，要复杂得多呢？

通过对啮齿动物大脑中单个神经元的记录，科学家们最近发现树突树不仅仅是简单的被动电缆，相反，它们是隐藏在神经计算层的非常活跃的组件。例如，一些树突树可以产生比传统神经元放电大五倍、频率更高的电脉冲。仅仅在老鼠身上，活跃树突的发现就意味着大脑的处理能力可能比之前想象的要高100倍。

这项新研究引发的思考是：同样的情形是否也适用于人类？

人类的树突很特殊

与啮齿类动物的大脑相比，人类的多层大脑皮层要厚得多，密度也大得多。其中第2层和第3层（L2/3）的精致而密集的树突状森林尤其突出。与其他物种，甚至是人类大脑的其他部分相比，这些层包含了不成比例的神经元物质。这种奇怪的增厚的根本原因存在于我们的基因中，我们的基因编码了一个大脑发育程序来引导这种特征。有些人甚至认为，这是我们之所以是人类的根本原因。

作者推论，如果树突“输入”有助于塑造我们神经元的计算能力——以及我们的智力——那么L2/3就是我们应该能够观察到的地方。

要测量只有人类头发直径1/100的树突的电活动，说起来容易做起来难。这也是为什么即使在动物身上也很难用电极捕捉到如此强大的计算活动的部分原因——这一过程就相当于用罗马柱大小的吸管轻轻吮吸蚂蚁的背部而不伤害蚂蚁一样。

研究小组并没有用一个完整的人脑进行记录，而是选择了从因癫痫或肿瘤而切除的大脑皮层中观察新鲜的切片。这个策略很明智：使用传统的神经科学方法检查切片更便捷——例如，有一种叫作“膜片钳”的东西，它可以直接对神经元的组成部分进行记录。切片经荧光染料处理后也可以在显微镜下进行观查，荧光染料在神经元活动期间会发光。利用来自两种不同类型患者的脑组织，可以帮助筛选出每种脑病所特有的信号，从而找到人类树突计算的根源。

一个奇怪的信号立刻就出现了。人类的树突因活动而发光，但当电脉冲向细胞体移动时，它们很快就消失了。相比之下，标准的神经信号在沿着输出电缆奔向下一个目的地时，并不会逐渐减弱。更奇怪的是，树突信号严格依赖钙离子来产生电流，这与传统的神经信号有着很大区别。

这就像突然发现了一个新的物种，它消耗二氧化碳而不是氧气来维持它的活动——只不过这个新物种是你的一部分。作者表示，这些信号被称为“dCaAPs”，以前从未在任何哺乳动物的皮层细胞中观察到。

柏林洪堡大学马修·拉库姆博士（Matthew Larkum）是这项研究的共同作者，他说：“当我们第一次看到树突动作电位的时候，我们‘顿悟’了。这些实验非常具有挑战性，所以把问题暂时搁置，只是重复在啮齿类动物身上已经做过的实验，也是非常令人满意的。”

但情况变得更加奇怪了。与神经元的全或无放电模式不同，人类的树突似乎与计算机类似。也就是说，他们的反应是“分级的”，只不过以一种非直观的方式表现出来：刺激越强烈，他们的反应越低。这与其他神经元计算形成了鲜明的对比，在其他神经元计算中，输入越强烈，即使来自多个来源，通常也会导致更强烈的输出。虽然这些树突脉冲本身并不是孤立的——一些dCaAPs有助于改变其神经元放电——但树突的许多电活动似乎都在各司其职。

树中森林

对人类树突的秘密生活进行编目已经很有趣了，但作者们开展了更加深入的研究，探索这一切意味着什么。

通过计算建模，他们重新创建了dCaAPs独特的触发模式，并对其提出了一个名为XOR的逻辑函数的挑战。该函数对两个输入进行比较，如果它们相同，则结果为0。如果它们不同，则结果为1。与较为简单的AND和OR函数不同，XOR函数通常需要整个神经网络来执行。

然而，人类树突的奇怪行为，即一个输入只导致一个输出，使得它们能够有效地计算XOR运算。当与一个神经元的常态AND和OR函数叠加在一起时，就有可能将整个网络功能压缩到单个神经元的功能中去。然而，目前这个想法仍停留在理论层面——作者们还无法用树突计算来模拟整个神经元。

但是要时刻注意信息的更新升级。这些结果如果能在完好的人类大脑中得到验证，则将为改进深度学习算法提供巨大的可能性。目前，深度学习使用个人的人工“神经元”连接到多层网络——类似于我们之前对人类大脑的理解。添加树突计算在理论上可以极大地扩展深度学习能力。在某种程度上，人工智能现在就是神经科学的理论游乐场，可谓天作之合。

无论如何，研究结果都为理解和复制我们的智力剥开了一层洋葱皮。伦敦大学学院的迈克尔·豪瑟博士（Michael Häusser）没有参与这项研究，他说：“树突构成了大脑皮层中锥状细胞表面积的95%，但在人类大脑中仍是‘未开发领域’。”他说，通过在啮齿类动物的大脑中寻找类似的信号，我们也许能够确定“人类树突的特殊电学特性是否在使人类大脑变得特殊方面发挥关键作用”。