人類神經元發現“微型計算機”

編譯 凌寒

僅僅依靠輸入電纜，人類神經元就可以完成以前只能在整個神經網絡中看到的復雜邏輯計算。這里重申一下：人類的神經元遠比我們最初認為的更強大。如果深度學習算法——一種風靡全世界的、基于大腦的人工智能方法——能備受關注，那么人類神經元也可以。

這些都是非常規的，帶有火藥味兒的話。

70年來，神經元一直被認為是大腦的基本計算單位。然而，根據2020年1月發表在《科學》雜志上的一項新研究，我們大腦皮層——大腦最外層的“硬殼”——中的神經元，似乎已經以一種獨特的進化來維持它們的輸入電纜中難以置信的復雜計算。這就好像有人最終找到了證據，證明了計算機的電線實際上是由微型處理器組成的，在將結果發送到CPU之前，每個處理器都執行計算。這很奇怪，也是有爭議的。然而，這也是首次在人類神經元中發現的事實。

正如作者們總結的那樣：我們長期以來一直假設神經元只能運行諸如AND和OR之類的邏輯功能，而進行更復雜的計算則需要整個神經網絡。我們發現，在一個神經元輸入電纜中發生的活動可以支持復雜的邏輯操作，其使用的規則與單個神經元的完全不同。

那么我們為什么要關心這些呢？從根本上說，這與智能化有關——我們能在動物王國中脫穎而出的原因，以及我們如何利用人工智能來復制這種智能。

和地殼一樣，大腦皮層也是由多層構成的，同層中以及不同層之間的神經元之間均有著獨特的連接方式。長期以來，神經科學家們一直認為，我們極其復雜的大腦皮質為我們的智力能力做出了貢獻——事實上，深度學習是由嵌在皮質神經元中的計算所激發的。

但是，從腦瘤和癲癇患者手術切除的腦組織塊中記錄的新結果表明，目前的深度學習方法只是復制了我們大腦計算的一點皮毛。如果人工智能系統能夠整合這些新發現的算法，那么它們可能會變得更為強大。

認識一下全或無神經元

教科書上的神經元看起來就像一棵沒有葉子的樹：巨大的樹根叫作樹突，通向一個堅固的、球狀的底座——細胞體。如同水和營養物質一樣，傳入的電信號通過樹突狀的根發射入細胞體內，在那里，一個駝峰狀結構將所有的信息進行整合。如果刺激足夠強烈，它就會通過一根單獨的樹干——被稱為軸突的輸出電纜——通過充滿化學信使或電流的氣泡傳遞給另一個神經元。如果輸入信號太弱，神經元就會消除該數據。這就是為什么神經科學家經常把單個神經元稱為“二進制”或“數字化”：它們要么激活，要么沉默。

簡單嗎？非也。起碼沒那么簡單。幾十年來，有一個問題一直縈繞在神經科學家的心頭：為什么樹突樹與一個單獨的軸突相比，要復雜得多呢？

通過對嚙齒動物大腦中單個神經元的記錄，科學家們最近發現樹突樹不僅僅是簡單的被動電纜，相反，它們是隱藏在神經計算層的非常活躍的組件。例如，一些樹突樹可以產生比傳統神經元放電大五倍、頻率更高的電脈沖。僅僅在老鼠身上，活躍樹突的發現就意味著大腦的處理能力可能比之前想象的要高100倍。

這項新研究引發的思考是：同樣的情形是否也適用于人類？

人類的樹突很特殊

與嚙齒類動物的大腦相比，人類的多層大腦皮層要厚得多，密度也大得多。其中第2層和第3層（L2/3）的精致而密集的樹突狀森林尤其突出。與其他物種，甚至是人類大腦的其他部分相比，這些層包含了不成比例的神經元物質。這種奇怪的增厚的根本原因存在于我們的基因中，我們的基因編碼了一個大腦發育程序來引導這種特征。有些人甚至認為，這是我們之所以是人類的根本原因。

作者推論，如果樹突“輸入”有助于塑造我們神經元的計算能力——以及我們的智力——那么L2/3就是我們應該能夠觀察到的地方。

要測量只有人類頭發直徑1/100的樹突的電活動，說起來容易做起來難。這也是為什么即使在動物身上也很難用電極捕捉到如此強大的計算活動的部分原因——這一過程就相當于用羅馬柱大小的吸管輕輕吮吸螞蟻的背部而不傷害螞蟻一樣。

研究小組并沒有用一個完整的人腦進行記錄，而是選擇了從因癲癇或腫瘤而切除的大腦皮層中觀察新鮮的切片。這個策略很明智：使用傳統的神經科學方法檢查切片更便捷——例如，有一種叫作“膜片鉗”的東西，它可以直接對神經元的組成部分進行記錄。切片經熒光染料處理后也可以在顯微鏡下進行觀查，熒光染料在神經元活動期間會發光。利用來自兩種不同類型患者的腦組織，可以幫助篩選出每種腦病所特有的信號，從而找到人類樹突計算的根源。

一個奇怪的信號立刻就出現了。人類的樹突因活動而發光，但當電脈沖向細胞體移動時，它們很快就消失了。相比之下，標準的神經信號在沿著輸出電纜奔向下一個目的地時，并不會逐漸減弱。更奇怪的是，樹突信號嚴格依賴鈣離子來產生電流，這與傳統的神經信號有著很大區別。

這就像突然發現了一個新的物種，它消耗二氧化碳而不是氧氣來維持它的活動——只不過這個新物種是你的一部分。作者表示，這些信號被稱為“dCaAPs”，以前從未在任何哺乳動物的皮層細胞中觀察到。

柏林洪堡大學馬修·拉庫姆博士（Matthew Larkum）是這項研究的共同作者，他說：“當我們第一次看到樹突動作電位的時候，我們‘頓悟’了。這些實驗非常具有挑戰性，所以把問題暫時擱置，只是重復在嚙齒類動物身上已經做過的實驗，也是非常令人滿意的。”

但情況變得更加奇怪了。與神經元的全或無放電模式不同，人類的樹突似乎與計算機類似。也就是說，他們的反應是“分級的”，只不過以一種非直觀的方式表現出來：刺激越強烈，他們的反應越低。這與其他神經元計算形成了鮮明的對比，在其他神經元計算中，輸入越強烈，即使來自多個來源，通常也會導致更強烈的輸出。雖然這些樹突脈沖本身并不是孤立的——一些dCaAPs有助于改變其神經元放電——但樹突的許多電活動似乎都在各司其職。

樹中森林

對人類樹突的秘密生活進行編目已經很有趣了，但作者們開展了更加深入的研究，探索這一切意味著什么。

通過計算建模，他們重新創建了dCaAPs獨特的觸發模式，并對其提出了一個名為XOR的邏輯函數的挑戰。該函數對兩個輸入進行比較，如果它們相同，則結果為0。如果它們不同，則結果為1。與較為簡單的AND和OR函數不同，XOR函數通常需要整個神經網絡來執行。

然而，人類樹突的奇怪行為，即一個輸入只導致一個輸出，使得它們能夠有效地計算XOR運算。當與一個神經元的常態AND和OR函數疊加在一起時，就有可能將整個網絡功能壓縮到單個神經元的功能中去。然而，目前這個想法仍停留在理論層面——作者們還無法用樹突計算來模擬整個神經元。

但是要時刻注意信息的更新升級。這些結果如果能在完好的人類大腦中得到驗證，則將為改進深度學習算法提供巨大的可能性。目前，深度學習使用個人的人工“神經元”連接到多層網絡——類似于我們之前對人類大腦的理解。添加樹突計算在理論上可以極大地擴展深度學習能力。在某種程度上，人工智能現在就是神經科學的理論游樂場，可謂天作之合。

無論如何，研究結果都為理解和復制我們的智力剝開了一層洋蔥皮。倫敦大學學院的邁克爾·豪瑟博士（Michael H?usser）沒有參與這項研究，他說：“樹突構成了大腦皮層中錐狀細胞表面積的95%，但在人類大腦中仍是‘未開發領域’。”他說，通過在嚙齒類動物的大腦中尋找類似的信號，我們也許能夠確定“人類樹突的特殊電學特性是否在使人類大腦變得特殊方面發揮關鍵作用”。