人脑为何比AI更灵活？国科大师生团队破解底层奥秘——

AI和人脑的差距究竟在哪？大模型最擅长的语言、AI的图像识别，训练量至少都是人类的上万倍。同样是学习，为什么人脑能学得更快呢？显微镜下的光斑明明灭灭，小鼠耳中一段声音响起，屏幕上一个个神经元的信号被点亮，又归于沉寂。从“突触连接”到“神经元运算”，一个神经元的分工被看清楚，人脑与人工智能的差别也第一次有了细胞层面的解释。

近日，中国科学院大学（以下简称国科大）博士生导师、中国科学院脑科学与智能技术卓越创新中心（以下简称脑智卓越中心）研究员徐宁龙及其研究团队首次揭示大脑神经元参与灵活决策的计算机制。研究显示，与规则有关的信息和与感觉有关的信息在同一个神经元内部完成比对，单个神经元本身即参与认知计算。相关成果已由Science发表。

超越“点状神经元”

树突计算如何支撑灵活智能？

一百多年前，卡哈尔等先驱推动建立了神经元学说，确立了神经元作为神经系统结构和功能基本单元的地位，为现代神经科学奠定了基础。然而，另一个根本问题仍有待解答：这些基本单元如何处理信息，以支撑大脑的智能与灵活行为？以往的离体研究提示神经元的树突具备丰富的信息处理功能，然而，这些功能如何在灵活行为的认知计算中发挥作用仍是长期存在的空白。

长期以来，大多数研究将每个神经元视为一个均一的“点”或“简单求和单元”，以发放率近似其全部输出。“点状神经元”虽然在理论建模中更加简易，却从根本上回避了“基本单元内部的计算如何支撑智能”的问题，也成为当今脑科学与人工神经网络面临的一个关键瓶颈：灵活决策等高级认知功能需要整合海量情境信息与抽象规则并动态调整输出，这种复杂的非线性转换，很难由“点状神经元”的简单加权求和来解释。

事实上，皮层锥体神经元拥有庞大而分支众多的树突。早在1951年，张香桐先生就开创性地提出了顶端树突具有电兴奋性并整合突触输入，此后数十年研究不断证实这些精细结构能在单个神经元内整合来自不同通路的信息流。然而，将树突处理与灵活认知直接联系起来的确凿证据一直缺乏。这在很大程度上是因为在清醒、执行认知任务的动物中对树突进行精确记录与操控极其困难。

图中11,12,13是第五层锥体神经元，

16是Martinotti cell（SST神经元的一类）

顶端树突编码规则

胞体整合感觉

首获直接实验证据

为了破解大脑灵活决策之谜，科学家设计了一套听觉抉择实验，训练小鼠玩猜规则游戏。小鼠会听到不同声音，需要找到隐藏的规律。等小鼠摸透当前规律后，科学家再悄悄更换这套规则，观察小鼠如何快速适应新逻辑。

徐宁龙团队利用双光子显微镜，观察小鼠听觉皮层的神经元。神经元并不是一个光秃秃的小圆点，它长出很多像树枝一样的突起，即树突，其中远端分支叫作顶端树突。顶端树突负责承载推断出来的“抽象规则”，细胞本体也叫胞体，负责接收耳朵传来的感官信号。两套信息，在同一个细胞里完成比对运算——相当于一边提出猜想，一边接收现实，当场判断猜想是否成立。

研究介绍

然而，“观察到神经元活跃，并不意味着我们就知道它在处理什么。”论文第一作者、国科大毕业生、博士后张园说。在她看来，这项研究中最难的部分不是“看见”，而是“分辨”。

难点有两层。其一，树突结构纤细，活动记录的要求极高；其二，在小鼠执行灵活决策任务时，与感觉、规则判断和行为选择有关的信息往往交织在一起，很难判断某一段神经活动究竟对应哪一件事。团队的办法是任务设计与计算模型双管齐下，把这些因素尽可能分离，再结合稀疏标记，实现同一神经元树突与胞体的配对记录，从而发现二者对不同信息具有相对明确的分工。

更进一步的挑战，是从“观察”走向“干预”。团队利用复杂的双重病毒标记技术，在SST神经元中表达光遗传蛋白、在同一皮层区域的ET锥体神经元中表达钙指示剂蛋白，并通过定制的显微成像与光遗传刺激光路系统，实现同步光遗传刺激和双光子钙成像，从而在小鼠执行任务的同时干预树突活动，观察信息编码如何随之改变。

“这让我们能够进一步追问：树突中的规则信息，究竟怎样参与最终选择的形成。”

小鼠听觉皮层第五层锥体神经元，表达了绿色的GCaMP6s蛋白，从左到右为单个锥体神经元的胞体到顶端树突

两种智能

对“学习”的理解

实验证明：单个神经元本身就是一台小型计算机，神经元的树突和胞体相互作用就能完成决策相关的认知计算。只有猜想经过多次验证、确认可靠之后，大脑才会慢慢加固突触，把这条规则永久保存下来。

这一结论，也改变了对“学习”的理解。突触可塑性更像是把已经验证过的结论固化下来，而真正灵活的推断，发生在细胞内部的实时运算之中。

该项研究在张园眼中，人脑智能与AI最大的不同，恰恰落在这项研究最核心的发现上。大脑并不是被动地接收信息，而是始终带着已有经验、当前目标和对环境的判断，主动解释信息。同一个声音，在不同规则下可以意味着不同的选择。

研究介绍

AI虽然也可以利用上下文和已有信息调整回答，但两者实现这些能力的机制有很大不同。大模型主要通过数据训练形成能力，而生物大脑把经验学习、内部状态和实时信息处理紧密结合起来；就连一个神经元，也具有丰富的内部计算结构。大脑在有限的能量消耗下实现灵活行为，这一点尤其值得研究。

当然，这并不意味着大脑在所有任务上都优于AI。“我希望通过理解这些生物机制，找到让人工系统更灵活、更高效的思路。”张园说。

一步之遥科教融合

从“突触连接”到“神经元运算”，看似只是一步之遥，实际上跨越了神经科学延续数年的主流框架。徐宁龙长期研究的问题之一，就是神经元如何整合感觉信息和抽象规则——“希望从大脑的基本信息处理单元出发，理解智能行为的生物学机制”。

在徐宁龙看来，导师的作用不只是提要求。“我和学生经常一起讨论结果、检查假设、设计新的解决方案，也共同承担失败。”他说，导师应该把自己的思考过程和判断依据分享给学生，让他们看到，一个暂时没有答案的问题可以怎样一步步分析，找到解决途径。

张园（左）徐宁龙（右）

“坚持并不等于重复做同一件没有进展的事，而是能够根据证据调整方法。敢于承认自己的假设不正确，及时更新假设、开拓思路，往往会柳暗花明。”

现在的AI只模拟了神经元之间的突触连接，如果能把神经元计算的新机制融入算法，就有望打造出能快速提出假设、少量样本就能推理新规律的新一代人工智能。

在徐宁龙的理解中，“脑智强国”最终要落实到日常工作中，认真选择一个值得研究的问题，诚实地面对每一个结果，和同事、学生一起把困难的事情做扎实。“我们既要关心国家的长远需求，也要尊重基础研究自身的规律，愿意为那些重要、困难、短期内未必看到应用的问题投入长期努力。”（北京怀柔）