哥大研究回應半世紀爭論：大腦神經(jīng)元不各司其職，而是各顯神通

“我們必須放棄這種想象：大腦是一臺由齒輪組成的機器，每個齒輪都有精確用途，都能被我們貼上標簽?！备鐐惐葋喆髮W祖克曼研究所（Zuckerman Institute）的神經(jīng)科學家 Stefano Fusi 說。

7 月 15 日，他和同事在《自然》（Nature）發(fā)表了一項大規(guī)模研究，分析橫跨 43 個小鼠皮層區(qū)域的 1.4 萬多個神經(jīng)元，試圖回答一個爭論了幾十年的問題：大腦皮層里的神經(jīng)元，究竟是各司其職的“專才”，還是身兼多職的“通才”？

研究給出的答案相當明確：絕大多數(shù)神經(jīng)元是通才。專才確實存在，卻只是少數(shù)。

這場爭論由來已久。20 世紀 50 年代末至 60 年代，David Hubel 和 Torsten Wiesel 發(fā)現(xiàn)，視覺皮層中的一些神經(jīng)元會對特定朝向的線條產(chǎn)生選擇性響應。此后，“專才”模型逐漸深入人心：一類神經(jīng)元負責探測邊緣，另一類識別顏色，還有一類感知運動方向。大腦仿佛一條精密的流水線，每道工序都有專人負責。

這個模型簡潔、清晰，也讓神經(jīng)科學家養(yǎng)成了一種研究習慣：記錄單個神經(jīng)元的活動，再設法為它找到一個明確的功能標簽。Fusi 評價稱：過去幾十年，研究者“一次只看一個神經(jīng)元，把所有無法理解其反應的神經(jīng)元都丟到一邊”。

但這種視角下總會出現(xiàn)一些神經(jīng)元不肯配合。尤其在前額葉皮層等高級認知區(qū)域，大量神經(jīng)元的反應模式極為復雜：它們既會響應視覺刺激，也會受到?jīng)Q策、獎勵乃至動物運動狀態(tài)的調(diào)節(jié)。

2013 年，F(xiàn)usi 團隊在《Nature》發(fā)表了一篇后來被大量引用的論文，系統(tǒng)闡明“混合選擇性”（mixed selectivity）的計算價值：這些看起來雜亂無章的多變量響應并非噪聲，而是一種計算能力更強的編碼方式。

那項研究主要聚焦獼猴前額葉的少數(shù)區(qū)域，爭論并未結束。支持“專才”模型的實驗證據(jù)同樣不少。

這一次，研究規(guī)模和方法都把問題推到了新的層面。Posani、Wang 等人使用國際大腦實驗室（International Brain Laboratory，IBL）公開的 Brainwide Map 數(shù)據(jù)集。這套數(shù)據(jù)由全球 12 個實驗室按照標準化流程采集：小鼠執(zhí)行同一種視覺決策任務，研究人員使用 Neuropixels 探針記錄遍布大腦的神經(jīng)活動。

統(tǒng)一的任務和實驗流程，讓團隊得以在同一套分析框架下審視 43 個皮層區(qū)域。論文共同第一作者、現(xiàn)任職于巴黎大腦研究所的 Lorenzo Posani 說：“這是一個很老、很重要的問題，研究者們對此有非常強烈的觀點?！?/p>

這項研究在預印本階段的下載量就超過 1.1 萬次，也反映出學界對這個問題的持續(xù)關注。

這項研究的核心發(fā)現(xiàn)，可以借用 Posani 的選舉地圖類比來理解：把地圖縮小到全國尺度，人們會看到清晰的政治分區(qū)；放大到任何一個社區(qū)，映入眼簾的卻是意見各異的個體。

（來源：Nature）

大腦皮層也呈現(xiàn)出類似結構。從宏觀看，不同皮層區(qū)域的確存在功能分工：視覺區(qū)的神經(jīng)元群體整體更偏好視覺變量，運動區(qū)更多編碼運動變量。區(qū)域之間的差異足夠明顯，解碼器僅憑一個神經(jīng)元的反應模式，就能以高于隨機水平的準確率判斷它來自哪個腦區(qū)。

但一旦把視線移到單個腦區(qū)內(nèi)部，整齊的分類幾乎消失。只有初級感覺皮層中的少數(shù)區(qū)域，例如初級視覺皮層 VISp，還保留著相對清晰的功能聚類。其余大多數(shù)區(qū)域的神經(jīng)元反應高度多樣，彼此不同，論文將其稱為“非類別化表征”（non-categorical representation）。

沿著皮層層級從感覺區(qū)域走向認知區(qū)域，神經(jīng)元的多樣性逐漸升高，聚類結構越來越少。

那么問題來了：如果大多數(shù)神經(jīng)元的反應看起來亂糟糟的，大腦怎么用它們做計算？

這正是這篇論文最核心的理論貢獻。研究者證明，多樣性本身可以成為計算能力的來源。

（來源：Nature）

每個神經(jīng)元都以獨特的方式混合編碼多種變量。用共同第一作者、洛桑聯(lián)邦理工學院博士生 Shuqi Wang 的話說，“每一個都以自己的方式身兼多職”。眾多反應各異的神經(jīng)元組合起來，便會在數(shù)學上形成一個高維空間。

高維空間帶來一項關鍵的計算優(yōu)勢：可分性（separability）。

我們可以把不同實驗條件想象成空間中的一組點。當所有點擠在一條直線上時，能夠?qū)⑺鼈冋_分組的方法很有限；當這些點分布在更多維度中，一個簡單的線性分類器也能找到更多劃分方式。

論文數(shù)據(jù)顯示，只考慮每個腦區(qū)實際編碼的獨立條件時，幾乎所有皮層區(qū)域的可分性都接近最大值，達到或超過 0.95。換句話說，這些看似雜亂的神經(jīng)元群體，為大腦提供了一種非常靈活的表征。同一群細胞可以被下游回路以許多不同方式讀取，進而支持不同任務。Fusi 表示：“你可以把這些高維表征復用于大量不同的任務?！?/p>

多樣性、高維表征和可分性，由此構成一條完整的計算鏈條：神經(jīng)元對不同變量產(chǎn)生彼此不同的混合響應，群體活動隨之擴展到更多維度；維度越高，不同信息越容易被簡單的下游機制分開和讀取。

（來源：Nature）

這套模型還解釋了為何大腦能夠同時呈現(xiàn)“局部混亂”和“整體有序”。單個腦區(qū)內(nèi)部，神經(jīng)元很少排成邊界分明的功能隊列；把觀察尺度擴大到多個腦區(qū)乃至整個皮層，清晰的功能分工又會重新出現(xiàn)。大腦保留了宏觀組織，同時允許局部神經(jīng)元以不同方式工作。

但要注意的是，這項實驗中的小鼠只執(zhí)行一種相對簡單的決策任務，而且經(jīng)過大量訓練。論文作者指出，如果在多種復雜任務中重復分析，研究人員可能會發(fā)現(xiàn)更多模塊化結構。研究結論還會受到行為變量選擇和分析方法的影響，無法直接推廣到自然行為或人腦。

團隊目前正與加州理工學院合作，調(diào)查人類皮層是否具有相似的高維架構。答案尚未揭曉。

不過至少在這項小鼠實驗中，皮層的計算能力并不依賴每個神經(jīng)元嚴守固定崗位。許多神經(jīng)元以各自的方式身兼多職，而大腦正是從這些差異中，獲得了靈活處理信息的空間。

參考資料：

1.https://www.nature.com/articles/s41586-026-10668-4?

2.https://zuckermaninstitute.columbia.edu/node/6052

3.https://www.nature.com/articles/s41583-025-01009-x

運營/排版：何晨龍

注：封面由 AI 輔助生成