长期以来，神经科学界普遍认为，人类大脑的卓越智能主要源于其庞大的规模——近1000亿个神经元通过复杂的网络相互连接。然而，一项由耶路撒冷希伯来大学Idan Segev教授和Mickey London教授领导，博士生Ido Aizenbud和Daniela Yoeli参与，并与阿姆斯特丹自由大学Chris de Kock教授合作的研究，彻底挑战了这一传统观点。他们的研究发表在《美国国家科学院院刊》（PNAS）上，揭示了一个惊人的事实：人类大脑皮层中的单个神经元，其计算能力远超科学家此前的想象，甚至可与深度人工神经网络相媲美。

超越“开关”模型：神经元内部的分层计算

传统观点将神经元视为一个简单的“开关”：接收来自其他神经元的信号，当信号总和超过阈值时，便产生一个动作电位（即“放电”）。但这项新研究表明，人类皮层神经元远非如此简单。Segev教授形象地指出：“人们常常认为神经元就像一个要么开要么关的简单开关。但我们证明，单个人类神经元本身就是一个极其复杂的计算设备。” 这种复杂性源于其独特的形态和电生理特性。人类皮层神经元拥有高度分支的树突树，这些树突是接收来自邻近细胞信号的结构。这些树突并非被动地传导信号，而是能够主动进行非线性整合，对输入信号进行复杂的组合分析，而非简单的求和。 这种能力使得一个神经元就能执行类似深度神经网络中多层计算的任务，例如区分猫和狗的图像等精细的感官辨别。

“模仿测试”：量化神经元计算复杂性的新方法

为了客观比较不同哺乳动物神经元的计算能力，研究团队开发了一种创新方法。他们为每个生物神经元构建了一个数字模拟器，然后使用人工智能（人工神经网络，ANN）来学习该生物神经元输入与输出之间的映射关系。如果生物神经元功能简单，那么一个较小的人工模型就能完美模仿其行为；反之，如果生物神经元计算能力强大，则需要一个更深、更复杂的人工网络才能准确复制其输出。这个“模仿测试”的难度，直接反映了神经元的计算复杂性。实验结果令人震惊：模仿人类皮层神经元所需的人工神经网络，其深度和复杂性远超模仿其他哺乳动物（如小鼠）神经元所需的网络。 这意味着，人类神经元的内部计算过程更为精细和复杂，其优势部分源于其丰富的树突分支和独特的电特性。

重塑人工智能：从“浅层”单元到“深层”神经元

这一发现不仅对神经科学具有革命性意义，也为人工智能的发展指明了新方向。当前主流的人工神经网络，即使拥有数十甚至数百层，其基本计算单元（人工神经元）通常被高度简化，仅执行简单的加权求和与非线性激活函数。然而，生物神经元，尤其是人类皮层神经元，其内部本身就构成了一个“微型深度网络”。研究团队提出，未来的AI系统可以借鉴生物神经元的设计，构建具有更强内部处理能力的人工计算单元。 这样的系统将更接近真实的生物大脑，可能为开发下一代机器学习技术提供一条全新的、更高效的路径。正如论文所指出的，这项研究建立了一个将神经元物理特征与其计算能力联系起来的通用框架，有助于科学家探究细胞结构如何贡献于学习、思维和其他认知形式。该研究由美国海军研究办公室资助（资助号：N00014-24-1-2055 和 N00014-23-1-2051）。