在感觉神经科学中，一个困扰了理论界长达三十年的核心假说近日被彻底打破：研究人员发现，神经元之间同步波动的“共享噪声”并不会对庞大神经网络所能编码的感觉信息设置绝对上限。通过对哺乳动物模型中超过20,000个视觉皮层神经元的大规模记录数据进行分析，科学家发现了一组具有尺度不变性的幂律关系，证明了随着神经元群体规模的扩大，大脑的信息容量实际上在持续扩展。

“不可靠”神经元的群体编码之谜

人类大脑通过数十亿皮层神经元的协同发放，构建出关于外部感官世界的内在表征。然而，若从单个细胞层面观察，孤立神经元的反应却极不稳定：在呈现完全相同的感官刺激时，单一神经元的放电频率会在每次试验（trial）之间发生剧烈波动。为了克服这种固有的生物学变异，神经系统采用了群体编码（population coding）机制，将感官信息分布到数千乃至数百万个互连的细胞中，以此平均并抵消个体误差。

然而，皮层网络中的神经元并非完全独立工作。其膜电位与动作电位的产生往往呈现出同步升降的趋势。过去三十年间，计算神经学界普遍认为，这种被称为“噪声相关性（noise correlation）”的共享波动构成了难以逾越的瓶颈。经典理论模型预测，如果共享的生物噪声与编码感官信号的活动模式重叠，盲目增加神经元数量将面临边际收益递减，最终撞上一道难以突破的“硬性信息天花板”。加州大学洛杉矶分校（UCLA）的 S. Amin Moosavi 博士指出：“这引发了一个根本性追问：如果共享波动不可避免地限制了信息容量，大脑为何还需要演化出如此庞大数量的神经元？”

绘制20,000个视觉皮层神经元的活性图谱

为了解开这一悖论，来自日本京都大学、哈佛大学和UCLA的国际合作团队重新深入分析了超大规模的双光子钙成像与电生理数据集。这些数据同时记录了小鼠在辨别细微视觉刺激差异时，初级视觉皮层（V1）中多达18,000至21,000个神经元的群体活动。

研究人员系统评估了随着采样的皮层神经元子集逐步扩大，能够被线性解码的视觉信息量变化规律。通过跨多个空间尺度反复分离随机神经元亚群，并将其集体噪声分解为独立的数学活动模式（本征模，eigenmodes），研究团队发现了无论神经元群体规模如何变化均保持恒定的两个尺度不变幂律（scale-invariant power laws）：

1. 噪声幅度缩放律（Noise Amplitude Scaling）：描述了网络各模式间噪声强度的分布规律。
2. 信号-噪声对齐律（Signal-Noise Alignment）：描述了每种噪声活动模式与感觉刺激坐标轴之间的几何对齐程度。

将这些幂律关系与子采样约束条件相结合，研究人员得以在数学层面上严密外推信息量如何超越当前物理记录限制、在更大规模的神经群体中进行扩展。

信息累积速度放缓，但永无止境

在所有实验动物中，经验幂律指数的拟合结果均直接否定了经典的信息饱和假说。分析显示，尽管最强的噪声分量确实更靠近感觉刺激信号，但感觉信号同时广泛投射并穿透了一个由海量低方差、宁静活动模式构成的广阔子空间。

其结果是：虽然相关噪声降低了新加入神经元带来的信息累积速率，但它绝不会让信息的增长停滞不前。京都大学的 Hideaki Shimazaki 博士解释道：“三十年来，理论界普遍认为共享神经波动必然导致信息达到饱和。而我们的研究证明，这一结论并非必然。”

为下一代容错类脑计算提供蓝图

除了从根本上解答感觉神经生物学的核心机制外，该团队建立的数学框架还为复杂随机网络中线性可解码信息的尺度缩放提供了通用理论。这些发现对神经形态硬件、分布式人工智能架构以及容错量子衍生计算具有直接启发。面对高密度硅芯片中无法规避的共享噪声问题，工程师可以借鉴大脑的这种生物尺度缩放原则，设计即便在噪声干扰下、随着处理单元增加精度依然能够无限提升的容错计算架构。