你可能聽說過一個謎題——常人只用了他們大腦10%的潛力。這是個具備誘惑力的謊言，因為它暗示我們可以變得比現在更厲害。像《永無止境》和《超體》這類科幻片就探索了這種謎思，電影主角通過開發心智的潛力來獲得超人的能力。然而，神經科學家卻一直看不起這類科幻。長達80年的研究證實，每一天我們大腦的每個部分都是活躍的。除了那些有嚴重腦損傷的人，我們每時每刻都在使用我們全部的大腦。 但是，像許多傳說一樣，這個10%之謎也是有一定道理的。在過去20年里，科學家發現我們的大腦皮質會遵循一個奇怪卻熟悉的模式：小部分神經元負責輸出絕大部分的神經活動。并不是說我們不使用大腦另外的90%，只是在使用大腦的時候，許多神經元安靜得可怕。這安靜背后的故事要遠比電影里所展示的智商提高或者暫時性的預言能力更深刻。首先它闡述了我們的意識表達現實世界的基本原則。 神經元之間通過被稱為脈沖的電信號來交流。在20世紀30年代，科學家開始用植入大腦的小型金屬電極來搜集單個神經元的信號。他們觀察到神經元每秒能夠放電數十次到上百次，每個峰值持續幾毫秒。大腦里似乎充斥著信號。后來，在1968年一篇有關微電極技術的綜述中，生物醫學工程師大衛·羅賓遜（David Robinson）指出了一個重要的差異。當電極插到大腦里時，它們應該能檢測到附近任意一個細胞的活動信號。理論上每個電極能夠搜集多達200個細胞的信號。然而實際操作中，這個數字卻低得多——要是每個植入的電極能夠記錄到5個細胞的活動，這個研究員就算幸運了。那么其它的神經元都去哪兒了呢？ 許多人對這個問題漠不關心，他們認為，探測率過低可能是因為電極導致的組織損傷造成的，或者是因為這些信號是在動物實驗體被麻醉的情況下搜集的。然而，30年后，羅賓遜的遠見被證明是對的。此時，研究人員開始搜集細胞體內的信號【1-3】，他們發現皮質內大部分神經元放電的頻率遠低于通常報告的每秒10到100次脈沖。而且這些高頻放電的神經元只占細胞的3%到20%。這時，科學家才發現，他們長期以來沒能記錄到大腦里大部分的神經元，僅僅是因為缺乏正確的方法而已。 如今我們知道皮質神經元大部分都很「沉默」。它們的放電異常少，有一些甚至都不放電。由于研究員從人腦中搜集到的信號極其有限（比方說，從準備做腦科手術的病人大腦中搜集），于是他們就從大腦的葡萄糖消耗情況來估計神經元的放電率。人類的大腦，重量不到人體重的2%，卻耗費了人體20%的卡路里，也就是每天三根香蕉的能量。由于每次脈沖需要很多的能量，大腦的總能量消耗相對來說還是非常低的。考慮到每次放電的能量耗散以及大腦中的神經元數量，每個神經放電率應該低于每秒鐘一次。【4】然而在病人細胞里檢測到的神經元每秒放電成百上千次。這意味著一小部分的神經元消耗了分配給大腦的能量的大部分。而剩下的神經元可能每分鐘只能放電幾次，或者更少。這種能量分配方式限制了每次參與活動的皮質神經元的數量——總的來說，活躍的神經元不超過1%。這也許能解釋為什么我們的注意力總是這么有限——我們的大腦只能分配這么點神經放電。 為什么大腦會需要這么多相對不活躍的細胞呢？這是個難題。因為盡管我們知道脈沖可以轉化為我們對世界的感知，但是具體機制我們仍然不清楚。【5】這種轉化被稱為神經編碼（ neural code），神經科學家在過去100年里一直在嘗試破解這個編碼。 神經編碼策略有兩種極端的假說：1、認知是通過神經元集合的活動轉化的，2、認知是被單個神經元編碼的。第一種策略被稱為密集碼（dense code），它能產生一個非常龐大的存儲能力：如果大腦里有N個神經元的話，那么它就能編碼2的N次方個事物。這是一個遠比宇宙中原子數還大的天文數字，也遠比一個人一輩子能體驗的事情多得多。但是這同時也會要求高放電率和高昂的能量預算，因為許多神經元需要同時活躍。第二種策略被稱為祖母碼（grandmother code），因為它意味著存在著這么一個神經元，它只為你的祖母放電——這種策略更簡單。一個神經元代表經歷中的一件事，就像鍵盤上一個按鍵代表一個字母一樣。這種方案對脈沖來說是經濟的，因為在一個想法或者一種經驗中，并沒有那么大量的已知事物存在。因此大部分時間里，大部分神經元都是沉默的。但如果是這樣，大腦能表達的概念的數量，只能跟它神經元數量一樣多。 90年代末期，理論神經科學家提出了一個漂亮的折衷方案。【6,7】這個策略被稱為稀疏碼（sparse code），它認為認知是被若干個神經元同時編碼的，就像密集碼的原理一樣。但是稀疏碼給能參與編碼的神經元數量安了一個上限，這個跟祖母碼有點類似。這個策略整合了低活動水平下的龐大存儲能力以及保守的能量預算這兩個優點。 稀疏碼被認為是理論神經科學的一次偉大勝利，因為它的預測跟實際數據吻合得很好。在1996年的一篇文章中，神經科學家布魯諾·奧學森（Bruno Olshausen）和大衛·菲爾德（David Field）訓練了一個人工神經網絡來「學習」認圖。這個網絡采用了稀疏碼的策略，限制了每次活躍神經元的數量，同時要求每個神經元編碼的信息盡可能地和其它神經元編碼的信息相獨立。在這些約束條件下，這些人工神經元從圖中提取信息的方式，跟視覺皮層里真實神經元的處理方式一模一樣：只為特定形式的局域邊緣放電。在大腦里，神經科學家認為這些邊緣首先會被重新組裝成一定形狀和紋理，最后才會形成像臉、領結和船等具體的概念認知。在視覺圖景的意義產生前，這些圖景會被分解成它的主要元素。而隨著大腦區域功能化越來越明顯，信息才逐步顯現。 稀疏碼策略解釋了為什么一些神經元的放電異常少——因為它們只參與編碼特定的信息。但是它并不能解釋為什么一小部分的神經元要比其它神經元放電多達成百上千倍。細胞類型的多樣性也解釋這個現象的一部分，并不能進行全面的解釋。它認為有些神經元類型就是要比其它類型放電率高。但是就算是在興奮型細胞里，最常見的神經元類型之間也會存在明顯的活動差異。這種差異可能代表了兩種不同的編碼策略：一小部分活躍型的神經元可能會快速做出「最佳猜測」，以便做出快速反應，而那些安靜的神經元則把這個信息提煉成具體的認知。想想很多時候，你以為你余光里發現了某個不祥的東西，而之后你發現它僅僅只是個衣架而已。 安靜的神經元也許做的不止是提煉認知。雖然它們放電不頻繁，但是我們通過胞內記錄發現它們還是會從其它神經元那兒接到信息，這些信息會使它們的膜電壓產生波動。這些波動和脈沖構成了我們熟知的腦電波。在過去15年里，科學家們開始積累證據，試圖證明腦電波在信息處理過程中充當了一個活躍的角色，它會分流抑制一些神經元的輸入信息，同時提高其它神經元的輸入信息，或者改變脈沖峰值時間。這暗示著脈沖并不是大腦中唯一一種帶信息的信號。反過來，那些「不活躍」的神經元正發揮著比它們看起來更多的作用。 此外在建構高頻神經元的輸出信息時，這些安靜的神經元可能是學習和恢復過程的「儲備池」。老鼠在少了一根胡須之后，它對剩下的胡須會更敏感，因為在觸感有關的皮質區域，神經元之間被重新連接了，以便更好地接收剩下的胡須傳來的信號。科學家們搜集對比了老鼠剪去胡須前后的神經元活動信號，發現之前不活躍的神經元對剩下的胡須變得更加敏感起來。【8】 如果這是真的，那么我們的確存在潛在的心智能力，就像10%謎題暗示的那樣。而它們有一個低調的名字——學習。 選自nautilus， 作者Kelly Clancy，機器之心編譯出品。參與人員：林國強，汪汪。 歡迎關注機器之心微信公眾號：almosthuman2014，或登錄機器之心網站www.almosthuman.cn查看更多精彩內容。 參考文獻 Shoham, S., O’Connor, D.H., & Segev, R. How silent is the brain: Is there a “dark matter” problem in neuroscience? Journal of Comparative Physiology A 192, 777–784 (2006). Henze, D.A., et al. Intracellular features predicted by extracellular recordings in the hippocampus in vivo. Journal of Neurophysiology 84, 390–400 (2000). de Kock, C.P., Bruno, R.M., Spors, H., & Sakmann, B. Layer- and cell-type-specific suprathreshold stimulus representation in rat primary somatosensory cortex. The Journal of Physiology 581, 139–154 (2007). Lennie, P. The cost of cortical computation. Current Biology 13, 493–497 (2003). Olshausen, B.A. & Field, D.J. How close are we to understanding v1? Neural Computation 17, 1665–1699 (2005). Olshausen, B.A. & Field, D.J. Emergence of simple-cell receptive field properties by learning a sparse code for natural images. Nature 381, 607–609 (1996). Bell, A. J. & Sejnowski, T. J. The “independent components” of natural scenes are edge filters.Vision Research 37, 3327–3338 (1997). Margolis, D.J. et al. Reorganization of cortical population activity imaged throughout long-term sensory deprivation. Nature Neuroscience 15, 1539–1546 (2012). |
|
|
