BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI117｜一个神经元不是一个点：树突管规则，胞体管声音，两路在一个细胞里合成选择
人工神经网络里的一个"神经元"，做的事情很简单：把输入加权求和，过一个非线性函数，输出一个数。这个画法来自几十年前对真神经元的简化，神经科学自己的很多模型也一直这么画。10 月 15 日《科学》上，中国科学院脑智卓越中心徐宁龙团队的一篇论文，在清醒做任务的小鼠身上拿到了一条直接证据：同一个神经元里，远端的树突和细胞体在算不同的东西，两路信息在细胞内部合成，才得出一个随规则变化的选择。
神经元不是只会加权求和的一个点。规则和感觉，可以在同一个细胞的两个部位分头处理，再在细胞里合成一个选择。
树突 01 偏编码推断出的规则 |
胞体 02 偏编码听到的声音 |
抑制 03 规则依赖的选择编码变弱 |
BRAIN / 01
一、问题：同一个声音，规则一变，答案就变
灵活行为的难处在于：同一个输入，在不同规则下要给不同的反应。电话响了，在家是接，在会议室是按掉。大脑得同时拿着两样东西：眼前的感觉，和"现在是哪套规则"。
这两样东西在哪里汇合，一般的回答是"在网络里"：某个脑区负责感觉，另一个脑区负责规则，靠连线把它们接起来。这篇论文问的是更小的一层：汇合能不能发生在一个神经元内部？
皮层里有一类大锥体神经元，细胞体在第五层，从细胞体往上伸出一根长长的主干，一直伸到皮层最表层，在那里分出一大丛枝杈，叫顶端树突。细胞体附近也有一圈较短的树突。上下两处收到的输入来源不同：靠近细胞体的多是从下往上传来的感觉信息，伸到表层的那一丛收的多是从别的脑区回传下来的信息，常被叫作"情境"或"自上而下"的输入。
这个结构早就被注意到。1951 年张香桐就提出顶端树突本身有电兴奋性、会整合突触输入；1999 年 Larkum 等人在《自然》上报告，这类细胞的顶端和细胞体附近是两个相对独立的整合点，两边的输入在时间上碰到一起时，细胞会爆发出远比单边强得多的放电。但这些多在脑片里做，缺的一环是：在动物真正做认知任务时，树突是不是在算任务里的抽象变量。
BRAIN / 02
二、做了什么
任务是一个会悄悄换规则的听音分类。小鼠听一个音，判断它比某条分界线"高"还是"低"，答对有奖励。分界线会在没有任何提示的情况下突然移动，同一个音，上一段算"高"，这一段可能就算"低"。小鼠看不到分界线，只能从奖励反馈里推断"现在的规则是什么"。
研究者先用一个计算模型，根据小鼠每一轮的选择和得到的反馈，估出它这一轮"以为"的规则是什么。然后用有亚细胞分辨率的双光子钙成像，分别记录听觉皮层第五层一类向皮层外投射的锥体神经元（L5-ET）的顶端树突和细胞体的活动。最后用光遗传学，激活专门抑制远端树突的中间神经元，把树突的活动压下去，看细胞体的输出会怎样。
BRAIN / 03
三、看到了什么
三个结果，按因果强度从弱到强排：
—分工：顶端树突的活动更多地对应小鼠推断出的那条规则；细胞体的活动更多地对应听到的是哪个音。—汇合：和小鼠最终"选高还是选低"相关的信号，在树突和细胞体里都有。也就是说，最终的选择不是只在某一处产生的。—因果：压住树突后，细胞体里"随规则变化的选择信号"明显变弱，在那些必须靠规则才能答对的试次上尤其明显。
论文的结论是：顶端树突带着内部推断出的规则，和到达细胞体的感觉信息结合，产生随规则变化的选择；这个选择是两个部位单独都给不出来的。
规则信号在树突，感觉信号在胞体，选择要两边合起来才有。压住树突，细胞体就分不清"同一个音在这套规则下该怎么答"。
BRAIN / 04
四、这条证据有多硬
先说它硬在哪。以往说"树突在做计算"，多数证据来自脑片或模型；这次是在清醒、做灵活任务的动物身上，把树突和细胞体分开记，而且有抑制实验补因果，不只是相关。
再说它没证明什么：
—是小鼠、一个脑区、一类细胞。听觉皮层第五层的 L5-ET 只是皮层输出神经元中的一类，别的细胞类型、别的脑区是不是同样分工，这篇没有回答。—"规则"是模型估出来的。小鼠每一轮"以为"的规则不能直接问它，是从行为拟合出来的。模型换一种写法，估出的规则序列会不会变、结论稳不稳，要看全文的稳健性分析，我没读到全文。—因果落在"细胞体的选择编码"上。摘要写的是抑制树突削弱了细胞体里依赖规则的选择编码；小鼠的行为本身受多大影响，摘要没有写，本篇不下结论。—"单个神经元就能完成灵活决策"是过度引申。规则从哪里来、怎么被推断出来，大概率仍要靠别的脑区把信息送到这些顶端树突。这篇说明的是汇合可以发生在细胞内部，不是说一个细胞自己想出了规则。
BRAIN / 05
五、对照 AI：网络里那个"点"缺了什么
这一节是机制类比，不是说人工网络应该照抄。
一个真神经元，大约顶得上一个小型深层网络。2021 年 Beniaguev、Segev、London 在《神经元》上做过一个测算：要用人工神经网络逼真地模仿一个带树突的第五层锥体神经元的输入输出，大约需要一个五到八层的网络；把树突上的 NMDA 受体机制去掉，一层就够了。2020 年 Gidon 等人在《科学》上报告，人类皮层第二三层神经元的树突能产生一种特殊的放电，单个神经元就能算出"异或"这类以前被认为至少要两层网络才能解的问题。这次的论文把这类能力从"能算"推进到了"在任务里真的在算一个抽象变量"。
树突做的，像是"按情境开关"。人工网络里，把规则和输入合在一起，主流做法是把两者拼成一个长向量，交给后面的层慢慢学。树突的做法不同：规则信号走一条独立的通道，到达细胞的另一个部位，在那里决定细胞体对同一个输入"放大还是不放大"。这更接近乘法式的调制，而不是加法。AI 里的注意力机制、门控单元、按任务切换的"上下文门控"，都是把乘法式调制做回网络里的尝试；区别在于，大脑把它做进了每一个基本单元。
这关系到持续学习。人工网络学新任务时容易把旧任务忘掉，原因之一是同一批权重要兼顾所有任务。如果规则走单独的通道去开关一部分计算，学新规则时可以少动那些处理感觉的权重。这是一个值得检验的工程方向，不是已被证明的路线：树突式的结构在大规模模型上能不能比现有的门控方法更好，目前没有定论。
人工神经元把"规则"和"输入"混在一起加；树突把规则放在另一个入口，用来决定同一个输入要不要被放大。
BRAIN / 06
六、出现什么，说明这篇错了
—如果在其他脑区（例如前额叶）或其他细胞类型里重复同类实验，找不到"顶端树突偏规则、细胞体偏感觉"的分工，那"树突计算是认知灵活性的一般机制"就要收窄成"听觉皮层这类细胞的一个特例"。—如果后续工作显示，压住顶端树突后小鼠的灵活选择行为基本不受影响，那树突计算对行为的贡献要往小了说：它可能参与编码，但不是行为上必需的那一环。
BRAIN / 07
七、边界
—本篇依据的是论文摘要、结构化摘要和作者单位发布的介绍，没有读到全文的图表和统计量，文中没有引用具体效应大小。—第五节的 AI 部分是机制类比，引用的两篇旧论文为作者熟知的经典工作；"对持续学习有帮助"是推测，不是这篇论文的结论。
BRAIN / 08
八、自测：合上文章回答
—小鼠在任务里为什么必须"推断"规则？分界线是怎样变化的？—顶端树突和细胞体各自更多地对应什么信息？选择信号出现在哪里？—光遗传抑制树突之后，受影响的是哪一种信号？在哪类试次上最明显？—为什么说"单个神经元就能完成灵活决策"是过度引申？—人工网络把规则和输入"拼在一起"，和树突的做法有什么不同？
BRAIN / 09
九、三行，留着复习
```
分工 顶端树突偏规则，细胞体偏感觉，选择信号两处都有
因果 压住树突，细胞体里随规则变化的选择编码变弱
对 AI 规则走另一个入口做乘法式开关，不是和输入拼在一起做加法
```
本篇是「脑科学 × AI」系列第117篇，药神撰写（2026-11-01），读《科学》2026-10-15 徐宁龙团队论文。证据限于小鼠听觉皮层一类第五层神经元；「规则」是行为模型估出的变量；抑制树突对行为本身的影响摘要未写，本篇不下结论。AI 一节是机制类比和推测，不是论文结论。
阅读依据（2026-11-01 回查）：Zhang Y, …, Schiller J, Xu NL. Dendritic computation for abstract rule-based flexible decision-making. Science 394(6821):eadz5323, 2026-10-15, doi:10.1126/science.adz5323（读到摘要与结构化摘要，未读全文）；中国科学院脑智卓越中心 2026-10-16 发布稿；新华社 2026-10-28 英文稿。对照文献：Larkum, Zhu, Sakmann, Nature 1999；Gidon et al., Science 2020；Beniaguev, Segev, London, Neuron 2021（均回查到题录，具体数字按通行转述）。