BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI58｜大脑找记忆不用地址：闻到一点味道，整段往事就回来了
这一篇合并"智能的计算基础"系列第 041、045、046 三篇，讲海马怎样存记忆、取记忆。
海马里有一张"自己连自己"的网：存的时候，一段经历的各个部分彼此连紧；取的时候，给它一角，它沿着连接把其余部分一圈圈补全。为了让相似的经历不互相混淆，进门前先由齿状回把它们拉开。这套"先拉开、再按内容补全"的设计，今天在 AI 里叫 Hopfield 网络，而大模型的注意力机制和它是近亲。
约1.2万 01 每个CA3细胞来自自己网络的连接（大鼠） |
1次 02 海马一次经历就能记住 |
2024 03 Hopfield网络获诺贝尔物理学奖 |
电脑取一个文件，要先知道它存在哪个地址。大脑不是这样：闻到一点桂花香，小时候某个秋天的整段记忆就回来了。大脑是按内容找记忆的，给它一角，它还原全部。这背后是一种很古老的网络结构，而它和今天的大模型有一条很深的血缘关系。
翻看旧相册。一张照片的一角，就能让整段往事回来，这就是"按内容找记忆"。图片来源：cottonbro studio / Pexels
海马存取记忆的三步：齿状回把相似的经历拉开；CA3 用自己连自己的网存下整段经历；回忆时给一角，网络一圈圈补全。
BRAIN / 01
一、按内容找，而不是按地址找
电脑的内存像一排带编号的柜子，要取东西，必须先知道柜子号。大脑没有柜子号。你想起一件事，用的是这件事的某一部分：一个气味、一张脸、一句话。
这种"按内容找"的能力，来自一种叫自关联网络（也叫吸引子网络）的结构。原文引用牛津学者 Rolls 的观点：这种网络最早出现在处理嗅觉的古老皮层里——在水里生活的早期脊椎动物，最重要的远距离感觉就是闻。
BRAIN / 02
二、自己连自己的网，怎样补全记忆
自关联网络的关键是：网里的神经元彼此相连，而且这些连接可以学习。
—存的时候：一段经历让一群神经元同时活跃。按照"一起放电的神经元会连在一起"的赫布规则（本系列后面讲突触时会细讲），这群神经元之间的连接被加强。一次经历，一次就记住。—取的时候：只给其中一部分线索，让一部分神经元先活跃起来。它们通过加强过的连接，把同组的其他神经元也带起来；被带起来的又带起更多……转几圈，整段记忆就回来了。这叫模式完成。
这个设计还有两个好处：
—能泛化：线索不完全一样，只要足够像，网络会落到最接近的那段记忆上；—坏一点也不怕：丢了一些连接，记忆通常还能取出来，只是模糊一点——这叫"优雅降级"。
BRAIN / 03
三、海马的 CA3：一张最大的自连网
海马里有一个区域叫 CA3。原文给了一组（大鼠的）数字：每个 CA3 神经元身上，来自外面的输入只有几千个，而来自 CA3 自己的连接约有一万两千个——它的主要输入，是它自己。整个 CA3 就是一张巨大的自关联网。
Rolls 在 1987 年提出：CA3 存的是"情景记忆"——什么东西、在哪里、什么时候发生。给一角，CA3 补全整段。
CA3 还能存"连续"的东西，比如空间位置、头朝的方向。这时，网络里会有一小团持续活跃的神经元（研究者叫它"鼓包"），可以停在连续空间的任何位置，代表"我现在在这儿"。这就是第 53 篇说的脑子里的"地图"的一种实现方式。
BRAIN / 04
四、齿状回：进门前先把相似的拉开
自关联网络有一个死穴：两段经历太像，就会混在一起。你每天把车停在同一个停车场的不同位置，如果记忆都混在一起，就永远找不到今天停在哪。
海马的办法和第 57 篇讲的小脑一样：先拉开，再存储。在信息进入 CA3 之前，先经过齿状回。齿状回有大量颗粒细胞，加上强烈的抑制，只让很少一部分细胞活跃，把相似的经历变成彼此不太重叠的表示。这叫模式分离。
小脑和海马用了同一招：颗粒细胞多、活跃的少、把相似的拉开。
BRAIN / 05
五、一处要打折扣：成年人的齿状回还长新神经元吗
原文说，齿状回是成年哺乳动物大脑里少数会长新神经元的地方，并给了一个很漂亮的解释：齿状回自己不存信息，它只负责给新的记忆挑一组新的 CA3 细胞，所以换掉旧细胞、长出新细胞不会抹掉记忆；新细胞还能帮着把新经历和旧经历拉开。
这个解释在逻辑上很美，在小鼠身上也有大量证据。但要知道：成年人的齿状回到底还长不长新神经元，学界吵了很多年。2018 年同一年里，有研究说成年人几乎不长，也有研究说一直在长，原因之一是死后人脑组织的处理方法会影响结果。到今天，多数证据倾向于"有，但数量和意义仍有争议"。原文把它当成定论来讲，说满了。
BRAIN / 06
六、对照 AI：Hopfield 网络、注意力，和检索
—2024 年的诺贝尔物理学奖颁给了 Hopfield 和 Hinton。Hopfield 1982 年提出的网络，正是这种"自己连自己、给一角补全全部"的自关联网络。原文前面的篇章也提到了它。—大模型的注意力机制，和它是近亲。2020 年有研究指出，现代的 Hopfield 网络在数学上和 Transformer 的注意力几乎是同一个公式：拿当前的"线索"去和所有存储的内容比相似度，相似的权重大，再把它们加权取出来。按内容找，而不是按地址找。—AI 的"检索"也是同一个思路。第 ⑭ 篇说过，模型的知识不是存进柜子里的条目；今天常用的"检索增强"，也是拿问题去和资料库比相似度，找最像的那几段。前面讲过的一篇文章说，AI 的记忆难点不在"存"，而在"取"——取错了一段很像的旧记录，后面推理再对也是错的。海马的齿状回，正是为了防止"取错相似的那一段"而存在的。
还有一个差别：海马一次就能记住一段经历，而大模型要反复训练才能学会新东西，学了还容易忘旧的（第 ㉚ 篇）。大脑的办法是让海马快记、皮层慢学，第 ㉝ 篇讲过。
BRAIN / 07
七、边界
—文中 CA3 的细胞数、连接数是大鼠的估计；人类的数字更大，比例大致相似。—"海马存情景记忆、CA3 是自关联网络"是 Rolls 等人的主流理论，海马的功能远不止于此，各区分工也还在研究中。
BRAIN / 08
八、自测：合上文章回答
—齿状回为什么要在 CA3 之前把相似的经历拉开？—Hopfield 网络、注意力机制、海马之间有什么关系？
BRAIN / 09
九、三行，留着复习
```
按内容找记忆 自己连自己的网：存时同组连紧，取时给一角一圈圈补全；能泛化，坏一点也不怕
CA3+齿状回 CA3每个细胞约1.2万个自连（大鼠）；齿状回先把相似经历拉开，和小脑同一招
AI的近亲 Hopfield网络（2024诺奖）≈注意力机制；检索怕取错相似的那段；成人还长新神经元仍有争议
```