BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI63｜一个神经元记不住你外婆：大脑怎样编码、怎样学、怎样省电
这一篇合并"智能的计算基础"系列第 021 到 024 四篇，讲三件事：信息在大脑里是怎样表示的；大脑能不能用 AI 的学习方法；大脑为什么这么省电。
大脑不是用一个神经元记住你外婆，而是用一大群神经元中少数几个的组合；它学习只能靠每个突触身边的信息，没法像 AI 那样把误差精确地往回传；而"每次只让少数神经元活跃"，正是 20 瓦能撑起一个大脑的原因之一。
约20瓦 01 大脑功率，占全身能耗约两成 |
约一半 02 灰质能量花在动作电位上 |
约1% 03 小脑同时活跃的平行纤维 |
这三件事其实是同一件事的三面：大脑用一大群神经元里的一小部分来表示一样东西，只用本地信息来学习，而这两点都和"省电"有关。
夜晚城市的灯光。一座城里永远只有一部分窗户亮着，大脑也是：任何时刻只有少数神经元在放电。图片来源：Daniel Ellis / Pexels
大脑的三个约束：用少数神经元的组合表示信息（稀疏分布式编码），只用突触身边的信息学习（局部规则），大约20瓦的能量预算。三者互相成全。
BRAIN / 01
一、祖母细胞：一个神经元记住一个人？
有一个著名的设想：大脑里有一个神经元，只在你看到外婆时才放电——"祖母细胞"。
如果大脑真这样工作，每记住一样东西就要专门配一个神经元，账很快就算不过来；而且这个神经元一死，外婆就从记忆里消失了。
2005 年，研究者在癫痫病人脑里记录到一个神经元，似乎只对女演员詹妮弗·安妮斯顿的照片有反应——一度被叫作"安妮斯顿神经元"。但仔细看，这类神经元对少数几个相关的东西都会有反应，而且同一个人会让很多个神经元一起反应。大脑更像是用一小群神经元来代表一个人，而不是一个。
BRAIN / 02
二、分布式编码：用一群里的少数几个
大脑实际用的方式叫分布式编码：一样东西由一群神经元共同代表，每个神经元也参与代表很多不同的东西，只是反应强弱不同。
再细一点，叫稀疏分布式编码：任何时候，只有一小部分神经元活跃。第 57 篇讲的小脑只让约 1% 的平行纤维同时活跃，第 58 篇讲的海马齿状回，用的都是这个原则。
好处有三个：
—容量大：少数几个的组合，可以排列出天文数字的组合方式；—坏一点也不怕：死掉几个神经元，代表外婆的那一群还在；
原文第 021 篇说"脉冲的时间几乎不携带额外信息，主要看发放率"，这说得太绝对了。在一些脑区（比如听觉判断声音方向、海马里放电时机和脑电节律的关系），放电的精确时间确实携带重要信息。较稳妥的说法是：在原文作者所依据的猴子视觉皮层研究里，发放率携带了大部分信息。
BRAIN / 03
三、大脑能不能用"反向传播"？
今天几乎所有大模型，都是用反向传播训练的：先算出最终输出错了多少，再一层层往回算，告诉每一个连接"你该改多少"。
原文第 023 篇讲了这在生物学上为什么很难：
—一个隐藏层里的神经元，需要"知道"它连向的所有下游神经元错了多少、连接有多强。真实神经元没有渠道得到这么多远处的信息。—大脑能用的，是局部规则：一个突触只能根据自己身边的信息来改——上家活没活跃、下家活没活跃（第 62 篇讲的赫布规则），再加上多巴胺这样广播给所有人的全局信号（第 55 篇）。—赫布规则有一个毛病：一起活跃就加强，加强了更容易一起活跃，权重会越长越大、失控。大脑需要别的机制来"刹车"，比如让一个神经元所有输入的总强度保持不变，逼它们互相竞争。
这个问题没有定论。有研究发现，即使往回传的不是精确的误差、而是一些随机的反馈信号，网络也能学会东西（2016 年的"反馈对齐"研究）。大脑可能在用某种"粗糙版"的反向传播，这是今天计算神经科学最活跃的问题之一。
原文还说"深度网络通常调到 100 层或更多"，这不准确：确实有上百层的网络，但很多好用的模型层数远少于此，大模型的层数通常在几十到一百多之间。
BRAIN / 04
四、20 瓦是怎么省出来的
人脑只占体重约 2%，却消耗全身约 20% 的能量，功率约 20 瓦。
2001 年 Attwell 和 Laughlin 算过一笔账：大脑灰质的能量，约一半花在动作电位上，约三分之一花在突触传递上，维持静息电位约占一成多。也就是说，每放一次电、每传一次信号，都是真金白银。
所以大脑必须节省：任何时候只让少数神经元活跃（稀疏编码），能少放电就少放电。稀疏编码不只是为了容量和容错，也是被能量逼出来的。
原文第 024 篇的标题说"大脑 20 瓦，GPT-3 用 400 瓦"，这个对比不靠谱：大模型不是在一块芯片上运行的，训练和使用的能耗差别也很大。较可靠的数字是：训练 GPT-3 估计耗电约 1300 兆瓦时，大约相当于一百多个美国家庭一年的用电。要比的不是"瓦数"，而是完成同样的事情要花多少能量——在这一点上，大脑确实高效得多（第 ㉛、㊿ 篇讲过原因：存算一体、稀疏放电）。
BRAIN / 05
五、还有一个差别：大脑看的是连续的世界
原文第 024 篇还讲了一点：AI 常用一张张贴好标签的图片来训练；动物看到的却是一个连续变化的世界——一个东西拿在手里转来转去，从各个角度看，物体不会突然消失。连续性本身就是老师：同一个东西在下一秒还是它。
今天 AI 的"自监督学习"，正是在补这一课：不靠人贴标签，而是让模型从数据本身的连续性和结构里学。
BRAIN / 06
六、对照 AI，一句话
大模型用的是稠密表示、全局误差、海量能耗；大脑用的是稀疏表示、局部学习、20 瓦。今天 AI 的很多前沿方向——稀疏激活的"专家混合"、更省电的芯片、不靠标签的学习——都是在从后者往回借。
BRAIN / 07
七、边界
—"大脑不用反向传播"是主流看法，但"用某种近似版本"的可能性没有被排除。—能耗分配的比例来自 Attwell 和 Laughlin 对啮齿类灰质的估算，人脑的具体数字可能不同。—GPT-3 训练耗电量是研究者的估算，不同来源有出入。
BRAIN / 08
八、自测：合上文章回答
—反向传播在大脑里为什么很难实现？大脑能用的是什么规则？—大脑的能量主要花在哪里？这和稀疏编码有什么关系？—"20 瓦对 400 瓦"这个比法为什么不靠谱？
BRAIN / 09
九、三行，留着复习
```
不是祖母细胞 一样东西由一群神经元中的少数几个代表；容量大、坏一点不怕、省电；放电时机在有些脑区也携带信息
局部学习 突触只能用身边的信息改（赫布+多巴胺）；反向传播要把误差精确往回传，大脑很难做到，或用粗糙版
20瓦 约一半能量花在放电、三分之一在突触；稀疏是被能量逼出来的；比能耗要比"做同样的事花多少"
```