神經妙算

人類為什麼能展現出複雜的語言、推理與學習能力？除了擁有龐大的大腦神經網路，答案的一部分，可能也藏在單一神經元本身。 為了量化神經元計算複雜度，研究團隊提出了「功能複雜度指數」（Functional Complexity Index, FCI）。他們先建立人類與大鼠神經元的詳細生物物理模型，再模擬大量突觸輸入與放電資料，接著使用固定架構的時間卷積網路（TCN）學習每顆神經元的輸入與輸出關係。如果同樣的人工神經網路比較難學會某顆神經元的運作方式，代表它的輸入輸出關係可能更複雜，FCI也就更高。 研究結果顯示，在FCI的衡量下，人類皮質錐體神經元整體具有較高的功能複雜度。其中，人類第 2/3 層神經元的FCI最高，而大鼠則以第5層較突出。 是什麼讓人類神經元具有更高的功能複雜度呢？研究團隊進一步從神經元的形態與突觸特性著手分析，發現主要有兩個重要因素。 第一個關鍵是樹突形態。研究發現，總樹突表面積與FCI高度相關，而單純計算分叉點的數量，反而無法很好地解釋功能複雜度。這表示真正重要的可能不只是有多少分支，而是整棵樹突的大小與分枝如何配置。 第二個關鍵則是NMDA受體帶來的非線性整合。研究團隊進一步改變模型中的NMDA特性，發現當NMDA的非線性作用較強時，神經元的FCI也會提高。多個突觸同時活化時，神經元的反應因此不再只是簡單相加，而能產生更複雜的輸入整合。 人類神經元較高的功能複雜度，並不是單純因為神經元尺寸較大，而可能來自更複雜的樹突結構與更強的突觸非線性共同作用。這項研究進一步支持了這樣的觀點：樹突不只是接收訊號的電線，而可能是一套分散式的資訊處理結構。當我們想理解大腦如何運算時，也許不能只看神經元彼此怎麼連，還必須看看每一顆神經元本身，是怎麼「長」出它的計算能力。 圖一：人類與大鼠神經元功能複雜度（FCI）對比。 3D重建顯示人類神經元（綠）比大鼠（橘）擁有更大、更繁複的樹突。統計證實，人類神經元平均複雜度（0.3803）顯著高於大鼠（0.2244）；且演化分配各異，人類計算頂峰落在第2/3層，大鼠則在第5層。 圖二：NMDA 受體的非線性整合會提升神經元的功能複雜度。 當多個突觸同時活化時，人類型突觸會產生更明顯的超線性反應（J），而這種突觸特性也對應到更高的 FCI（M），顯示 NMDA 非線性可能是人類神經元功能複雜度較高的重要原因之一。 聲明：本文使用AI...