文 | 追問nextquestion

你腦中的每個神經元，都可能潛伏著“控制論智子”——它們無需中央指揮，就能在毫秒之間逆轉輸入信號；你的每個念頭，可能正是860億 “神經控制單元”精心謀劃的杰作！

傳統理論往往將神經元簡化為類似“開關”的存在。然而，事實遠比這更震撼：這些細胞實為數據驅動的智能體，在系統辨識與實時控制狀態間無縫切換。當動作電位觸發時，它們就重構神經回路，宛如《三體》中的智子鎖死地球科技，瞬間接管整個反饋網絡！

這一理論同樣能解釋困擾學界數十年的謎題：為何突觸強度會因脈沖先后順序在毫秒間發生微妙調整？答案正是反饋回路將“反因果”轉化為智能調控的結果。而神經元放電的不可預測性，實際上是一種主動維持系統學習的策略。這也給AI領域帶來了警示：若每個硅基單元都覺醒為“神經智子”，人類能否在算力爆炸的邊緣迎來“技術奇點”？在光年尺度外，你的大腦中究竟上演著怎樣一場“神經智子”群毫秒級合謀？卡內基梅隆大學特聘助理研究員Paul Middlebrooks對談紐約大學朗格尼醫學中心教授Dmitri Chklovskii，為你揭曉。

保羅·米德布魯克斯Paul Middlebrooks,卡內基梅隆大學助理研究員，播客“Brain Inspired”主理人

他在匹茲堡大學馬克·索默實驗室獲得認知神經科學博士學位。隨后在范德堡大學Jeffrey Schall, Geoff Woodman, and Gordon Logan實驗室從事博士后研究，研究運動皮層和基底神經節神經群活動如何影響自由行為小鼠的自然行為。

德米特里·奇克洛夫斯基 Dmitri Chklovskii,Flatiron研究所神經計算中心（CCN）神經回路與算法研究組組長

紐約大學醫學中心神經科學與生理學系研究副教授。研究目標是在算法層面對大腦進行逆向工程。他的研究團隊基于神經解剖學和生理學數據，開發模擬大腦計算并解決機器學習任務的算法。

追問快讀：

1、我反對一些物理學家“空降式”解決問題的方式。正確的做法應該是，首先達到生物學家對生命系統的理解，才能真正把問題界定清楚并找到解決辦法。

2、我們連完整的連接組都有了，卻依然不知道線蟲是怎么行動的，結構和功能之間還有很大的鴻溝。

3、短時間尺度下的神經活動是電信號在起作用，而像記憶形成這種長期變化，則要依靠更慢的分子擴散機制。我們要做的是選對合適的研究層面，而不是只依賴某一種方法或模型。

4、雖然我們對離子通道、突觸可塑性這些“實現層”的理解有了巨大進展，但要說神經元究竟“算”的是什么，我們還是停留在 80 年前的二進制思路。

5、一根突觸可以看作一個小型控制器；幾個突觸形成一個神經元，這也是控制器；再往上，多個神經元組成更大的控制系統。關鍵是怎么把各個層級聯系起來，這其實是整個神經科學的核心問題。

01 背景與學術歷程

（1）跨界研究動機

保羅：在現在的計算神經科學領域，大概有多少科學家是物理學出身的呢？你自己也是物理出身。當初為什么想從物理學轉到神經科學？

德米特里：在我所敬重的同行里，差不多有一半的頂尖研究者都有物理背景。不過這只是我的個人觀察，并不代表真正的統計數據。

在學術生涯中，我一直在理論物理的嚴謹規則和解決實際問題的沖動之間尋找平衡。做完第一個物理學博士后后，我發現有時候物理研究會被實驗手段所限制，相較而言，神經科學領域在30年間已實現技術飛躍。從90年代只能同時記錄10個神經元，到現在能做許多以前想都不敢想的實驗，這種技術爆炸為探索"大腦運作原理"這類終極問題提供了全新可能。

保羅：物理學家能為神經科學帶來哪些獨特視角？作為一個跨學科研究者，您覺得自己扮演什么角色？

德米特里：物理學家一般都有一種“能解決任何科學難題”的學術自信。自己就是物理學出身，所以也敢直言不諱地說，物理學教育體系培養出的研究者擅長解析自然規律的本質，但往往很少涉及到具體的工程化實現——后者更多是工程師的專長。物理學家的核心優勢在于，他們可以快速理解其他學科本質，并將復雜問題轉化為可解析認知模型。

保羅：你同時具備物理和工程背景，這對您的研究有什么影響？

德米特里：如果我們的目標是從“構建人工大腦”的層面來解決腦科學的問題，就需要把生物學、工程學和物理學三者結合起來。物理能提煉基本原理，工程能告訴我們怎樣讓系統穩定工作，而這種融合必須牢固扎根于生物學土壤。

我反對一些物理學家“空降式”解決問題的方式，他們往往一上來就問“要解決什么問題”，然后立刻動手做。正確的做法應該是，首先達到（甚至超過）生物學家對生命系統的理解，才能在此基礎上真正把問題界定清楚并找到解決辦法。

保羅：對想深入理解大腦的生物學家，你有什么建議？

德米特里：如果目標是破解大腦機制甚至構建人工大腦，那就得補上物理建模和工程系統思維這一課。當然，傳統生物學的方法在一些特定研究里仍有價值——并不是所有人都必須走跨學科的路線。

（2）秀麗隱桿線蟲的啟示

保羅：秀麗隱桿線蟲（C. elegans）只有302 個神經元，我們已經掌握了它的完整連接組。您是否曾經想過“只要知道結構就能理解功能”？后來又是怎么轉變想法的呢？

?秀麗隱桿線蟲。圖源：Wikipedia

德米特里：最初我關注的是“布線經濟性”（wiring economy）*研究，也就是大腦如何在有限空間內優化神經纖維排列。人腦是高度互聯的結構，擁有海量的軸突和樹突，又要受制于顱腔體積限制、代謝能耗、發育周期等多重約束。要弄清楚這些神經線路怎么排布，本身就相當具有挑戰性，其復雜程度堪比半導體芯片中晶體管的布局設計。我當時非常希望開展實證研究，但又沒有完整的神經回路連接組可以用。后來，一位同事告訴我，秀麗桿線蟲已經有了完整的神經連接圖，我才意識到可以用它來驗證我的理論。

*“布線經濟性”（wiring economy）：神經連接成本最小化理論，2010年由奇克洛夫斯基團隊在《PLOS Computational Biology》首次提出。

于是我讓學生Beth Chen分析連接組，結果她發現數據并不完整。早期研究者受技術限制，只完成了頭部與尾部的精細測繪，但沒有徹底貫通軀體部分的神經連接。Beth花了一年多時間整理當時留存的電子顯微鏡照片，才終于把這些數據補完，做出了世界上第一個真正完整的線蟲神經連接組。

保羅：聽起來像是一項龐大而繁瑣的工程，肯定要耗費巨大的努力。那么完成線蟲連接組會不會算是您科研生涯的高峰呢？

德米特里：完成連接組構建后，我這個物理學家骨子里的“傲氣”又蠢蠢欲動："現在總該能破解神經元工作機制了吧？"我們進行了大量網絡分析，確實發現了跟哺乳動物類似的統計規律。但必須承認，在理解線蟲神經元計算原理與行為生成機制方面，研究還處在停滯狀態。

保羅：這幾乎成了神經科學的笑談——“我們連完整的連接組都有了，卻依然不知道線蟲是怎么行動的，這說明結構和功能之間還有很大的鴻溝。”你怎么看？

德米特里：這樣的批評我覺得很合理。線蟲的神經生理學研究非常不容易，事實證明，僅憑連接組來研究線蟲遠遠不夠。它的神經元沒有傳統意義上的動作電位，而是依賴漸變電位和鈣信號，記錄起來非常困難。它的神經元也沒有軸突-樹突分化，單個神經軸突就能向不同目標發送特異信號，這顛覆了傳統神經元模型，單靠連接組，確實很難搞清楚它的計算機制。

保羅：有一些研究結果表明，每一個普通神經元，其實都可以被建模為一個神經網絡。你說的意思是，在秀麗隱桿線蟲（C. elegans）中，這種情況更加明顯，因為它的每個神經元幾乎像是幾個神經元的結合體？

德米特里：是的，在秀麗隱桿線蟲這樣的系統中，單一神經元可能扮演多個計算單元的角色。另外我們還得考慮“無線連接組”（wireless connectome），也就是通過細胞外電場或者神經遞質直接交流的方式。這些信號不像突觸連接那樣能被清清楚楚地看見，但對神經功能很關鍵。

保羅：所以你認為要理解神經系統，需要從不同層次來分析？

德米特里：沒錯。短時間尺度下的神經活動是電信號在起作用，而像記憶形成這種長期變化，則要依靠更慢的分子擴散機制。我們要做的是選對合適的研究層面，而不是只依賴某一種方法或模型。

02 單神經元作為控制器的理論框架

（1）傳統神經元模型的局限性

保羅：作為物理學家，面對這么復雜的神經信號網絡，你是傾向于先一步步解決小問題，還是直接去建立一個“大一統”理論呢？

德米特里：我相信大腦的多層次運作可以用一套“算法原則”來描述，就像工程師設計系統時會遵循一系列規則一樣。

保羅：也就是說，你希望找到“大腦的物理定律”？

德米特里：是的。就像我們研究計算機芯片時，雖然電子流動理論能解釋銅線怎么導電，但想真正懂計算機如何工作，還得看看邏輯門和寄存器是怎樣協同配合的。而對于大腦，我們現在還缺少類似的層次性描述。

保羅：你的研究將單個神經元視為“控制器”，這和過去把整個大腦當成一個控制系統的做法很不同。你的模型和傳統的神經元概念相比，差別在哪兒？

德米特里：可以追溯到麥卡洛克和皮茨的發現。他們的模型雖然簡化，但影響深遠，至今仍是人工智能的核心。

麥卡洛克-皮茨模型（McCulloch-Pitts model）是最早的人工神經網絡模型之一。它是一種模擬生物神經元行為的數學模型，被認為是神經網絡發展的奠基之作。模型中的神經元是一個二值單元，只有兩種狀態——激活（1）或不激活（0）。每個神經元接收來自多個其他神經元的輸入，每個輸入有一個固定的權重（正或負）。將所有輸入信號與其對應權重相乘后相加，若總和達到或超過某一閾值，則神經元輸出1；否則輸出0。另外，該模型權重和閾值是固定的，不能通過學習自動調整。通過組合多個神經元，模型可以實現與（AND）、或（OR）、非（NOT）等基本邏輯運算。圖源：oreilly

保羅：令人驚訝的是，這些20世紀40-60年代的概念，只要稍微改改，居然還能驅動現代 AI，比如 ChatGPT。

德米特里：沒錯。我們當然承認神經科學在過去幾十年重來沒有停下腳步。但如果從計算角度來看，我們依然大量依賴這些簡化模型。

保羅：你剛才用了“發現”一詞，可這聽起來更像是工程層面的成就，而不是純科學上的發現。是我在糾結用詞嗎？

德米特里：可以這么說。我更愿意稱之為“概念化”（conceptualization）過程，就好比在數學里定義一個模型的過程。

保羅：既然生物學已經揭示了神經元其實很復雜，為啥計算理論這塊還是沒跟上？是不是還缺少類似“邏輯門”那樣的框架？

德米特里：是的。生物學研究揭示了離子通道、蛋白質信號等復雜機制，但如果類比芯片，我認為在神經科學中需要一些更抽象的層次。麥卡洛克-皮茨模型假設神經元輸出0或1，但真實神經元比這復雜多了。

保羅：這讓我想起Marr的三層次理論。你覺得我們在“計算層次”上了解得還不夠？

?Marr的三層次理論，由英國神經科學家大衛·馬爾（David Marr）提出，包含計算層、表征層、實現層。是一個關于理解信息處理系統的框架，尤其適用于視覺系統的研究。圖源：wiley

德米特里：是的。雖然對離子通道、突觸可塑性這些“實現層”的理解有了巨大進展，但要說神經元究竟“算”的是什么，我們還是停留在 80 年前的二進制思路。

（2）智能神經元的提出

保羅：你提到說，真實神經元比麥卡洛克-皮茨模型里的神經元更智能，甚至可以稱之為“智能神經元”。這種智能體現在哪些維度？

德米特里：麥卡洛克-皮茨神經元是瞬時響應設備。如果提供某種輸入，它們通過加權求和立即計算輸出，然后進行非線性處理并輸出。而但真實的神經元不會瞬間處理，它們有不同時間尺度的動態過程，還有短期和長期的記憶效應。我們可以用尖峰觸發分析測量線性時間濾波器等多種方式表征這些特性。

這非常重要，因為它告訴我們神經元不僅關注不同上游神經元輸入之間的相關性，還關注同一輸入中的時間相關性。

保羅：麥卡洛克和皮茨在論文中確實提到了循環結構，只是后續的模型大都沒管它。

德米特里：這正是他們的高明之處——他們有意忽視了循環，從而推動了早期神經網絡理論。但神經系統充滿了循環回路，這一點是繞不開的。

保羅：你如何想到用控制理論重新定義神經元？

德米特里：我最初受到高效編碼理論的影響，但后來發現它對更高級的腦區解釋力不足。接觸控制論和連接組學后，我發現循環在神經系統里非常普遍，于是轉向控制理論。控制理論不僅用于生成輸出，還用于處理反饋，這是神經系統核心功能之一。

保羅：這聽起來和主動推理也很相似——神經元不僅能預測未來輸入，還會主動影響輸入？

德米特里：是的。比如你感覺杯子很燙，就會立即把手縮回，神經系統本身就是一個反饋回路，通過行動影響自己的感知。

保羅：你認為每個神經元都執行控制任務？

德米特里：對。大腦控制身體運動，運動皮層控制手臂運動，單個運動神經元控制肌肉纖維，它們都可視為控制器。甚至突觸控制鈣離子流動也能被視為控制單元。

保羅：那神經元的控制目標是什么？

德米特里：這個問題目前還沒定論。“把神經元當成控制器”只是個假說，還沒絕對確鑿的實驗證據。

一個好思路是：與其沉默神經元，不如阻斷其突觸傳輸下游部分。我們可以使用分子遺傳學工具，僅僅阻斷某個神經元的突觸輸出，而不影響神經元本身。這樣，神經元仍然可以繼續“發放信號”，但它的信號不會真正傳遞下去。如果神經元真的是一個控制器，它就會感知到自己的輸出失效了，并試圖做某種補償。這個實驗能檢驗“神經元是控制器”這個假說到底對不對。

（3）控制理論的應用

保羅：傳統控制理論假設神經元需要對整個外部回路進行建模，這樣一來計算量就非常大。你的"直接數據驅動控制（direct data-driven control）"是怎么化解這個問題的呢？

德米特里：傳統控制理論是“基于模型（model-based）”的，的確需要先構建一個動態系統或者狀態空間模型。對神經科學來說，這就好比要求神經元事先知道自己的輸出信號會如何通過神經回路再回到自己身上。可想而知，神經元沒辦法做這么復雜的矩陣計算和模型逆運算。而數據驅動控制（data-driven control）就繞過了數學建模這一步，直接用歷史數據里觀測到的輸入信號和控制信號之間的關系，去學習一個從輸入到控制的映射。也就是說，它不需要存儲一個完整的系統模型，只需要通過突觸可塑性等機制，不斷更新輸入-輸出的映射關系就行。

保羅：換句話說，神經元會根據輸入來調節控制信號，讓回來的反饋信號越來越接近目標？

德米特里：沒錯。神經元會把環境往“期待”的方向帶，然后再根據自己活動帶來的輸入變化，隨時做出相應調整。

保羅：Henry Yin提出，控制理論的一個錯誤是假設參考信號（reference signal）在大腦內部，而它實際上來自外部。那單個神經元要怎么確定自己的控制目標呢？

德米特里：這是個重要問題。目前有兩個研究方向：第一，穩定性（stability）是基本要求。任何反饋回路必須是穩定的，否則系統會失控。第二，基因會賦予大腦更復雜的目標，但確切機制還不清楚。如果只追求穩定，神經系統可能就會像進入某種休眠狀態，能量消耗很低，但顯然這不符合生物生存的需求。

保羅：你提到脈沖神經元大多數時候是開環系統？

德米特里：是的，只有當神經元發放動作電位時，突觸才會釋放神經遞質，才能形成閉環反饋。平時如果沒有動作電位，回路就是斷開的。開環和閉環之間的這種切換，讓神經元能更靈活地應對外部環境。

保羅：就像電路中的開關？

德米特里：沒錯，只有“開關”閉合了，反饋才能發生。

保羅：那么，神經元需要完成哪些核心任務？

德米特里：當神經元作為數據驅動控制器（data-driven controller），需要同時完成控制任務和系統識別任務，也就是說，他們既要根據目標調整輸出，也要在沒有顯式模型的情況下識別環境特性。所以大部分時間神經元處于開環狀態，因為如果一直閉環，就會妨礙對系統的識別。就好比雷達在發射脈沖時要先關掉接收器，神經元的尖峰發放機制也要避免自干擾。這樣的話，在動作電位產生的那段時間里，反饋路徑是暫時斷開的，就可以實現更精準的信號處理。

03 關鍵神經現象的控制論解釋

（1）脈沖時序依賴可塑性（STDP）

保羅：你的理論是否能為多種神經科學現象提供統一解釋框架？

德米特里：是的，我們發現控制理論能解釋許多關鍵現象。不過，任何科學理論只能被證偽，不能被“證明”。我們的研究表明，大腦的動作生成和反饋回路符合控制理論。而且我們從“穩定性控制”里推導出的學習規則，和突觸可塑性（尤其是 STDP）非常吻合。

?脈沖時序依賴可塑性。如果突觸前神經元的脈沖先于突觸后神經元的脈沖，那么該突觸會被增強（紅色，LTP，長時程增強）。如果突觸后神經元的脈沖先于突觸前神經元的脈沖，則突觸會被削弱（藍色，LTD，長時程抑制）。通常，兩個動作電位必須在幾十毫秒以內發生，STDP機制才能被激活。圖源：neuromatch

保羅：你是先提出理論，再去尋找STDP的支持數據？

德米特里：恰恰相反，一直以來，我都覺得 STDP 的時間敏感性很難用傳統的歸一化機制來解釋。但從控制理論來看，反饋回路能將“反因果”轉化為因果關系，例如STDP中"反因果"的抑制現象（即突觸前神經元在突觸后放電后激活會導致突觸減弱），在反饋回路框架下可被解析為因果作用——突觸后信號通過神經回路反饋影響了突觸前輸入。

保羅：那神經元要怎么確定要在什么時間范圍里去調節突觸權重？

德米特里：根據控制理論框架，如果是短時反饋回路（比如一兩個突觸傳遞的距離），它需要保持毫秒級的穩定性，這就對應了 STDP 最常見的時間窗口。要是走更長的神經回路，比如小腦用大約 100 毫秒的反饋來調節運動協調，或者海馬在幾十毫秒的反饋里支持記憶編碼，那么 STDP 的時間窗口也會相應變長。

（2）神經活動的隨機性

保羅：數據驅動控制為何需要神經元脈沖的隨機性，來探索狀態空間？

德米特里：這本質上是探索-利用權衡（exploration-exploitation tradeoff）問題。具體來說，如果環境是個線性系統，而且控制策略也保持線性，整個反饋回路就會停止去探索新的動態空間。數據驅動控制的關鍵突破在于保持“持續激勵”（persistency of excitation），也就是讓控制信號盡可能保持多樣性，這樣系統才能不斷去探測外部環境的特性。

保羅：這意味著神經元的脈沖變異性是有目的的？

德米特里：完全正確。這種變異性不是系統缺陷，而是實現數據驅動控制的關鍵機制。以中樞突觸為例，每個突觸前脈沖觸發神經遞質釋放的概率僅有約10%——看上去效率不高，但正是這種隨機性給了系統必要的探索能力。

保羅：可是在傳統控制理論里，噪聲通常被視作要消除的干擾吧？

德米特里：這正是生物控制的獨特之處。我們不僅保留這種變異性，更將其轉化為優勢。通過維持"持續激勵"，系統能持續探索狀態空間，避免陷入固定控制策略導致的模型僵化。*

*譯者注：例如，當我們在獼猴運動皮層植入雙光子鈣成像裝置，會發現當猴子嘗試新動作時，神經元放電變異度激增300%；而熟練動作時變異度降至基線。這證明隨機性是主動探索策略，絕非被動噪聲！

04 跨尺度挑戰與未來方向

（1）從單神經元到群體控制

保羅：從麥卡洛克和皮茨的單個神經元模型，到"祖母細胞（grandmother cells）"理論，再到當前主流的神經元群體動態學說——神經科學對功能單元的理解不斷演變。你的控制理論既適用于單個神經元，也適用于群體，你如何看待“神經元群體學說”？

?祖母細胞是神經科學中的一個概念，用來形容大腦中某些對特定對象高度專一反應的神經元。這個術語帶有一定爭議，原意是指：如果你有一位祖母，那么你大腦中可能存在某個神經元，只對看到你祖母的臉或與她有關的刺激產生反應。圖源：Jeff Bowers，University of Bristol。

德米特里：群體層面的研究確實很重要，但也不能忽視單個神經元的作用。我認為，一根突觸可以看作一個小型控制器；幾個突觸形成一個神經元，這也是控制器；再往上，多個神經元組成更大的控制系統，比如皮層或者腦干結構。關鍵是怎么把各個層級聯系起來，這其實是整個神經科學的核心問題。

保羅：那在你看來，神經元是各自獨立運作的智能體，還是通過某種協作協議一起行動？您認為它們只是自私地追求生存，還是通過發育和進化形成整體能動性——這種整體智能是否源于個體行為的涌現特性？

德米特里：更接近自組織的“涌現特性”。就像市場經濟中的個體——每個神經元追求自身目標，但通過機制設計建立的規則約束，它們能實現共生協作。這種自組織過程最終涌現出支持共同目標的高層次智能。

保羅：這種視角是否改變了你對單個神經元的認知？

德米特里：確實！就像多細胞生物里所有細胞都共享相同的 DNA，但每個細胞又有自己的功能分工。神經元同樣遵循基因給出的統一規則。基因并不會直接控制它們每一次放電，但卻規定了它們在什么條件下放電的“機制”。這讓我對單個神經元結構的精妙復雜之處有了更深的認識。

（2）對人工智能的啟示

保羅：人工智能研究人員為什么要關心這些神經科學問題呢？

德米特里：從商業角度來看，他們的確沒必要非關注這些，畢竟當前的技術路線已經創造了巨大的價值。但如果目標是通用人工智能（AGI），參考大腦可能是唯一可行的路徑。畢竟，大腦是我們已知能實現通用智能的唯一系統，這就像一個“存在性證明”。其他路徑有沒有可能也行？當然有，但暫時沒有證據。

保羅：或許還有更好的方法？

德米特里：也許吧，但我們不確定。比如，當前AI系統的能耗巨大，而人腦僅用20瓦就能高效運作，這是否意味著我們走錯了方向？

（3）未解的核心問題

保羅：當前研究遇到的最大障礙是什么？控制理論在解釋神經元功能時是否存在局限性？

德米特里：最大的挑戰在于理解神經元的控制目標。有趣的是，我們發現視網膜神經元雖試圖通過包含視覺信號反饋的大型環路調控下游腦區，但由于信號延遲過長，實際難以實現閉環控制。它們如同"被欺騙的控制器"，誤以為自身能調控輸入信號。這種擬人化視角意外地很有解釋力。

保羅：所以不同腦區神經元承擔不同類型的控制功能？

德米特里：完全正確！以運動神經元為例，它們直接控制肌肉活動，并通過感覺機制接收反饋，是典型的控制器；而感覺神經元更專注于分析輸入信號，主要參與數據驅動控制中的系統識別，更像動態分析師。這種功能差異在V1皮層的研究中得到印證：科學家在此區域檢測到運動信號，與控制理論的預測一致——感覺輸入會逐步轉化為控制信號。

保羅：學界對這個理論的接受度如何？

德米特里：這取決于研究者的專業背景。運動控制領域的研究者很容易理解——畢竟他們的研究對象就是神經元如何實施控制。研究中腦或海馬體的學者，在看到神經環路的證據后也會認同。但感覺神經科學家往往會困惑："這和我們有什么關系？"畢竟要讓他們接受"視覺神經元其實是個控制器"的觀點，確實需要顛覆傳統認知。

05 編譯后記

當你在電腦前正準備讀完這篇文章時，大腦中正上演一場無需指揮的交響樂——每個神經元都像獨立樂手，既根據樂譜（基因指令）調音，又即興調整節奏（環境反饋）。正如Chklovskii揭示的顛覆性視角：神經元不是被動的琴鍵，而是手持指揮棒的演奏家。它們通過突觸的“時間魔法”將因果倒置，用看似無序的放電探索未知，最終在混沌中譜寫出思維的旋律。

這場科學冒險最震撼的啟示在于——生命從不用蠻力解決問題。當AI消耗整座水電站的能源訓練模型時，人腦僅用20瓦功耗，便讓860億“微型指揮官”通過突觸間的電光私語，完成了從識別母親微笑到破解相對論的壯舉。其秘訣或許在于：神經元從不追求完美預測，而是像沖浪者駕馭海浪般，用反饋循環將不確定性轉化為進化動力。

但謎題遠未終結：如果每個神經元都是自主的“決策者”，它們如何像市場經濟中的理性個體般達成共識？當AI工程師試圖在硅基芯片上復刻這種協作時，是否像用蒸汽機模仿鳥群飛行——徒有其形，卻失了生命系統特有的靈動？這些追問如同神經脈沖的漣漪，不斷拓展著認知的邊界。

或許終極突破將始于一次詩意的覺醒——當人類破譯神經元間加密的“目標代碼”，看清視網膜神經元為何甘愿“被欺騙”，領悟860億“神經智子”如何在跨尺度時空中編織意識之網時，我們將見證比AI更深邃的智慧誕生：一套既能解碼突觸間似量子糾纏般的微妙互動，又能詮釋肖邦夜曲為何能觸動人心的生命算法。到那時，回望這場認知革命，你會聽見歷史在低語：所有星辰大海的追尋，都始于對那大腦微型宇宙溫柔的一聲叩問。

*為保證閱讀體驗，本文對聽稿進行了適當地編輯。

原對話指路：https://www.thetransmitter.org/brain-inspired/dmitri-chklovskii-outlines-how-single-neurons-may-act-as-their-own-optimal-feedback-controllers/