雷锋网AI技术评论按：人类某些神经元的树突可以进行以前认为需要整个神经网络才能完成的逻辑运算。
目前，对于计算机科学家来说，人工神经网络的构建往往基于神经元是简单的非智能开关的概念，神经网络的信息处理来自于数万(万亿)个神经元之间的连接。
然后神经科学家对人脑的研究发现，事实并非如此。在神经科学的许多研究中发现，人脑的信息计算中不仅神经元是相连的，单个神经元也承担着比人们以前认为的重要得多的计算任务。
雷AI技术评论了解到，最近在《Science》上发表了一篇论文《人2/3层皮层神经元中的树突状动作电位与计算》。在这篇论文中，研究人员发现，皮层神经元树突上皮层神经元密集臂中的微小隔间可以进行特定的计算——“异或”。这一发现之所以重要，是因为数学理论家一直认为单个神经元无法进行“异或”计算；现在，不仅单个神经元，神经元的树突也可以进行异或运算。
神经元不仅仅是为了连接，它还可以进行复杂的运算，神经元本身也可能是一个多层网络。这一发现对于构建人工神经网络的计算机科学家来说，可能是一个非常重要的启发。
上世纪四五十年代，这样的画面开始主导神经科学领域：
哑”神经元(“哑”神经元)，简单的积分器，是整个网络中输入相加的点；
从神经元延伸出来的分支(称为树突)可以接收来自邻近神经元的成千上万个信号，有些是兴奋性信号，有些是抑制性信号；
在神经元胞体上，所有的信号都在这里加权计数。如果总和超过一定阈值，神经元就会发出一系列电脉冲(动作电位)，直接刺激邻近的神经元。
大约在同一时间，研究人员意识到单个神经元可以充当逻辑门，类似于数字电路中的逻辑门(尽管到目前为止，我们仍然不知道大脑处理信息的程度)。例如，如果一个神经元只有在接收到足够数量的输入后才会被触发，那么它实际上就是一个与门。
因此，理论上，神经网络可以执行任何计算。
但显然，这种模式有局限性。在这个模型中，神经元会坍缩成空间中的一个点，它没有内部结构。另一方面，这个模型也忽略了一个事实，即流入给定神经元的成千上万个输入沿着不同的树突进入神经元胞体，这些树突本身的功能可能有很大的差异，或者更具体地说，这些树突内部可能存在一些计算功能。
这种模式在20世纪80年代开始改变。
神经科学家Christof Koch等人通过建模(后来有实验支持)表明，单个神经元不能表示为单一或统一的电压信号；相反，电压信号在沿树突进入神经元时会降低，通常不会对细胞的最终输出做出贡献。
信号的不一致性意味着单个树突可能相互独立地处理信息。这与之前的神经元假说相矛盾；在之前的神经元假说中，神经元只是简单地把所有的东西加在一起。
这项工作促使耶鲁大学医学院的Koch和Gordon Shepherd开始模拟树突结构。其基本思想是，神经元不再只是一个简单的逻辑门，而是一个复杂的多单元处理系统。
后来Mel等人进行了更细致的研究，发现：1)树突可以产生局部尖峰；2)树突有自己的非线性输入输出曲线；3)树突有自己的激活阈值(这个阈值不同于神经元的整体阈值)；4)枝晶本身可以充当与门或其他单元。
梅尔等人认为，这意味着单个神经元可以被设想为两层神经网络：树突充当非线性计算子单元，收集输入并吐出中间输出；这些输出信号会在细胞体中结合，然后决定整个神经元的反应。
当然，到目前为止，我们仍然不知道树突的活动是否会影响神经元的放电和邻近神经元的活动。但是，无论如何，局部处理在整个神经元系统中的作用是毋庸置疑的。就计算能力而言，神经元比我们想象的要强大得多。
神经学家谢泼德也说：“大脑皮层处理的大部分功率实际上都在阈值以下。
的。单个神经元系统可能并不仅仅只是一个加权求和的系统。”从理论上来讲，几乎任何可以想象的计算都可以由一个具有足够树突的神经元来执行，每个树突都能够执行自己的非线性计算。
而前面提到的最近发表在《Science》上的论文中，研究人员将这一想法又向前推进了一步：他们认为，不仅仅是树突本身，树突中的微小区室也能够独立执行复杂计算。
他们从人类大脑皮层的第二层和第三层获取了脑组织切片，人类大脑皮层包含了有许多树突的特大神经元。当他们用电流来刺激这些树突时，他们看到了意料之外且反复出现的尖峰，这些尖峰似乎与其他已知的神经信号完全不一样。它们非常迅速而短暂，就如同动作电位一般，是由钙离子的流动所引起的。这是值得注意的，因为传统的动作电位通常是由钠离子和钾离子所引起的。并且，虽然此前已经在啮齿动物的树突状中也观察到了这种由钙离子所诱发的信号，但是那些尖状物的持续时间要长得多。
更奇怪的是，给树突注入给多的电流刺激，反而会降低神经元放电的密集度，而非增加。为了搞清楚这种新的尖峰可能带来什么影响，研究人员构建了一个能够反映神经元行为的模型。
该模型发现，输入 X和输入Y，如果只有输入 X 或只有输入Y，树突会出现尖峰；而如果两个输入同时出现，就不会有尖峰。这相当于异或（或XOR）的非线性计算。
这一发现在计算机领域产生了轰动。多年来，他们都认为 XOR 函数不可能出现在单个神经元中，著名的计算机科学家Marvin Minsky 和Seymour Papert在他们于1969 年合著的《Perceptrons》一书中，还对单层人工网络无法执行 XOR 进行了论证。这一结论具有毁灭性的影响，以至于很多计算机科学家都将20世纪80年代之前神经网络研究陷入低迷状态，归咎于这一结论。
神经网络研究者最终找到了避开Minsky 和 Papert所提出的困难的方法，同时神经科学家们也在自然界中找到了这些解决方案的案例。例如，Poirazi 之前就已经发现了XOR是可能存在于单个神经元中的：并且简单将两个树突结合起来，就能够实现这一点。而在最近的这个实验中，他们甚至能够提供了一个合理的、在单个树突中执行XOR的生物物理机制。
神经元中的一个小区室，为什么需要具有整个神经元或一个小型的神经网络才具备的能力呢？
一个可能是：多层神经网络的神经元能够有更好的处理能力，并且能够有更好的学习和存储能力。
对此，Poirazi指出：“或许在单个的神经元内就有一个深度网络，这在学习有难度的问题或认知方面，会强大许多。”
Kording 也提到：“单个神经元或许能够计算真正复杂的函数，例如，它可能能够拥有自主识别对象的能力。”
正如Poirazi 所说，如此强大的单个神经元，也将有助于大脑降低能量消耗。
据了解，研究者们计划下一步将尝试在啮齿类动物或其他动物身上的树突中寻找相似的信号，以此来确定这种计算能力是否是人类所独有。他们也希望能够超越模型的范畴，将他们观察到的神经行为与动物的实际行为结合起来研究。
与此同时，Poirazi 则期望能够比较这些树突中的计算与神经元网络中实际发生的情况，以此证明前者是否具备一些优势。这包括测试其他类型的逻辑操作、探索这些操作将对学习和记忆有哪些贡献意义。她表示：“在我们开展这些实验之前，我们无法真正确定这一发现将带来多大的影响。”
这一新结果，似乎也会对人工智能和机器学习领域的问题带来影响。人工神经网络依赖于点状模型，这种模型将神经元视作对输入计数并在活动函数中传递总数的节点。
纽约大学认知科学家、深度学习的怀疑者 Gary Marcus曾说过：“只有少数人在认真对待这个观点：单个神经元可能是一个复杂计算的设备。”
他补充道，尽管这篇在《科学》上发表的论文只是更广泛的研究史中阐述了这一观点的其中一项发现，但计算机科学家应该严肃看待这一观点，因为它用 XOR 问题为阻碍了神经网络研究如此长时间的研究难题提供了一个研究框架。他表示：“也就是说，我们真地需要考虑采用这种解决思路，想从愚蠢的神经元中获得聪明的认知的整个研究规则，可能是错误的。”
via https://www.quantamagazine.org/neural-dendrites-reveal-their-computational-power-20200114/
雷锋网报道。
