有人认为，我们的大脑只利用了10%，剩下的90%都在沉睡，因而被白白浪费了。真的是这样吗？为什么大脑的大部分似乎都处于休眠状态？来听神经科学家KELLY CLANCY的解读。她认为，这是大脑在效率和能力之间取得的完美折衷方案。 作者介绍：KELLY CLANCY在瑞士巴塞尔大学做博士后，研究神经科学。之前，她是一个天文学家，曾经在土库曼斯坦的维和部队服役。她因为设计了不依赖药物的大脑疗法获得了2014年Regeneron创新奖。你可能听说过一个谜题——常人只用了他们大脑10%的潜力。这是个具备诱惑力的谎言，因为它暗示我们可以变得比现在更厉害。像《永无止境》和《超体》这类科幻片就探索了这种谜思，电影主角通过开发心智的潜力来获得超人的能力。然而，神经科学家却一直看不起这类科幻。长达80年的研究证实，每一天我们大脑的每个部分都是活跃的。除了那些有严重脑损伤的人，我们每时每刻都在使用我们全部的大脑。 但是，像许多传说一样，这个10%之谜也是有一定道理的。在过去20年里，科学家发现我们的大脑皮质会遵循一个奇怪却熟悉的模式：小部分神经元负责输出绝大部分的神经活动。并不是说我们不使用大脑另外的90%，只是在使用大脑的时候，许多神经元安静得可怕。这安静背后的故事要远比电影里所展示的智商提高或者暂时性的预言能力更深刻。首先它阐述了我们的意识表达现实世界的基本原则。
神经元之间通过被称为脉冲的电信号来交流。在20世纪30年代，科学家开始用植入大脑的小型金属电极来搜集单个神经元的信号。他们观察到神经元每秒能够放电数十次到上百次，每个峰值持续几毫秒。大脑里似乎充斥着信号。后来，在1968年一篇有关微电极技术的综述中，生物医学工程师大卫·罗宾逊（David Robinson）指出了一个重要的差异。当电极插到大脑里时，它们应该能检测到附近任意一个细胞的活动信号。理论上每个电极能够搜集多达200个细胞的信号。然而实际操作中，这个数字却低得多——要是每个植入的电极能够记录到5个细胞的活动，这个研究员就算幸运了。那么其它的神经元都去哪儿了呢？
许多人对这个问题漠不关心，他们认为，探测率过低可能是因为电极导致的组织损伤造成的，或者是因为这些信号是在动物实验体被麻醉的情况下搜集的。然而，30年后，罗宾逊的远见被证明是对的。此时，研究人员开始搜集细胞体内的信号【1-3】，他们发现皮质内大部分神经元放电的频率远低于通常报告的每秒10到100次脉冲。而且这些高频放电的神经元只占细胞的3%到20%。这时，科学家才发现，他们长期以来没能记录到大脑里大部分的神经元，仅仅是因为缺乏正确的方法而已。
一小部分的神经元放电的次数要比其它神经元多成百上千倍。如今我们知道皮质神经元大部分都很「沉默」。它们的放电异常少，有一些甚至都不放电。由于研究员从人脑中搜集到的信号极其有限（比方说，从准备做脑科手术的病人大脑中搜集），于是他们就从大脑的葡萄糖消耗情况来估计神经元的放电率。人类的大脑，重量不到人体重的2%，却耗费了人体20%的卡路里，也就是每天三根香蕉的能量。由于每次脉冲需要很多的能量，大脑的总能量消耗相对来说还是非常低的。考虑到每次放电的能量耗散以及大脑中的神经元数量，每个神经放电率应该低于每秒钟一次。【4】然而在病人细胞里检测到的神经元每秒放电成百上千次。这意味着一小部分的神经元消耗了分配给大脑的能量的大部分。而剩下的神经元可能每分钟只能放电几次，或者更少。这种能量分配方式限制了每次参与活动的皮质神经元的数量——总的来说，活跃的神经元不超过1%。这也许能解释为什么我们的注意力总是这么有限——我们的大脑只能分配这么点神经放电。 为什么大脑会需要这么多相对不活跃的细胞呢？这是个难题。因为尽管我们知道脉冲可以转化为我们对世界的感知，但是具体机制我们仍然不清楚。【5】这种转化被称为神经编码（ neural code），神经科学家在过去100年里一直在尝试破解这个编码。 神经编码策略有两种极端的假说：1、认知是通过神经元集合的活动转化的，2、认知是被单个神经元编码的。第一种策略被称为密集码（dense code），它能产生一个非常庞大的存储能力：如果大脑里有N个神经元的话，那么它就能编码2的N次方个事物。这是一个远比宇宙中原子数还大的天文数字，也远比一个人一辈子能体验的事情多得多。但是这同时也会要求高放电率和高昂的能量预算，因为许多神经元需要同时活跃。第二种策略被称为祖母码（grandmother code），因为它意味着存在着这么一个神经元，它只为你的祖母放电——这种策略更简单。一个神经元代表经历中的一件事，就像键盘上一个按键代表一个字母一样。这种方案对脉冲来说是经济的，因为在一个想法或者一种经验中，并没有那么大量的已知事物存在。因此大部分时间里，大部分神经元都是沉默的。但如果是这样，大脑能表达的概念的数量，只能跟它神经元数量一样多。 90年代末期，理论神经科学家提出了一个漂亮的折衷方案。【6,7】这个策略被称为稀疏码（sparse code），它认为认知是被若干个神经元同时编码的，就像密集码的原理一样。但是稀疏码给能参与编码的神经元数量安了一个上限，这个跟祖母码有点类似。这个策略整合了低活动水平下的庞大存储能力以及保守的能量预算这两个优点。
小鼠脑电延时摄影：四倍加速，视频显示了小鼠躯体感知皮质层单个神经元的稀疏信号（具体地说，是处理胡须传来的信息的区域）。这些细胞被特定病毒转染后，在活跃时会发出荧光指示。绿色的是细胞体，洋红色的闪烁是放电信号。数据来源于丹·费尔德曼（Dan Feldman）。
稀疏码被认为是理论神经科学的一次伟大胜利，因为它的预测跟实际数据吻合得很好。在1996年的一篇文章中，神经科学家布鲁诺·奥学森（Bruno Olshausen）和大卫·菲尔德（David Field）训练了一个人工神经网络来「学习」认图。这个网络采用了稀疏码的策略，限制了每次活跃神经元的数量，同时要求每个神经元编码的信息尽可能地和其它神经元编码的信息相独立。在这些约束条件下，这些人工神经元从图中提取信息的方式，跟视觉皮层里真实神经元的处理方式一模一样：只为特定形式的局域边缘放电。在大脑里，神经科学家认为这些边缘首先会被重新组装成一定形状和纹理，最后才会形成像脸、领结和船等具体的概念认知。在视觉图景的意义产生前，这些图景会被分解成它的主要元素。而随着大脑区域功能化越来越明显，信息才逐步显现。 稀疏码策略解释了为什么一些神经元的放电异常少——因为它们只参与编码特定的信息。但是它并不能解释为什么一小部分的神经元要比其它神经元放电多达成百上千倍。细胞类型的多样性也解释这个现象的一部分，并不能进行全面的解释。它认为有些神经元类型就是要比其它类型放电率高。但是就算是在兴奋型细胞里，最常见的神经元类型之间也会存在明显的活动差异。这种差异可能代表了两种不同的编码策略：一小部分活跃型的神经元可能会快速做出「最佳猜测」，以便做出快速反应，而那些安静的神经元则把这个信息提炼成具体的认知。想想很多时候，你以为你余光里发现了某个不祥的东西，而之后你发现它仅仅只是个衣架而已。 [caption id="attachment_6045" align="aligncenter" width="733"]
图/MARINA MUUN[/caption]
安静的神经元也许做的不止是提炼认知。虽然它们放电不频繁，但是我们通过胞内记录发现它们还是会从其它神经元那儿接到信息，这些信息会使它们的膜电压产生波动。这些波动和脉冲构成了我们熟知的脑电波。在过去15年里，科学家们开始积累证据，试图证明脑电波在信息处理过程中充当了一个活跃的角色，它会分流抑制一些神经元的输入信息，同时提高其它神经元的输入信息，或者改变脉冲峰值时间。这暗示着脉冲并不是大脑中唯一一种带信息的信号。反过来，那些「不活跃」的神经元正发挥着比它们看起来更多的作用。
此外在建构高频神经元的输出信息时，这些安静的神经元可能是学习和恢复过程的「储备池」。老鼠在少了一根胡须之后，它对剩下的胡须会更敏感，因为在触感有关的皮质区域，神经元之间被重新连接了，以便更好地接收剩下的胡须传来的信号。科学家们搜集对比了老鼠剪去胡须前后的神经元活动信号，发现之前不活跃的神经元对剩下的胡须变得更加敏感起来。【8】
如果这是真的，那么我们的确存在潜在的心智能力，就像10%谜题暗示的那样。而它们有一个低调的名字——学习。
参考文献
- Shoham, S., O’Connor, D.H., & Segev, R. How silent is the brain: Is there a “dark matter” problem in neuroscience? Journal of Comparative Physiology A 192, 777–784 (2006).
- Henze, D.A., et al. Intracellular features predicted by extracellular recordings in the hippocampus in vivo. Journal of Neurophysiology 84, 390–400 (2000).
- de Kock, C.P., Bruno, R.M., Spors, H., & Sakmann, B. Layer- and cell-type-specific suprathreshold stimulus representation in rat primary somatosensory cortex. The Journal of Physiology 581, 139–154 (2007).
- Lennie, P. The cost of cortical computation. Current Biology 13, 493–497 (2003).
- Olshausen, B.A. & Field, D.J. How close are we to understanding v1? Neural Computation 17, 1665–1699 (2005).
- Olshausen, B.A. & Field, D.J. Emergence of simple-cell receptive field properties by learning a sparse code for natural images. Nature 381, 607–609 (1996).
- Bell, A. J. & Sejnowski, T. J. The “independent components” of natural scenes are edge filters.Vision Research 37, 3327–3338 (1997).
- Margolis, D.J. et al. Reorganization of cortical population activity imaged throughout long-term sensory deprivation. Nature Neuroscience 15, 1539–1546 (2012).
