科普
你脑子里没有一个傻开关：单个神经元其实是一台计算机
2026 年 7 月 24 日 · 米切尔·沃尔德罗普《复杂》~1 min read
你脑袋里有八百多亿个神经元。过去大半个世纪，教科书给单个神经元画的像简单到近乎侮辱：一堆输入进来，加个总，过了某条线就"啪"地放一枪，过不了就闷着，一个开关而已。整座大脑的聪明，据说全靠这些傻开关的海量连线堆出来。可 2026 年 7 月刚发表的一项研究把这张像撕了：单单一个人类皮层神经元，本身就是一台需要一整张多层人工网络才描摹得动的计算机。傻开关，从一开始就不傻。
30 秒读懂
- 2026 年 7 月 7 日发表于《美国国家科学院院刊》(PNAS) 的一项研究（希伯来大学 Idan Segev、Mickey London 团队）发现：单个人类皮层神经元的计算能力，堪比一整张深层人工神经网络。
- 方法叫"孪生模仿"：训练一张人工网络去完美复现一个真实神经元的输入—输出行为，人工网络需要越多层，那个神经元就越复杂。
- 能耐藏在树突——那些从细胞伸出的枝丫。在测量的 58 项形态特征里，最强的单一预测指标是总树突面积：枝越密、越会分岔，这颗细胞越能干。
- 树突不是简单地把信号加起来，而是能分析信号的组合——像小猫和小狗的图像也分得开。人的聪明，也许一部分不在神经元的数量，而在每一颗的算力。
1旧图景
我们把大脑最小的零件，想成了一个不会思考的开关
早在 1943 年，两位学者把神经元简化成一个只会加总、然后决定放不放电的逻辑单元。这个简化太好用了，好用到成了整个领域的默认底图。
后来的人工神经网络，连名字带结构都照着这张底图搭。所谓"神经元"，就是加权求和加一道阈值，别无其他。真正的智能，据说是无数这样的傻零件连成天文数字的网络后，自己"涌现"出来的。米切尔·沃尔德罗普在《复杂》里把这类现象讲得漂亮：一群简单的东西按简单规则互动，整体却长出没人预设过的复杂，整体大于部分之和。蚁群没有总指挥，却修得出通风的巢；鸟群没有队长，却能整片转向。大脑被顺理成章归进同一册案卷：单元蠢，连线聪明。
⚡为什么值得看：这套"简单单元堆出复杂整体"的图景，不只是脑科学的家底，也是今天整个 AI 行业的地基。如果连它的最底层假设，"神经元是个傻开关"，都站不住，那从大脑到人工网络的一长串类比，都得回炉重新掂量一遍。
2新证据
拿一整张深层网络去模仿，才勉强追得上一颗神经元
要问"一个神经元有多复杂"，得先想个办法把复杂度变成能读的数。研究者的招数很聪明：造一个它的数字孪生。
他们让一张人工神经网络去学一件事：把某个真实人类皮层神经元的输入喂进去，要求它吐出跟真细胞一模一样的输出，学到几乎分不出真假。妙处在那把尺子：这张网络得叠多少层，才够得上那颗生物细胞？层数，就是神经元复杂度的直接读数。结果，一颗人类皮层神经元要用相当深的一整张网络才描摹得动。你我脑子里那个曾被当成"开关"的东西，一个顶得上一小片深度学习模型。
核心"孪生模仿"把一个说不清的问题，神经元有多复杂，换成一个可度量的问题：模仿它需要多深的人工网络。单个人类皮层神经元的答案，是一整张深层网络。开关论到此为止。
3算力何来
秘密全在那些没人当回事的枝丫里
这份算力从哪儿冒出来的？答案不在细胞正中那个核，而在从它身上伸出去的、密密麻麻的枝：树突。
老图景里，树突只是被动的电线，负责把信号送到细胞体门口排队加总。新研究说，这些枝丫自己就在算。它们不老实地把信号一笔笔相加，而是分析信号的组合：哪几路一起来、什么次序、落在哪根枝上，结果全然不同。研究者在 58 项形态特征里挨个筛，最能预告一颗神经元多能干的单一指标是总树突面积，再加一项是最长的那根分岔枝。枝越铺得开、越会分岔，这颗细胞肚里的算盘就越大。于是它近似的不是一个加法器，而是一张自带好几层的小网络。复杂，藏在枝头。
示意量级，非精确层数：老图景把神经元当 1 层加总器，新研究显示模仿单个人类皮层神经元需一整张深层网络。具体以原研究为准。
示意图：同一个人类皮层神经元的两种画法——旧图景是"输入相加、过阈值、放电"的单层开关；新图景中，树突自身分层运算，整颗细胞近似一张多层网络，需一整张深层人工网络才模仿得动。框架：米切尔·沃尔德罗普《复杂》。据 2026-07-07《美国国家科学院院刊》(PNAS) 希伯来大学 Segev 团队研究；层数为示意、非精确值，具体以原研究为准。
4还原论的边界
如果最小的零件都是台计算机，"复杂一路向下"该怎么办
这件事真正扎人的地方，不在神经元，在还原论，在那个我们习惯用来拆解世界的老办法：把大的拆成小的，把小的当简单的，再从简单的往上搭。
《复杂》整本书较的就是这个劲。书里那些人反复撞见同一堵墙：把整体拆到零件，零件的行为加起来，却拼不回整体那份活生生的复杂：因为复杂诞生在互动里，一拆就没了。可这回的意外来自反方向：我们本以为已经拆到底、拆到"简单单元"了，谁知这个最小单元掀开一看，自己又是一台要多层网络才说得清的计算机。复杂没有见底。你以为踩到的地板，其实是下一层的天花板。
这里得老实划条边界。这项研究是拿"一张人工网络要多深才模仿得像"来度量复杂度的：它算出来的是模型的复杂度，不等于我们已看懂这颗细胞在"想"什么。模型追得上它的行为，和真读懂了它内部怎么运转，中间还隔着一段路。我入行头一年，第一篇稿子被《天文爱好者》退了回来，编辑就写了一句：你把"可能有"全写成了"有"。那一巴掌我记到现在。所以照规矩来：说单个神经元强得惊人，有实打实的度量撑着；说这就等于解开了大脑全部的秘密，那是另一句话，眼下还没人有资格讲。
🧱打个比方：好比你一直以为一座城市是由一块块实心砖砌起来的，拆到砖为止。可有一天你拿起一块砖凑近看，发现砖里头竟是一整座微缩的城，有街道、有电网、有它自己的调度。你手里那把"拆到底"的尺子，忽然不知道该量到哪一层才算完。神经元这块砖，大概就是这样一块砖。
5这对你意味着什么
你不是一堆开关，你是一整座还没数清楼层的大楼
把这件事收成一句能带走的话：别急着相信任何号称"已经拆到最简单一层"的说法，包括对你自己的大脑。
对理解 AI，这是一记提醒。今天的人工神经元，仍是 1943 年那个加总开关的直系后代；生物神经元却刚被证明比它复杂得多。拿"神经元"三个字给人工单元命名的那一刻，我们借走的，是一个自己都还没数清家底的东西。对理解你自己，它更亲切：你脑子里那八百多亿个单元，没有一个是傻开关，每一个都是一台深不见底的小计算机，它们此刻正合力读着这行字。
那么问题就落在这儿：如果连最小的那一块都还没数清楼层，我们凭什么笃定，自己已经站在了理解大脑的地板上，而不是又一层天花板下？
取材：米切尔·沃尔德罗普《复杂》(M. Mitchell Waldrop, Complexity)——涌现、"整体大于部分之和"、简单单元与复杂单元的分野、还原论的边界。科学事实据公开报道：一项 2026 年 7 月 7 日发表于《美国国家科学院院刊》(PNAS) 的研究（希伯来大学 Idan Segev、Mickey London 及 Ido Aizenbud、Daniela Yoeli 等，DOI 10.1073/pnas.2533168123）用"孪生模仿"方法发现，单个人类皮层神经元的计算能力堪比一整张深层人工神经网络；其算力主要来自丰富分岔的树突树与独特电学特性，在 58 项形态特征中总树突面积为最强单一预测指标（来源：SciTechDaily、Neuroscience News、medicalxpress 2026-07；PNAS 2026）。诚实边界：以上为特定方法与模型下的度量与解读，"模型能模仿其行为"不等于"已完全理解其机制"，具体数据与结论以原研究为准，非最终定论；本文为科普解读，非专业建议。
科普
你脑子里没有一个傻开关：单个神经元其实是一台计算机
2026 年 7 月 24 日 · 米切尔·沃尔德罗普《复杂》约 7 分钟
你脑袋里有八百多亿个神经元。过去大半个世纪，教科书给单个神经元画的像简单到近乎侮辱：一堆输入进来，加个总，过了某条线就"啪"地放一枪，过不了就闷着，一个开关而已。整座大脑的聪明，据说全靠这些傻开关的海量连线堆出来。可 2026 年 7 月刚发表的一项研究把这张像撕了：单单一个人类皮层神经元，本身就是一台需要一整张多层人工网络才描摹得动的计算机。傻开关，从一开始就不傻。
30 秒读懂
- 2026 年 7 月 7 日发表于《美国国家科学院院刊》(PNAS) 的一项研究（希伯来大学 Idan Segev、Mickey London 团队）发现：单个人类皮层神经元的计算能力，堪比一整张深层人工神经网络。
- 方法叫"孪生模仿"：训练一张人工网络去完美复现一个真实神经元的输入—输出行为，人工网络需要越多层，那个神经元就越复杂。
- 能耐藏在树突——那些从细胞伸出的枝丫。在测量的 58 项形态特征里，最强的单一预测指标是总树突面积：枝越密、越会分岔，这颗细胞越能干。
- 树突不是简单地把信号加起来，而是能分析信号的组合——像小猫和小狗的图像也分得开。人的聪明，也许一部分不在神经元的数量，而在每一颗的算力。
1旧图景
我们把大脑最小的零件，想成了一个不会思考的开关
早在 1943 年，两位学者把神经元简化成一个只会加总、然后决定放不放电的逻辑单元。这个简化太好用了，好用到成了整个领域的默认底图。
后来的人工神经网络，连名字带结构都照着这张底图搭。所谓"神经元"，就是加权求和加一道阈值，别无其他。真正的智能，据说是无数这样的傻零件连成天文数字的网络后，自己"涌现"出来的。米切尔·沃尔德罗普在《复杂》里把这类现象讲得漂亮：一群简单的东西按简单规则互动，整体却长出没人预设过的复杂，整体大于部分之和。蚁群没有总指挥，却修得出通风的巢；鸟群没有队长，却能整片转向。大脑被顺理成章归进同一册案卷：单元蠢，连线聪明。
⚡为什么值得看：这套"简单单元堆出复杂整体"的图景，不只是脑科学的家底，也是今天整个 AI 行业的地基。如果连它的最底层假设，"神经元是个傻开关"，都站不住，那从大脑到人工网络的一长串类比，都得回炉重新掂量一遍。
2新证据
拿一整张深层网络去模仿，才勉强追得上一颗神经元
要问"一个神经元有多复杂"，得先想个办法把复杂度变成能读的数。研究者的招数很聪明：造一个它的数字孪生。
他们让一张人工神经网络去学一件事：把某个真实人类皮层神经元的输入喂进去，要求它吐出跟真细胞一模一样的输出，学到几乎分不出真假。妙处在那把尺子：这张网络得叠多少层，才够得上那颗生物细胞？层数，就是神经元复杂度的直接读数。结果，一颗人类皮层神经元要用相当深的一整张网络才描摹得动。你我脑子里那个曾被当成"开关"的东西，一个顶得上一小片深度学习模型。
核心"孪生模仿"把一个说不清的问题，神经元有多复杂，换成一个可度量的问题：模仿它需要多深的人工网络。单个人类皮层神经元的答案，是一整张深层网络。开关论到此为止。
3算力何来
秘密全在那些没人当回事的枝丫里
这份算力从哪儿冒出来的？答案不在细胞正中那个核，而在从它身上伸出去的、密密麻麻的枝：树突。
老图景里，树突只是被动的电线，负责把信号送到细胞体门口排队加总。新研究说，这些枝丫自己就在算。它们不老实地把信号一笔笔相加，而是分析信号的组合：哪几路一起来、什么次序、落在哪根枝上，结果全然不同。研究者在 58 项形态特征里挨个筛，最能预告一颗神经元多能干的单一指标是总树突面积，再加一项是最长的那根分岔枝。枝越铺得开、越会分岔，这颗细胞肚里的算盘就越大。于是它近似的不是一个加法器，而是一张自带好几层的小网络。复杂，藏在枝头。
示意量级，非精确层数：老图景把神经元当 1 层加总器，新研究显示模仿单个人类皮层神经元需一整张深层网络。具体以原研究为准。
示意图：同一个人类皮层神经元的两种画法——旧图景是"输入相加、过阈值、放电"的单层开关；新图景中，树突自身分层运算，整颗细胞近似一张多层网络，需一整张深层人工网络才模仿得动。框架：米切尔·沃尔德罗普《复杂》。据 2026-07-07《美国国家科学院院刊》(PNAS) 希伯来大学 Segev 团队研究；层数为示意、非精确值，具体以原研究为准。
4还原论的边界
如果最小的零件都是台计算机，"复杂一路向下"该怎么办
这件事真正扎人的地方，不在神经元，在还原论，在那个我们习惯用来拆解世界的老办法：把大的拆成小的，把小的当简单的，再从简单的往上搭。
《复杂》整本书较的就是这个劲。书里那些人反复撞见同一堵墙：把整体拆到零件，零件的行为加起来，却拼不回整体那份活生生的复杂：因为复杂诞生在互动里，一拆就没了。可这回的意外来自反方向：我们本以为已经拆到底、拆到"简单单元"了，谁知这个最小单元掀开一看，自己又是一台要多层网络才说得清的计算机。复杂没有见底。你以为踩到的地板，其实是下一层的天花板。
这里得老实划条边界。这项研究是拿"一张人工网络要多深才模仿得像"来度量复杂度的：它算出来的是模型的复杂度，不等于我们已看懂这颗细胞在"想"什么。模型追得上它的行为，和真读懂了它内部怎么运转，中间还隔着一段路。我入行头一年，第一篇稿子被《天文爱好者》退了回来，编辑就写了一句：你把"可能有"全写成了"有"。那一巴掌我记到现在。所以照规矩来：说单个神经元强得惊人，有实打实的度量撑着；说这就等于解开了大脑全部的秘密，那是另一句话，眼下还没人有资格讲。
🧱打个比方：好比你一直以为一座城市是由一块块实心砖砌起来的，拆到砖为止。可有一天你拿起一块砖凑近看，发现砖里头竟是一整座微缩的城，有街道、有电网、有它自己的调度。你手里那把"拆到底"的尺子，忽然不知道该量到哪一层才算完。神经元这块砖，大概就是这样一块砖。
5这对你意味着什么
你不是一堆开关，你是一整座还没数清楼层的大楼
把这件事收成一句能带走的话：别急着相信任何号称"已经拆到最简单一层"的说法，包括对你自己的大脑。
对理解 AI，这是一记提醒。今天的人工神经元，仍是 1943 年那个加总开关的直系后代；生物神经元却刚被证明比它复杂得多。拿"神经元"三个字给人工单元命名的那一刻，我们借走的，是一个自己都还没数清家底的东西。对理解你自己，它更亲切：你脑子里那八百多亿个单元，没有一个是傻开关，每一个都是一台深不见底的小计算机，它们此刻正合力读着这行字。
那么问题就落在这儿：如果连最小的那一块都还没数清楼层，我们凭什么笃定，自己已经站在了理解大脑的地板上，而不是又一层天花板下？
取材：米切尔·沃尔德罗普《复杂》(M. Mitchell Waldrop, Complexity)——涌现、"整体大于部分之和"、简单单元与复杂单元的分野、还原论的边界。科学事实据公开报道：一项 2026 年 7 月 7 日发表于《美国国家科学院院刊》(PNAS) 的研究（希伯来大学 Idan Segev、Mickey London 及 Ido Aizenbud、Daniela Yoeli 等，DOI 10.1073/pnas.2533168123）用"孪生模仿"方法发现，单个人类皮层神经元的计算能力堪比一整张深层人工神经网络；其算力主要来自丰富分岔的树突树与独特电学特性，在 58 项形态特征中总树突面积为最强单一预测指标（来源：SciTechDaily、Neuroscience News、medicalxpress 2026-07；PNAS 2026）。诚实边界：以上为特定方法与模型下的度量与解读，"模型能模仿其行为"不等于"已完全理解其机制"，具体数据与结论以原研究为准，非最终定论；本文为科普解读，非专业建议。
科普
你脑子里没有一个傻开关：单个神经元其实是一台计算机
2026 年 7 月 24 日 · 米切尔·沃尔德罗普《复杂》約 7 分
你脑袋里有八百多亿个神经元。过去大半个世纪，教科书给单个神经元画的像简单到近乎侮辱：一堆输入进来，加个总，过了某条线就"啪"地放一枪，过不了就闷着，一个开关而已。整座大脑的聪明，据说全靠这些傻开关的海量连线堆出来。可 2026 年 7 月刚发表的一项研究把这张像撕了：单单一个人类皮层神经元，本身就是一台需要一整张多层人工网络才描摹得动的计算机。傻开关，从一开始就不傻。
30 秒读懂
- 2026 年 7 月 7 日发表于《美国国家科学院院刊》(PNAS) 的一项研究（希伯来大学 Idan Segev、Mickey London 团队）发现：单个人类皮层神经元的计算能力，堪比一整张深层人工神经网络。
- 方法叫"孪生模仿"：训练一张人工网络去完美复现一个真实神经元的输入—输出行为，人工网络需要越多层，那个神经元就越复杂。
- 能耐藏在树突——那些从细胞伸出的枝丫。在测量的 58 项形态特征里，最强的单一预测指标是总树突面积：枝越密、越会分岔，这颗细胞越能干。
- 树突不是简单地把信号加起来，而是能分析信号的组合——像小猫和小狗的图像也分得开。人的聪明，也许一部分不在神经元的数量，而在每一颗的算力。
1旧图景
我们把大脑最小的零件，想成了一个不会思考的开关
早在 1943 年，两位学者把神经元简化成一个只会加总、然后决定放不放电的逻辑单元。这个简化太好用了，好用到成了整个领域的默认底图。
后来的人工神经网络，连名字带结构都照着这张底图搭。所谓"神经元"，就是加权求和加一道阈值，别无其他。真正的智能，据说是无数这样的傻零件连成天文数字的网络后，自己"涌现"出来的。米切尔·沃尔德罗普在《复杂》里把这类现象讲得漂亮：一群简单的东西按简单规则互动，整体却长出没人预设过的复杂，整体大于部分之和。蚁群没有总指挥，却修得出通风的巢；鸟群没有队长，却能整片转向。大脑被顺理成章归进同一册案卷：单元蠢，连线聪明。
⚡为什么值得看：这套"简单单元堆出复杂整体"的图景，不只是脑科学的家底，也是今天整个 AI 行业的地基。如果连它的最底层假设，"神经元是个傻开关"，都站不住，那从大脑到人工网络的一长串类比，都得回炉重新掂量一遍。
2新证据
拿一整张深层网络去模仿，才勉强追得上一颗神经元
要问"一个神经元有多复杂"，得先想个办法把复杂度变成能读的数。研究者的招数很聪明：造一个它的数字孪生。
他们让一张人工神经网络去学一件事：把某个真实人类皮层神经元的输入喂进去，要求它吐出跟真细胞一模一样的输出，学到几乎分不出真假。妙处在那把尺子：这张网络得叠多少层，才够得上那颗生物细胞？层数，就是神经元复杂度的直接读数。结果，一颗人类皮层神经元要用相当深的一整张网络才描摹得动。你我脑子里那个曾被当成"开关"的东西，一个顶得上一小片深度学习模型。
核心"孪生模仿"把一个说不清的问题，神经元有多复杂，换成一个可度量的问题：模仿它需要多深的人工网络。单个人类皮层神经元的答案，是一整张深层网络。开关论到此为止。
3算力何来
秘密全在那些没人当回事的枝丫里
这份算力从哪儿冒出来的？答案不在细胞正中那个核，而在从它身上伸出去的、密密麻麻的枝：树突。
老图景里，树突只是被动的电线，负责把信号送到细胞体门口排队加总。新研究说，这些枝丫自己就在算。它们不老实地把信号一笔笔相加，而是分析信号的组合：哪几路一起来、什么次序、落在哪根枝上，结果全然不同。研究者在 58 项形态特征里挨个筛，最能预告一颗神经元多能干的单一指标是总树突面积，再加一项是最长的那根分岔枝。枝越铺得开、越会分岔，这颗细胞肚里的算盘就越大。于是它近似的不是一个加法器，而是一张自带好几层的小网络。复杂，藏在枝头。
示意量级，非精确层数：老图景把神经元当 1 层加总器，新研究显示模仿单个人类皮层神经元需一整张深层网络。具体以原研究为准。
示意图：同一个人类皮层神经元的两种画法——旧图景是"输入相加、过阈值、放电"的单层开关；新图景中，树突自身分层运算，整颗细胞近似一张多层网络，需一整张深层人工网络才模仿得动。框架：米切尔·沃尔德罗普《复杂》。据 2026-07-07《美国国家科学院院刊》(PNAS) 希伯来大学 Segev 团队研究；层数为示意、非精确值，具体以原研究为准。
4还原论的边界
如果最小的零件都是台计算机，"复杂一路向下"该怎么办
这件事真正扎人的地方，不在神经元，在还原论，在那个我们习惯用来拆解世界的老办法：把大的拆成小的，把小的当简单的，再从简单的往上搭。
《复杂》整本书较的就是这个劲。书里那些人反复撞见同一堵墙：把整体拆到零件，零件的行为加起来，却拼不回整体那份活生生的复杂：因为复杂诞生在互动里，一拆就没了。可这回的意外来自反方向：我们本以为已经拆到底、拆到"简单单元"了，谁知这个最小单元掀开一看，自己又是一台要多层网络才说得清的计算机。复杂没有见底。你以为踩到的地板，其实是下一层的天花板。
这里得老实划条边界。这项研究是拿"一张人工网络要多深才模仿得像"来度量复杂度的：它算出来的是模型的复杂度，不等于我们已看懂这颗细胞在"想"什么。模型追得上它的行为，和真读懂了它内部怎么运转，中间还隔着一段路。我入行头一年，第一篇稿子被《天文爱好者》退了回来，编辑就写了一句：你把"可能有"全写成了"有"。那一巴掌我记到现在。所以照规矩来：说单个神经元强得惊人，有实打实的度量撑着；说这就等于解开了大脑全部的秘密，那是另一句话，眼下还没人有资格讲。
🧱打个比方：好比你一直以为一座城市是由一块块实心砖砌起来的，拆到砖为止。可有一天你拿起一块砖凑近看，发现砖里头竟是一整座微缩的城，有街道、有电网、有它自己的调度。你手里那把"拆到底"的尺子，忽然不知道该量到哪一层才算完。神经元这块砖，大概就是这样一块砖。
5这对你意味着什么
你不是一堆开关，你是一整座还没数清楼层的大楼
把这件事收成一句能带走的话：别急着相信任何号称"已经拆到最简单一层"的说法，包括对你自己的大脑。
对理解 AI，这是一记提醒。今天的人工神经元，仍是 1943 年那个加总开关的直系后代；生物神经元却刚被证明比它复杂得多。拿"神经元"三个字给人工单元命名的那一刻，我们借走的，是一个自己都还没数清家底的东西。对理解你自己，它更亲切：你脑子里那八百多亿个单元，没有一个是傻开关，每一个都是一台深不见底的小计算机，它们此刻正合力读着这行字。
那么问题就落在这儿：如果连最小的那一块都还没数清楼层，我们凭什么笃定，自己已经站在了理解大脑的地板上，而不是又一层天花板下？
取材：米切尔·沃尔德罗普《复杂》(M. Mitchell Waldrop, Complexity)——涌现、"整体大于部分之和"、简单单元与复杂单元的分野、还原论的边界。科学事实据公开报道：一项 2026 年 7 月 7 日发表于《美国国家科学院院刊》(PNAS) 的研究（希伯来大学 Idan Segev、Mickey London 及 Ido Aizenbud、Daniela Yoeli 等，DOI 10.1073/pnas.2533168123）用"孪生模仿"方法发现，单个人类皮层神经元的计算能力堪比一整张深层人工神经网络；其算力主要来自丰富分岔的树突树与独特电学特性，在 58 项形态特征中总树突面积为最强单一预测指标（来源：SciTechDaily、Neuroscience News、medicalxpress 2026-07；PNAS 2026）。诚实边界：以上为特定方法与模型下的度量与解读，"模型能模仿其行为"不等于"已完全理解其机制"，具体数据与结论以原研究为准，非最终定论；本文为科普解读，非专业建议。