课本上那个「把输入加起来、过线就发」的神经元，是 1943 年两个人在纸上假设出来的，从来没人量到过。
你大概见过那张图：一个圆圈，左边伸出几根线收信号，把它们乘上权重加起来，超过某条线就往外发一下。这张图太顺手了，几乎所有讲大脑和讲人工智能的入门材料都在用它。但它是个假设，不是一次测量。真实的树突——神经元用来收信号的那一大丛枝杈——不是老实的电线：它会漏电、会挑位置、自己还会放电。这一期讲一件挺颠覆的事：相当一部分「计算」发生在一个细胞的内部，在它决定要不要发脉冲之前就已经算完了。
先摆清零件。一个神经元收信号的地方叫树突，是一大丛分叉的枝杈；上游细胞把信号交到这些枝杈上某个点（那个交接口叫突触，突触传递）；信号往中间的胞体汇，胞体那儿决定要不要发出一个脉冲（神经元与动作电位）。
课本图默认这些枝杈是理想导线：信号原封不动地被运到胞体。实际上它到处漏。细胞膜不是绝缘的，电流走一段就顺着漏出去一些，越走越小。1960 年代 Wilfrid Rall 把这件事算成了方程——他把树突当成一段段会漏电的水管来解，这套算法叫电缆理论。结论很直接：长在远端枝梢上的一个突触，它那份推力传到胞体时，可能只剩零头。
这一条已经足够有意思：位置本身就是一种权重。同一个上游细胞，把接口挪到离胞体近一点的地方，它说话的分量就变大了——而这件事真的会发生，突触在树突上是会长、会挪、会被清掉的。但如果故事只到这儿，神经元还是在做加权求和，只是权重里多了个「距离」项。真正的转折在下一节。
EN Dendrites are not ideal wires. The membrane leaks, so a synaptic input decays as it travels — Wilfrid Rall's cable theory (1960s) made this quantitative. A distal synapse delivers only a fraction of its push to the soma, which means a synapse's location is itself a weight. But leakage alone would still leave the neuron a weighted sum.
树突膜上带着一批可以自己开的闸门，其中最关键的是一种叫 NMDA 受体的东西。它有个古怪脾气：平时被一个镁离子塞住，只有当它周围那一小段膜的电压已经被别的输入抬高了，塞子才被顶开。换句话说，它不是「有信号就开」，而是「有信号、且旁边刚好也热闹」才开。这种要求两件事同时发生的零件，叫巧合检测器。
后果很戏剧：几个输入若挤在同一根树枝上、在几毫秒内一起到，它们先把这一小段膜抬起来，抬过某个点，NMDA 闸门集体开、电流猛涌进来，这根枝杈会自己爆出一次局部的放电（叫树突脉冲），把总和放大到远远超过「各自相加」。而同样多的输入若分散在不同树枝上，谁也抬不起谁，每根枝各自老老实实地加一点点，合起来近似一条直线。
所以一个神经元不是一个加法器，而是一堆半独立的小加法器（一根树枝一个），每个先自己做一次非线性判断，胞体再把这些判断结果加起来。2003 年 Poirazi 和 Mel 把这件事说得很干脆：从输入输出的角度看，一个皮层锥体神经元的行为，更像一个两层的人工网络，而不是一个单元。
「一层」和「两层」在人工网络里不是数量差别，是能力差别。所谓一层，就是把输入乘权重加起来、再过一个简单的非线性函数——这种结构在几何上只能用一刀直线把东西切成两半，弯的边界画不出来。加一层，中间先做几次局部的非线性，再汇总，才能画出弯的、甚至是不连通的边界。所以 Poirazi 和 Mel 那句话的真正分量是：你以为的一个单元，本身已经跨过了那道门槛。拿神经元的个数去对人工网络的单元个数，从这里开始就对不上了。
EN NMDA receptors are blocked by a magnesium ion and only open when the local membrane is already depolarised — a coincidence detector. Inputs clustered on one dendritic branch within a few milliseconds ignite a local dendritic spike and sum supralinearly; the same inputs scattered across branches sum roughly linearly. Poirazi & Mel (2003): a pyramidal cell behaves like a two-layer network, not one unit.
先说异或是什么。想象一盏灯配两个开关，规矩是：只按一个，灯亮；两个都按，灯反而灭；一个都不按，也灭。生活里真有这种东西——楼梯两头那种能各自控制同一盏灯的开关，就是这个逻辑。它的麻烦在于「越多输入越强」这个直觉在这里失效了：加到一半是最亮的，再加反而暗。
这件事在人工智能史上留下过一道疤。1969 年 Minsky 和 Papert 写了本书，证明当时那种只有一层的网络（感知机）算不出异或。这个结论直接把一整个研究方向按下去了好些年，要等到多层网络和训练它们的办法成熟才翻篇。「单个单元算不了异或」，从此成了教科书里的定论。
2020 年 Gidon 那组在《Science》上捅了这个定论一刀。他们记录人类大脑皮层浅层（第 2/3 层）锥体神经元的树突——组织来自癫痫和肿瘤手术切下来的那部分脑——发现里面有一种此前没见过的树突放电，靠钙离子驱动。它最反直觉的地方是反应不是越强越大：刺激加到一定程度，它的反应反而缩小。而这正是异或需要的形状。研究者随后表明，光靠这一段树突的这个特性，就足以实现异或。
边界得说清楚：这是在离体的脑片上、用电极直接给刺激测出来的，清醒的人脑在做事时是不是真的这么用它，目前并不知道。它证明的是能力上限，不是日常用法。
另一个更有行为证据的例子来自 Matthew Larkum 那条线。皮层里那些大个的锥体细胞有两个分开的收信口：底下一丛收「外界刚送进来的」前馈信号，顶上还有一根长长的枝伸到皮层最表层，收「从更高层回流下来的」反馈信号——也就是上下文、期待、注意落脚的地方。关键是这两口不是简单相加：只有一边来，细胞淡淡地发一下；两边在几十毫秒内同时来，细胞才炸出一串密集的脉冲。一个细胞天生就在做「当下的证据 × 已有的期待」这个乘法，而这正是感知即推断那一期讲的事，在单个细胞上的实现。
EN XOR — on with either switch alone, off with both — was Minsky & Papert's (1969) proof that a single-layer perceptron has limits. Gidon et al. (Science, 2020) recorded calcium-mediated dendritic action potentials in human layer 2/3 pyramidal neurons whose response is non-monotonic (stronger input, smaller response), enough for one dendrite to compute XOR — though this was measured in slices, so whether the intact brain uses it that way is unknown. Larkum's BAC firing shows the same cell multiplying feedforward evidence by top-down context.
2021 年 Beniaguev、Segev 和 London 做了个很干净的实验设计。他们拿一个尽量逼真的皮层第 5 层锥体细胞模型（这类模型把膜上的各种闸门都按实测参数写进方程），喂大量随机输入、录下它什么时候发脉冲，然后问：要多深的人工网络，才能学会模仿这个细胞的输入到输出？
答案是大约五到八层。更漂亮的是对照组：把模型里的 NMDA 受体去掉、别的都不动，需要的深度立刻塌回一层上下。那几层深度几乎全是 NMDA 那个「要旁边也热闹才开」的脾气撑起来的。
这个数字有它的边界：五到八层是拟合那一类细胞、在那种输入统计下的结果，换个细胞类型、换个输入分布，数字会变。它也不代表大脑就比人工网络强——它说的是更朴素的一件事：「单元」这个词在两边指的根本不是同一种东西，所以「八百多亿神经元 vs 多少亿参数」这种对比，从单位上就不成立。
人工神经元的家谱很清楚：1943 年 McCulloch 和 Pitts 为了证明神经活动可以用逻辑来描述，故意把神经元简化成「加权求和 + 过阈值」；后来的感知机、直到今天的深度网络，用的都还是这个骨架。它从一开始就是个数学假设，不是对生物的测量——只是用得太久，很多人把它当成了事实。
反过来看也有意思：人工网络实现「深度」的办法是把层叠起来，每一层都得把所有单元算一遍；大脑则把一部分深度塞进了单元内部——同一个细胞的不同树枝各算各的，谁都不知道别人在算什么，最后只汇一个数出来。前者好训练、好并行，后者省线、省能量。这不是谁抄谁的问题，是两种硬件下各自划算的解法。
EN Beniaguev, Segev & London (2021) fitted a detailed layer-5 pyramidal cell model with artificial networks: matching its input–output map took roughly 5–8 layers, and removing NMDA receptors collapsed that back to about one. The depth lives in dendritic nonlinearity. So counting biological neurons against artificial units compares different things — deep nets stack depth across layers, brains fold some of it inside the unit.
「最小单元」这件事，一旦你凑近看，就总是散开成又一张网——这个经验不止神经科学有：