最难拆的神话不是「人只用了 10% 的脑」——是「一张脑图本身就算证据」。
你大概听过这几种说法：理科生是左脑人、艺术家是右脑人；人一辈子只用了 10% 的大脑；有人天生是「视觉型学习者」，得配上对应的教法。它们流传得广、听着顺、还都带着一点「科学」的口音。但这一期真正要拆的不是这三条，是它们背后那台机器——为什么一个本来站不住的说法，只要沾上「大脑」两个字，就突然可信了。拆到最后你会发现，剩下的问题已经不是「哪条是假的」，而是知道了神经元那一层，到底算不算懂了这件事——这个麻烦，神经科学自己也还没解决。
先把最出名的三条过一遍。重点不在「它错了」，在它是从哪一步开始错的——每条都是从一个真发现，往前多迈了一格。
左右脑。真的那部分：两个半球确实有分工偏好。绝大多数人（右利手里约九成五）的语言加工偏在左边；面孔、说话的语调、空间上的整体感偏在右边。这个偏侧现象叫侧化，是实打实的。假的是下一步：把「某个功能稍微偏一边」，读成「人分成左脑型和右脑型」。这一跳的原料来自一批很特殊的病人——为治顽固癫痫，把两个半球之间那座桥切断了的裂脑人。在他们身上，两边确实会各干各的。可你没被切。你脑子里那座桥有约两亿条纤维，每一毫秒都在两边对账。后来有人拿一千多人的脑成像专门去找「左脑型／右脑型」的个体，一个也没找到：每个人都是两边一起用。（那座桥怎么工作、切断了会发生什么，胼胝体与半球）
只用了 10%。这条一秒就能证伪，而且用的不是脑科学、是算术：脑只占体重的 2%，却吃掉全身约 20% 的能量。演化连一克多余的脂肪都要计较，绝不可能白养一个九成时间闲置的器官。临床上更是天天打脸——中风或外伤只伤到很小一块，也几乎必定带走点什么：认字、认人、或者控制某一根手指。脑子里没有空房间。
学习风格。这条最狡猾，因为它有一半是真的：人确实有偏好，你可能就是更爱看图、他更爱听讲。假的是后面悄悄接上的第二句——「所以按各人的偏好去教，他就学得更好」。这句叫匹配假设，几十年里被反复检验，结果始终是：偏好和「哪种教法对他更有效」基本对不上。真正决定效果的是内容本身该怎么讲——教几何就得上图，教发音就得出声，跟坐在下面的是谁关系不大。
EN Each classic neuromyth starts from a real finding and takes one step too far. Hemispheric lateralisation is real (language leans left in ~95% of right-handers), but "left-brained people" extrapolates from split-brain patients to intact brains wired by ~200 million callosal fibres. The 10% claim dies on arithmetic: 2% of body mass, ~20% of the energy budget. And learning styles smuggle in a second clause — the "meshing hypothesis" that matching instruction to preference improves learning, which decades of tests have failed to support.
人工神经网络里栽过几乎一样的跟头。那里面有一堆也叫「神经元」的数字单元，早年大家很自然地假设「一个单元管一个概念」——找到「猫单元」就等于找到了猫。后来发现根本不是：同一个单元会同时参与一堆互不相干的特征（这现象叫叠加），而一个概念摊在成千上万个单元上。「一个格子管一件事」是人最舒服的想象，可惜生物脑和人工网都不这么长。
神话能活下来，靠的不是证据，是它看起来像证据。这里有几件很具体的事。
第一，「神经科学口音」本身就加分。有实验给非专业读者两版对同一个心理现象的解释：一版是普通的心理学说法，另一版一模一样，只多塞一句无关痛痒的「因为这时候额叶回路被激活了」。多的那句一点信息都没加，但读者觉得后一版更有说服力。一个坏解释，套上神经词汇就显得没那么坏了。（后来还有一路研究专门看「配张脑图会不会更唬人」，结论比当初报告的弱得多、几次重复没做出来——一期讲神经神话的东西，自己引的效应也得老实标上复制状况。）
第二件更硬：扫描仪天生就会出假阳性。一次功能磁共振把脑切成几万个小方块（叫体素），每个方块都单独做一次统计检验。按惯例的门槛，纯靠运气就会有约二十分之一的格子被判为「显著」。几万格乘上二十分之一——只要不做校正，你必然能捞出一片漂亮的彩色斑块。
这件事在 2009 年被人用最损也最有效的方式演示了一遍：把一条死掉的大西洋鲑鱼放进扫描仪，给它看人像照片，问它照片里的人在体会什么情绪。不做多重比较校正，鱼脑里真的冒出了「显著激活」。作者的目的不是搞笑（虽然为此拿了搞笑诺贝尔奖），是逼整个领域把校正做成默认动作。
还有一个更隐蔽的坑，叫双重浸取：先在全脑里挑出相关最高的那批格子，再拿这批格子去算相关系数，然后报告「相关高达 0.9」。这等于先看了答案再出题，数字必然虚高。2009 年一篇点名批评的文章把这类结果叫「巫毒相关」，直接掀起了社会认知影像领域的一轮方法整顿。
EN Myths survive because they look like evidence. Adding an irrelevant neuroscience clause makes a bad psychological explanation more convincing to non-experts (the brain-image version of that effect has largely failed to replicate — worth flagging in an issue about myths). Meanwhile fMRI manufactures false positives by construction: tens of thousands of voxels, one test each. Uncorrected, a dead Atlantic salmon shows "significant" activation — the 2009 demonstration that made multiple-comparison correction standard. Circular analysis ("double dipping") inflates correlations the same way.
同一个坑在 AI 里叫刷榜：跑几十组随机种子和超参数，挑效果最好的那次写进论文。这跟「几万个体素挑最亮的那个」是同一道数学题——在基准测试上多出来的那零点几个点，很多就是那条死鱼。防法两边也一样：预先说清要看什么、留一份从没碰过的数据、把没跑成功的那些次也算进分母。
假设校正做得干干净净，那块地方确实亮了。还有一道更根本的坎，叫逆向推理。
正向那一步是好做的：让人害怕，杏仁核多半会亮——这是实验能直接测的。反过来那一步就不成立了：看到杏仁核亮，推不出这个人在害怕。因为能点亮它的远不止恐惧：没见过的新东西、说不准的情况、任何强烈的、值得多分一点注意力的事，包括高兴的事，都会让它亮。要从「亮」倒推回「在害怕」，你得先知道这块地方对别的事情有多容易亮——而很多脑区几乎对什么都亮，有人统计过，布洛卡区在相当大一部分影像研究里都会出现，不管任务是什么。
还有一层常被跳过：功能磁共振测的根本不是神经元放电，是含氧血流的变化——某处神经活跃，代谢需求上升，血流跟着补过来。这是个代理指标，慢好几秒，一个体素里塞着几十万个神经元；而且它不区分兴奋和抑制——把一片区域摁住同样要花能量，看上去也是「亮」。
最后是那句老话，不过在这里有很具体的分量：相关不等于因果。「做 X 的时候 Y 区亮」只说明两件事同时发生。要说 Y 区在做 X，你得去动它：用经颅磁刺激临时干扰一下、看临床上这块坏掉的人丢了什么、在动物身上用光把特定细胞开关掉。观察只能给出嫌疑人，定罪得靠干预。
EN Reverse inference is the deeper problem: "fear activates the amygdala" is measurable, but "the amygdala is active, therefore fear" is not — novelty, uncertainty and intense positive arousal light it up too, and some regions activate in a large fraction of all studies. On top of that, BOLD measures oxygenated blood flow, not spikes: a slow proxy, hundreds of thousands of neurons per voxel, and inhibition costs energy too, so suppression also looks "bright". Correlation needs intervention — TMS, lesions, optogenetics — before it becomes causation.
AI 的可解释性研究里有个几乎同构的做法叫探针：从模型的中间激活里训练一个小分类器，发现能解出「这句话的情绪是正面」，于是宣布「模型在这里表示情绪」。这跟「杏仁核亮＝恐惧」是同一个逻辑错误——能被读出来，不等于模型真的在用它。所以现在做这一行的人必须补上因果那一步：把那部分激活改掉、换掉、切掉，看输出变不变。神经科学花了二十年学会的教训，AI 圈正在原样重走一遍。
现在假设所有方法学问题都解决了。你拿到了完整的接线图、每个细胞的每一次放电。这就懂了吗？
有两个很扎心的实例。第一个：秀丽隐杆线虫，一条 1 毫米长的虫子，302 个神经元，完整接线图 1986 年就发表了——四十年过去，还是没人能从那张图推出它下一秒会往哪爬。因为同一套线路会被神经调质当场重接成不同的回路：连线是固定的，工作时的电路不是。
第二个更狠。2017 年两位研究者把神经科学的整套标准分析工具，用到一块 1980 年代的处理器芯片上——那块芯片正在跑《大金刚》和《太空侵略者》，而且它的每一个晶体管、每一根连线，人类都完全知道。他们做「损伤实验」：逐个敲掉晶体管，真的找到了几个「敲掉游戏就跑不起来」的——如果这是脑，你会当场宣布发现了「大金刚神经元」。他们又做调谐曲线、做连接分析、做降维，图都很漂亮。但没有一条结论碰到了「这块处理器究竟怎么工作」。工具没坏，缺的是别的东西。
缺的是层次。视觉科学家 David Marr 早就把它拆成三层：计算层（这套系统在解决什么问题、为什么这么解才合理）、算法层（用什么表示、走哪些步骤）、实现层（神经元、递质、离子通道怎么把上面那些落到实处）。三层各有各的解释，谁也替代不了谁。只盯着实现层往上爬，是爬不出上面两层的——这不是数据不够，是问错了问题。
而且还有反过来的一条：同一件事可以有很多种实现。计时可以靠齿轮、靠石英、靠原子跃迁；记忆可以靠突触强度，换个系统也可以靠别的。所以「某某心理状态＝某某神经活动」这种一一对应，本来就不该指望。
这不是说还原没用。恰恰相反——本站前面三十几期讲的全是还原带来的东西：多巴胺的预测误差、夜里开工的类淋巴清除、迷幻药认准的那一把受体锁。还原是唯一能给「为什么」提供机制的工具。它的限度只有一句话：机制不会自动变成解释。你还得说清楚，这台机器到底在解决什么问题。
EN Even total knowledge of the implementation isn't understanding. C. elegans' 302-neuron connectome has been complete since 1986 and still doesn't predict behaviour, because neuromodulators rewire the same wiring into different circuits. And when two researchers ran neuroscience's standard toolkit on a 1980s microprocessor running Donkey Kong — a system we understand completely — lesions, tuning curves and dimensionality reduction produced beautiful figures and zero understanding of how it works. What's missing is levels: Marr's computational, algorithmic and implementational analyses can't substitute for one another. Reduction supplies mechanism; mechanism doesn't automatically become explanation.
这里有个现成的、结论很不舒服的对照实验：大语言模型的每一个参数我们都握着，可以任意读、任意改、想跑多少遍跑多少遍——这是神经科学家做梦都拿不到的条件。可我们照样说不清它是怎么做两位数加法的；这几年一点点抠出来的那些机制，全是拿放大镜手工挖的。拿到全部实现细节和「懂」之间，隔着的不是数据量，是一套跨层的解释语言——两个领域缺的是同一样东西。
「拆到零件里找不到，不等于它不存在」——这句话不是神经科学的新发现，好几门学问早就在各自的领域里撞上过同一堵墙：