把一個神經元變成數學

膜本身就是一個電路

你已經認識真實的神經元：一層薄薄的油性膜，把裡面的鹽水和外面的鹽水隔開，膜上鑿穿了一些微小的閘門——離子通道。要把這幅畫面變成數學，只需注意到這套結構本身就是一個電路。膜把電荷分隔開，所以它像一個微型電池，也像一個微型電容器。每個通道都讓電荷漏過去，所以它像一個電阻。數學在這裡並不取代神經元——它只是給你早已看見的零件重新貼上標籤。

  outside  ───────────────────────
            │      │      │        
          [Na+]  [K+]  [leak]   gates = resistors
            │      │      │        
  ══════════╪══════╪══════╪═══════  membrane = capacitor
            │      │      │        
  inside   ───────────────────────
         charge piles up here → voltage V

霍奇金與赫胥黎：完整畫像

二十世紀五十年代，艾倫·霍奇金和安德魯·赫胥黎測量了巨型烏賊的軸突，寫下了第一個描述動作電位的方程。他們的核心規則不過是電荷的記帳：電壓變化的快慢，等於流進流出的總電流。這些電流就是上圖裡的那些閘門——一股鈉電流、一股鉀電流，外加一點漏電流——每一股都來自一個電壓門控通道，其開閉程度又取決於電壓本身。

  C · dV/dt  =  I_input  −  I_Na  −  I_K  −  I_leak
  └─ how fast    └─ what    └──── the gates from
     V changes      you         the picture, each
                     inject       opening with voltage

奧妙在於那個回饋環。把電壓稍微推高一點，鈉閘門就猛然打開，讓更多正電荷湧進來，這又把電壓推得更高，從而打開更多閘門——一場爆發。隨後較慢的鉀閘門打開，把電壓猛拉回去。這個自我點火、又自我熄滅的環路，就是那一次放電。霍奇金-赫胥黎模型之所以獲得諾貝爾獎，正因為它僅憑閘門行為，就預測出真實動作電位的精確形狀。

整合-發放：漏水的水桶

完整畫像很美，卻也很重——每個神經元要四個耦合方程，慢得無法模擬上百萬個。於是建模者提出一個直白的問題：如果我們只在乎神經元*何時*放電，還需要那整個放電波形嗎？整合-發放模型的回答是：不需要。把膜想像成一個漏水的水桶。輸入電流往裡灌水；漏孔放掉一些。水位就是電壓。

1. 整合：把進來的電流累加起來，讓電壓（水位）爬升。
2. 漏：總有一點電荷滲漏出去，所以沒有輸入時，水位會滑回靜息狀態。
3. 發放：水位一觸到閾值，就蓋下一個放電的印記，把水桶倒空，然後重新開始。

電纜理論：沿著導線

到目前為止，兩個模型都把神經元當成一個點。但真實訊號必須傳播——從樹突，越過胞體，再沿著長長的軸突而下。一陣電壓的輕推會擴散多遠才消退？這恰恰是一個世紀前工程師對海底電報電纜提出的問題，於是神經科學家借來了他們的答案：電纜理論。

其要義是一場沿著電纜進行的拔河。電荷想沿著內部縱向流動（纖維越粗越容易），但每走一步都有一些從側面、穿過膜漏出去（膜越漏就越快）。這場平衡給出一個數字，即長度常數——被動訊號衰減到約三分之一所跨越的距離。更粗、絕緣更好的纖維傳得更遠，這正是為什麼髓鞘的包裹能讓訊號在間隙之間乾淨地跳躍。

  inject here
      │
      v
  ════█═══════════════════════════ axon
      ██▓▓▒▒░░ ........              
      └─ voltage fades with distance →
         shrinks to ~1/3 over one
         "length constant" λ

從一個神經元到前沿

這三組方程是整個計算神經科學的發射台。把上百萬個整合-發放單元縫合起來，就得到一個可以建模的脈衝神經網路——或者乾脆用矽片直接造出來，這正是神經形態計算的目標。如果把放電完全剝掉，只保留「加權輸入越過閾值」，你就得到了支撐當今腦啟發人工智慧的人工神經元。同一套漏水水桶的邏輯，喬裝改扮之後，如今正驅動著你口袋裡的聊天機器人。