把一个神经元变成数学

膜本身就是一个电路

你已经认识真实的神经元：一层薄薄的油性膜，把里面的盐水和外面的盐水隔开，膜上凿穿了一些微小的闸门——离子通道。要把这幅画面变成数学，只需注意到这套结构本身就是一个电路。膜把电荷分隔开，所以它像一个微型电池，也像一个微型电容器。每个通道都让电荷漏过去，所以它像一个电阻。数学在这里并不取代神经元——它只是给你早已看见的零件重新贴上标签。

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

霍奇金与赫胥黎：完整画像

二十世纪五十年代，艾伦·霍奇金和安德鲁·赫胥黎测量了巨型乌贼的轴突，写下了第一个描述动作电位的方程。他们的核心规则不过是电荷的记账：电压变化的快慢，等于流进流出的总电流。这些电流就是上图里的那些闸门——一股钠电流、一股钾电流，外加一点漏电流——每一股都来自一个电压门控通道，其开闭程度又取决于电压本身。

  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

奥妙在于那个反馈环。把电压稍微推高一点，钠闸门就猛然打开，让更多正电荷涌进来，这又把电压推得更高，从而打开更多闸门——一场爆发。随后较慢的钾闸门打开，把电压猛拉回去。这个自我点火、又自我熄灭的环路，就是那一次放电。霍奇金-赫胥黎模型之所以获得诺贝尔奖，正因为它仅凭闸门行为，就预测出真实动作电位的精确形状。

整合-发放：漏水的水桶

完整画像很美，却也很重——每个神经元要四个耦合方程，慢得无法模拟上百万个。于是建模者提出一个直白的问题：如果我们只在乎神经元*何时*放电，还需要那整个放电波形吗？整合-发放模型的回答是：不需要。把膜想象成一个漏水的水桶。输入电流往里灌水；漏孔放掉一些。水位就是电压。

1. 整合：把进来的电流累加起来，让电压（水位）爬升。
2. 漏：总有一点电荷渗漏出去，所以没有输入时，水位会滑回静息状态。
3. 发放：水位一触到阈值，就盖下一个放电的印记，把水桶倒空，然后重新开始。

电缆理论：沿着导线

到目前为止，两个模型都把神经元当成一个点。但真实信号必须传播——从树突，越过胞体，再沿着长长的轴突而下。一阵电压的轻推会扩散多远才消退？这恰恰是一个世纪前工程师对海底电报电缆提出的问题，于是神经科学家借来了他们的答案：电缆理论。

其要义是一场沿着电缆进行的拔河。电荷想沿着内部纵向流动（纤维越粗越容易），但每走一步都有一些从侧面、穿过膜漏出去（膜越漏就越快）。这场平衡给出一个数字，即长度常数——被动信号衰减到约三分之一所跨越的距离。更粗、绝缘更好的纤维传得更远，这正是为什么髓鞘的包裹能让信号在间隙之间干净地跳跃。

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

从一个神经元到前沿

这三组方程是整个计算神经科学的发射台。把上百万个整合-发放单元缝合起来，就得到一个可以建模的脉冲神经网络——或者干脆用硅片直接造出来，这正是神经形态计算的目标。如果把放电完全剥掉，只保留“加权输入越过阈值”，你就得到了支撑当今脑启发人工智能的人工神经元。同一套漏水水桶的逻辑，乔装改扮之后，如今正驱动着你口袋里的聊天机器人。