Когнитивные способности зависят не только от числа нейронов, но и от устройства клеток и связей между ними. Исследование группы из Еврейского университета в Иерусалиме, опубликованное онлайн в PNAS 7 июля 2026 года, сравнило функциональную сложность компьютерных моделей пирамидальных нейронов коры человека и крысы.
Как измеряли «вычислительную сложность» клетки
Исследователи под руководством Идана Сегева и Майкла Лондона предложили индекс функциональной сложности FCI. Глубокую нейронную сеть обучали воспроизводить зависимость между входными импульсами биофизической модели нейрона и её выходным напряжением. Точность такого «двойника» при фиксированной архитектуре использовали для сравнения моделей клеток; дополнительный анализ с сетями разной глубины проверял устойчивость результата.
Для этого авторы использовали детальные компьютерные модели пирамидальных нейронов — главного типа возбуждающих клеток коры головного мозга. Модели учитывали морфологию (форму и разветвлённость дендритов), а также нелинейные электрические свойства дендритных отсеков — в частности, связанные с NMDA-рецепторами.
Роль дендритов и NMDA-нелинейностей
Дендриты — это разветвлённые «входные» отростки нейрона, через которые он принимает сигналы от тысяч других клеток. Долгое время их считали пассивными проводниками, которые просто суммируют входящие сигналы. Оказалось, что это не так: дендриты способны к локальным нелинейным вычислениям — они могут усиливать или подавлять сигналы в зависимости от их пространственно-временного паттерна.
Особую роль играют NMDA-рецепторы на дендритах. Они активируются только при одновременном выполнении двух условий: связывания глутамата и достаточной деполяризации мембраны. Это делает их своеобразными «детекторами совпадений». В дендритном дереве пирамидального нейрона таких детекторов много, и они могут работать независимо друг от друга.
Чем человеческий нейрон отличается от нейрона крысы
Исследование показало, что пирамидальные нейроны человеческой коры требуют для своего воспроизведения значительно более глубоких нейронных сетей, чем нейроны крысы. Это означает, что один человеческий нейрон выполняет более сложную нелинейную обработку информации — во многом благодаря более разветвлённым дендритным деревьям и особенностям их электрических свойств.
Как выразился профессор Сегев: «Люди часто думают о нейроне как о простом переключателе, который либо включается, либо выключается. Мы показываем, что один человеческий нейрон сам по себе — чрезвычайно сложное вычислительное устройство».
Метафора «компьютера» и её пределы
Формулировка «нейрон как компьютер» удобна, но требует оговорки. Говорить о нейроне как о «компьютере» — значит использовать метафору, а не точное описание. Настоящий компьютер работает по детерминированным правилам, имеет конкретные логические единицы и четкую архитектуру. Нейрон — биологический объект, работающий в шумной, динамичной среде через вероятностные электрохимические процессы.
Важнее другое ограничение: более высокая вычислительная сложность одного нейрона не означает прямой связи с более высоким интеллектом или сознанием. Это один уровень организации мозга из многих. Между вычислительными свойствами клетки и когнитивными способностями целого человека — пропасть из множества уровней: микросхемы, колонки, области, сети, взаимодействие сетей.
Читайте также: Как нейроны участвуют в контроле насыщения
Потенциальные приложения в искусственном интеллекте
Исследователи указывают на возможные импликации для машинного обучения. Большинство современных нейронных сетей устроены из очень простых искусственных единиц. Понимание того, как биологический нейрон выполняет сложные вычисления с помощью морфологии и нелинейных механизмов, может подсказать архитектурные решения для ИИ — например, создание более богатых по вычислительным возможностям искусственных единиц, ближе соответствующих реальным нейронам. Это направление пока теоретическое, но принципиально отличается от господствующего подхода «больше слоёв — больше нейронов».