究竟什么是“神经雪崩”？一项为了更好理解大脑运转的最新研究

神经雪崩就是指神经大范围同步发电，这种现象被认为与学习和记忆能力有关。然而，类似“你的大脑遭受神经雪崩 ” 这种临床诊断未来应该得到重视。

治疗神经雪崩的关键是，要从大量的神经递质中识别出特定的神经元。然而，不幸的是，这种神经雪崩出现在每个人的大脑中。事实上，只有大脑死亡后神经雪崩才会停止发生。

从根本来说，在大脑中发生的神经雪崩是一种不需要外界触发因素，而能诱发大量神经元级联活动的活动，并且基本上不为人所察觉。

那么它们为什么要发生呢？一直以来，人们认为它们存在应该多多少少对人体有些帮助，然而，近来的研究发现，雪崩的发生可能只是一种附带品。

神经元为什么产生级联？

从一个层面说，大脑神经雪崩的原因相当简单并且非常没有启发性。大脑并不是线性的——如果在正确的时间，正确的神经元被激活，它可以触发它所连结的神经元不成比例的反应。这些神经元接下来则触发更大的反应，最终形成一个快速传播，范围广的级联。

但是，这种解释，虽然听起来很正确，事实上并没有说明所有问题。例如，为什么这些现象会被允许发生。试设想，如果电脑发生这样雪崩式的级联活动，系统肯定会崩溃。因此，也许在级联活动中，部分大脑也会功能崩溃。

这听起来不是一件好事，所以你可能会期望雪崩提供了一些优势。也许它们能提高计算能力？也许它们是学习太快时产生的不良后果？

一般来说，有两种方法可以用来弄清楚这种现象。其一，有些人知道神经元看起来是什么样的，并且基本能正确辨认出大脑组织，因此他们可以通过检测大脑到底是如何工作来研究神经元级联；其二，对于物理学家，他们不会也不能通过上述方法来研究，因此他们使用数学模型来替代。这些模型在各种条件下被广泛测试。

为什么这些模型有用？

我们对这些相对简单的模型的信心可以追溯到固体物理学和相变的思想。相变是指冰融化成液态水，或者磁体在被加热时失去磁性。从物理的角度而言，不同的相变之间差别很大。

然而，描述这些相变过程是如何发生的数学模型与这些例子有着不可思议的相似之处：它们都有一个关键临界点。在临界点一边，内容表现为一种形式；在另一边，则表现为另一种形式。

事实证明，这个想法比相变适用范围更广：例如滴水龙头，动物种群，化学反应，市场行为等各种事物，似乎都可以被用于这种分析方法。当然，也包括大脑行为，比如癫痫就可以被这些模型很好地阐述。

现在让我们继续回到神经雪崩。举个例子，神经雪崩现象其实和顺磁相变过程中磁自旋的取向的行为非常相似。但是神经雪崩发生得相对频繁些，这意味着大脑是在其关键临界点附近行使功能的。研究人员认为，大脑在关键临界点附近运转可以明显提高计算效率，从这个角度来说，神经雪崩是一种适应性行为。

然而，进化论中有一个观点告诉我们，并不是所有存在的东西都会有好处。有的东西存在是由于基因漂移，另外有一些则是其他有用东西产生的附带品。事实证明，这个观点既可以描述神经雪崩的效用，也可以描述它们如何最终成为大脑的一个特征。

接下来，到了一个物理学家谈论进化论的时刻。让人震惊的是，很多性状不是通过自然选择产生的，而是不经意间产生的。有些突变是有利的，而有些突变是不利的，但是大多数突变并没有引起足够大的不同而被注意到——它们是中性的。

中性突变可以在种群中传播，因为它们或多或少与自然选择的某种特征相关联。在恰巧的时间和正确的地方，中性突变也可能以雪崩方式蔓延。在遗传学中中性突变表现出的种群动态学和临界点现象一样复杂，但是并不存在确切的临界点。

如果我们能不借用临界点的概念来理解种群遗传学的这种行为，那么我们也许也能正确地认知神经元级联活动。

通过使用一种广泛认可的神经元模型作为神经网络的一部分，研究人员试图确定神经雪崩现象是否可以用中性行为来描述。模型参数都是众所周知的，并且关键临界点可以被很精确地表征。接下来，根据神经元的连接方式以及神经元响应其他神经元的阈值，可以对不同类型的行为进行归类。这正是一种涉及到真正神经元且几乎不可能实现的实验。

模型并不是万能的

研究人员特地选择了神经网络在非常活跃状态（大量神经元频繁发作）和低活动状态（大量神经元不频繁发作）之间不连续转变的已知环境。在活跃状态下，级联或雪崩曾经被科研工作者观察到，并且网络的活动与真实大脑中观察到的行为一致。

然而，这个分析使用了一个不能用于实际观察的技巧。研究人员通过搜索计算数据，以确定引发雪崩的神经元，并从中追踪活动链，以确定雪崩的持续时间和大小。但是，在一个真实的测量中，你永远不知道哪个神经元导致了雪崩——相反，你必须根据时间和时空接近度来分组神经元发射，以确定到底是哪个神经元引发了哪个神经元。

因此，模型中的神经元雪崩和真实大脑中的并不是完全相同的。如果你想要用计算机数据来预测，那看起来很糟糕。而且，我们并不清楚从计算机模型得出的其他信息是否具有相关性。

为了解决上面的问题，研究人员开发了一种具有几个理想特征的简化模型。根据参数的变化，它可以有一个不连续的相变（从一个活跃状态突然跳到一个静止状态）和一个连续的相变（活动率平稳地从一个状态变化到另一个状态，但是变化率呈现出突然跳跃）。

当然，附近有发生相转变时，神经网络会呈现级联活动。但是，重要的是，在附近没有相转变的时候，级联活动也会出现。

鉴于大脑在临界点附近运作的优势，那么大脑在中性区域运作是否有任何好处呢？研究人员提供了这方面的一些猜测。例如，在网络中神经元发射顺序和强度可以用来编码信息。研究人员推测，因为中性雪崩是有原因造成的（例如，每个神经元在触发后触发其他神经元），所以其可以用来了解最开始的发射活动，而这些活动可以用来编码相关信息。

但坦率地说，这也是一切错误开始的地方。这个模型和其他一些模型一样，为人们洞悉网络行为统计数据提供了一个很好的机会。

不幸的是，当将其与实际事实联系起来，比如识别一张脸或者增加两个数字，这种模型是相当薄弱的。其优势在于，这项研究可能提供了一些理解大脑学习方式的新途径。但即使这样做，也难以将真实神经元的研究与模型联系起来。