玻尔百科在大脑错综复杂的网络中，神经元不断权衡着两种相反的信号：促使其“发放”的兴奋性输入和令其“等待”的抑制性输入。这些信号的组合方式定义了大脑的计算能力。在这些操作中，最基本、最优雅的一种便是减法抑制。本文旨在阐述这种简单的减法算术行为如何在神经硬件中实现，以及它使大脑能够完成何种功能。在接下来的章节中，我们将首先探讨减法抑制的核心原理和生物物理机制，将其与除法抑制进行对比，并揭示神经元自身的结构如何决定其数学功能。随后，我们将考察其多样化的应用，从塑造感知、实现精确的运动控制，到其在现代大脑功能理论中的核心作用及其对人工智能的启发，从而证明减法是智能计算的基石。
想象你是一个神经元，一个镶嵌在大脑这支宏伟交响乐团中的微小计算单元。你的工作是倾听你收到的信息，并决定是否将你自己的信息传递给其他神经元。你收到两种信息：兴奋性信息，鼓励你发放信号；以及抑制性信息，阻止你这样做。你如何整合这些相反的信号？大自然以其无穷的创造力，发现了不止一种方法来做到这一点，但也许最直接、最直观的方式就是减法抑制。
从本质上讲，减法抑制正如其名：你将总的兴奋性驱动减去抑制性驱动。如果结果仍然为正并超过你的发放阈值，你就会发放信号。如果结果为零或负，你则保持沉默。这是一个极其简单而又强大的操作。
为了真正领会减法运算的精妙之处，将其与它的主要概念对手——除法抑制进行对比会很有帮助。让我们像物理学家一样思考这个问题。假设一个神经元的输出发放率 是某个兴奋性输入 的函数。这两种操作的一个简化模型大致如下：
在这里， 代表一个共同抑制信号的强度，而 是一个激活函数，确保发放率为非负值（神经元的发放率不能为负！）。一个常见的选择是整流线性函数，。
这些公式的差异看似微小，却导致了截然不同的计算结果。减法最强大的能力是创造一个负的净输入。想象两个竞争性输入 和 ，其中 比 强。通过减法抑制，我们可以选择一个足够强的抑制信号 ，使得第二个神经元的净输入为负（），同时保持第一个神经元的输入为正（）。结果呢？第二个神经元被完全沉默。这是一种创造“硬性”赢家通吃状态的机制，只有最强的输入才能存活下来。
除法抑制的行为则大相径庭。如果输入 和 都是正数，将它们除以一个像 这样的正数，结果将永远是正的。输出被按比例缩小，但没有一个输入被真正沉默。除法抑制软化了竞争，创造出一种“软性”赢家通吃状态，其中相对强度得以保留，但所有输入都能参与其中。减法划定了明确的界限；而除法则是用不同深浅的灰色来描绘。
这种减法的数学思想不仅仅是一个抽象概念；它物理地体现在我们神经元的结构中。神经元是否发放信号取决于其膜电位，即其细胞壁内外的电压差。这个电位是流入和流出细胞的电流动态平衡的结果。兴奋性信号打开通道，让正离子流入，从而提高膜电位。抑制性信号通常做两件事中的一件，两者都可以通过基于电导的模型来理解。
一个简单神经元模型的电流平衡方程告诉我们，电压的变化取决于所有电流的总和：
兴奋性电流是内向的，使细胞去极化，朝其发放阈值靠近。而抑制性电流通常是外向的，使细胞超极化，将其电压拉离阈值。这个外向电流实际上是从内向的兴奋性电流中减去的。这种超极化抑制是减法最直接的生物物理实现。当抑制性通道的反转电位 显著低于神经元的静息电位时，就会发生这种情况。
然而，还有另一种更微妙的抑制形式，称为分流抑制，其中 非常接近静息电位。此时，抑制性电流本身可能很小，但开放的通道会急剧增加膜的总电导。这就像花园水管上的“分流器”或漏洞，让兴奋性电流在能显著提高电压之前就耗散掉了。这种机制的效果更具乘法性或除法性——它降低了兴奋性输入的增益，而不是从中减去一个固定的量。这一区别凸显了并非所有抑制都是减法性的；大脑为不同的任务准备了不同的工具。
当我们考虑到神经元不是一个简单的点，而是一个复杂的、具有细胞体（胞体）和广泛树突的分支结构时，情况就变得更加复杂了。抑制性突触的位置对其计算功能有着深远的影响。
想象一下，发放一个脉冲的决定发生在一个特定的地方：位于细胞体底部的轴丘。现在，考虑一个来自小白蛋白阳性 (PV) 中间神经元的抑制性突触，它靶向胞体周围的区域。当这个突触被激活时，它会在决策点直接注入一个减法性抑制电流。无论在树突中发生了多么复杂的整合，这种胞体周围的抑制都扮演着最终否决权的角色，是一个总兴奋性驱动必须克服的固定偏移量。这是纯粹减法操作的解剖学基础。它有效地将神经元的输入-输出曲线向右平移，要求更强的输入才能达到相同的输出，这一现象在简化的树突区室模型中得到了完美的展示。
现在，再考虑一个来自生长抑素阳性 (SST) 中间神经元的抑制性突触，它靶向树突的外层分支，那里也是许多兴奋性输入到达的地方。这种抑制与其意图控制的输入共定位。它充当一个局部旁路，对该特定树突分支进行除法增益控制。它在兴奋性信号有机会传播到胞体之前就将其按比例缩小。
因此，我们得出了一个惊人的原理：胞体处的抑制是减法，而树突处的抑制是除法。大脑利用细胞结构——突触的精确布局——来实现不同的数学运算。
这种强大的减法机制是用来做什么的？现代神经科学中最优美、最深远的一个思想是，减法是预测的引擎。根据预测编码和贝叶斯大脑假说，你的大脑并非被动接收感觉信息，而是一台主动的、生成预测的机器。
在每一刻，你皮层的更高级别都在生成关于低级别应该“看到”什么的预测。例如，当你转头时，你的视觉皮层会预测你将看到的形状和纹理。这些预测被向下发送到较低的感觉区域。这些较低区域反过来接收来自眼睛的实际感觉数据。接下来发生的关键计算是一次比较：
预测误差 = 感觉数据 - 预测
这是一次减法！据推测，大脑拥有专门的“误差神经元”群体，其工作就是计算这个差值。其环路图惊人地简洁而优雅。一个兴奋性误差神经元群体接收来自感觉的直接兴奋性输入。同时，它接收由自上而下的预测驱动的反馈抑制。这些误差神经元的活动 ，实际上是转换后的感觉信号 与转换后的预测信号 之间的差值：
这正是减法原理的辉煌体现，执行着一项高级认知功能。在这个框架中，只有“意外”——误差信号——被向上传播到皮层层级。这是一种极其高效的信息处理策略，使大脑不必持续地重新处理它已经知道和预期的东西。不同类型的中间神经元甚至可能专门扮演这些角色，例如靶向树突的SOM细胞减去预测，而靶向胞体的PV细胞则调整所得误差信号的增益或精度 [@problem-id:5052199]。
这个简单的操作，即一个数减去另一个数，当在大脑错综复杂的环路中实现时，便成为感知、学习和意识本身的基石。它证明了简单规则能够产生复杂和智能行为的力量，这是自然世界美妙逻辑中一个反复出现的主题。
在探究了减法抑制的原理之后，我们可能会倾向于将其视为一种简单的否定行为，一种在大脑电化学语言中无声说出的“不”。但这样做将只见树木，不见森林。这个看似初等的操作，实际上是自然界最多功能、最深刻的计算工具之一。它是雕塑家的凿子，将原始的感觉数据雕刻成有意义的知觉；是逻辑学家的门，强制执行稀疏性和效率；也是引擎上的调速器，确保稳定性。通过探索其应用，我们看到的不仅仅是一系列互不相关的例子，而是一个统一的主题：大脑如何从混乱中创造秩序。现在，让我们开始一次应用之旅，从阅读本页的眼睛到我们正在用硅片构建的人工智能。
我们的第一站是我们感觉世界的门户。大脑如何开始理解每时每刻轰炸我们的光、声、味的“缤纷嘈杂的混乱”？答案始于减法。
就在你阅读这些文字的时候，思考一下视觉的第一步，它发生在你的眼球后部的视网膜上。光线照射到锥状光感受器，它们将信号向前传递。但它们并非孤立地工作。一个由中间神经元——水平细胞组成的非凡网络正等待着。这些细胞从一个广泛邻域的锥状细胞收集信号，然后向它们施加一个反馈抑制信号。这种反馈本质上是减法性的。一个中心锥状细胞的输出实际上是其自身信号减去一个与其邻居平均信号成比例的值。
这个简单减法的结果堪称神奇：它创造了著名的“中央-周边”感受野。下游的一个神经元，即双极细胞，会被其中心的亮点所兴奋，但会被其周围区域的光线所抑制。这个环路是一个天生的边缘检测器。它很大程度上忽略了均匀的光场，但在遇到对比，即光明与黑暗的边界时，会以强烈的活动作为响应。这个优美的机制，其中周边拮抗作用的强度可以通过水平细胞间的耦合强度来调节，是从光强度马赛克中构建我们视觉现实的第一个也是最基本的步骤。
然而，大自然很少满足于单一工具。在同一视网膜环路中，我们可以发现减法抑制与其计算上的表亲——除法抑制之间一个美丽的对比。尽管对锥状细胞末端的反馈起着减法作用，改变了细胞的基线反应，但一些抑制性神经元也可以直接与双极细胞形成突触。如果这些突触的反转电位接近细胞的静息电位，那么抑制作用就不会减去一个固定的电流量，而是增加了总膜电导。这种“分流”效应与其说改变了基线，不如说降低了增益——细胞对其兴奋性输入的响应性被一个更大的数所除。因此，一条通路进行减法，另一条进行除法。这揭示了一个深刻的原理：大脑在同一局部网络内使用不同的环路基序和生物物理机制来实现不同的数学运算——减法用于对比度增强，除法用于增益控制。这种区别甚至影响了神经元如何同步以处理节律和脑电波，因为抑制的实现方式——是作为电流汇（减法性）还是电导分流（除法性）——决定了神经元能多有效地跟随快速变化的输入。
这个原理并非视觉所独有。转向嗅觉。当一种气味进入你的鼻子时，它会激活嗅球上一系列输入的模式。在这里，中间神经元也介导着侧向抑制。一种类型，即球周细胞，实现了一种减法逻辑。通过减去邻近嗅小球的活动，该环路增强了最活跃和最不活跃通道之间的对比度，有效地锐化了气味的神经“图像”，并增加了表征的稀疏性——只有最强的“赢家”才能发放信号。另一种类型，即颗粒细胞，则实现了一种更具除法性、归一化性质的抑制。这种机制使得激活的相对模式在很大程度上不受总输入强度的影响。无论你是轻轻一嗅还是深吸一口气，大脑仍然能够识别出玫瑰的香味，因为除法归一化在按比例缩小整体活动的同时保留了模式。减法增强对比度，而除法提供不变性——两种不同类型的抑制，两种不同的工作。
当我们深入大脑，进入大脑皮层的复杂环路时，情节变得更加复杂。皮层中包含着名副其实的抑制性中间神经元“动物园”，每一种都有其独特的形状、位置和遗传标记。事实证明，这种多样性并非随机；它反映了一种复杂的计算分工。
现代神经科学中一个突出的假说，得到了大量实验数据的支持，提出两种最常见的抑制性细胞类型具有专门的角色。生长抑素表达(SOM)中间神经元，倾向于靶向兴奋性锥体神经元的广阔外层树突，被认为是减法抑制的主要介导者。通过在远离细胞体的地方门控输入，它们有效地从总驱动中减去一部分，从而改变神经元的响应曲线。相比之下，小白蛋白表达(PV)中间神经元，在细胞体（胞体）周围形成强大的突触，被认为实现除法增益控制。通过在最终整合点分流电流，它们控制神经元整体的输入-输出增益。
这种分工具有深远的影响。在运动皮层中，神经元对特定的运动方向进行调谐。它们的活动在其偏好的方向上最高，而在其他方向上则下降，形成一条“调谐曲线”。当一个SOM细胞向一个运动神经元提供减法抑制时，它就像一个雕塑家，在这条调谐曲线的底部进行雕刻。该神经元对于它之前响应较弱的方向变得沉默。这缩小了调谐宽度，使得神经元的指令更加具体和精确。相比之下，增加的PV活动则除法性地按比例缩小整个响应，而不改变其宽度。而增加了另一层复杂性的是，其他中间神经元（如VIP细胞）可以抑制SOM细胞，从而去抑制锥体神经元并拓宽其调谐范围。这种错综复杂的舞蹈——减法、除法和去抑制——使得运动皮层能够灵活地塑造和优化我们的运动 [@problem-id:5049097]。
这种减法作为塑造信号工具的反复出现的主题，暗示了一个更深层次的目的。大脑试图做什么？计算神经科学中两个有影响力的理论将减法置于核心位置。
第一个是预测编码。该理论假定，大脑不是被动地接收感觉信息，而是一台主动的预测机器。更高层级的大脑区域不断地生成关于预期感觉输入的预测。这些预测随后被下传到较低的感觉区域。感觉神经元的工作是报告预测与实际输入之间的误差或不匹配。这个误差是如何计算的呢？最直接的方式就是减法！减法抑制为皮层环路提供了一种生物学上可行的机制，使其能够从自下而上的感觉驱动中真正地减去自上而下的预测，只留下令人惊讶的、信息丰富的“预测误差”，以便向上传递进行进一步处理。
第二个理论是稀疏编码。对于一个拥有数十亿神经元的系统来说，让所有神经元同时活跃是极其低效的。一个高效的编码是稀疏的，即在任何给定时间只有一小部分神经元处于活跃状态。找到这种编码的数学技巧涉及一个称为 范数的惩罚项。值得注意的是，最小化重构误差加上这个 惩罚项在数学上等同于一个简单的操作：一个神经元的最优活动与其输入驱动减去一个恒定阈值成正比。低于阈值的输入被沉默。这正是减法抑制的逻辑。虽然生物环路可能无法完美地实现精确的数学运算，但减法抑制是实现稀疏性目标的一种直接、神经上可行的途径，将大脑的表征推向这种高效的状态。
这一原理的力量并未被工程师们所忽视。在我们构建下一代人工智能，特别是受大脑启发的“神经形态”系统时，我们正在借鉴大自然的蓝图。在脉冲卷积神经网络（SCNNs）中，工程师们明确地内置了减法性侧向抑制。他们发现，这个简单的操作有助于网络中不同特征图之间的活动去相关。通过迫使不同组的人工神经元表示不同的事物，减法减少了冗余，并提高了系统的整体性能和效率。这个概念已经完成了一个完整的循环：在眼中被观察到，在皮层中被理解，现在被工程化到硅片中。
一个基本机制的重要性，往往在其失灵时才最清晰地显现出来。减法抑制本质上是一种制动和控制的形式。当这些刹车失灵时会发生什么？后果可能是毁灭性的。
一个悲剧性且有力的例子见于慢性脊髓损伤。许多患者会出现痉挛，其特征是夸张的、速度依赖性的肌肉反射，并常伴有阵挛——一系列节律性、不自主的肌肉收缩。这种使人衰弱的状况可以理解为抑制功能的失败。牵张反射是一个从肌肉传感器到脊髓再回到肌肉的反馈环路。在正常情况下，这个环路受到抑制信号的严格调节，包括一种称为突触前抑制的强大减法控制，它直接作用于感觉神经元的末端。脊髓损伤后，激活这些抑制性环路的下行通路常常受损。这种减法性制动的丧失，加上其他使运动神经元本身更易兴奋的变化，导致反射环路的增益急剧上升。系统变得不稳定。一个通常只会引起适度反射的微小、快速的拉伸，现在却引发了巨大的、振荡性的收缩。痉挛，就是一个反馈环路在哭喊着索求那已不复存在的减法。
从塑造一缕幽香的细语，到防止无节制反射的剧烈痉挛，简单的减法行为被证明是神经设计中不可或缺的原则。它简约而优雅，其后果深远，证明了 embodied in the intricate circuits of the brain.的基本数学操作在 embodied in the intricate circuits of the brain.中体现的力量。