玻尔百科大脑通常被描绘成一台完美的、确定性的计算机，以无懈可击的精度处理信息。然而，生物学的现实远比这混乱得多。这种随机性的核心是突触噪声，一种长期以来被认为是神经硬件中根本性缺陷的、持续不断的波动信号弹幕。本文挑战了那种过时的观点，旨在填补将噪声视为麻烦与视为功能组件之间的知识鸿ga。我们将从这种神经元静电的生物物理起源出发，探索其对大脑功能的深远影响。读者将首先学习突触噪声的基本原理和机制，探索其不同来源以及它如何重塑神经元的基本计算特性。然后，我们将扩展这一视野，看看噪声如何在感觉、学习、决策制定中发挥关键作用，甚至为大脑中先进的统计推断提供了基础。首先，我们必须理解这种噪声的物理性质，以及它如何在单个神经元层面运作。
为了理解噪声的作用，让我们首先想象一个没有噪声的世界。将神经元想象成一台完美的微型机器。当一个信号到达时，它以完美的保真度响应，就像一个以钟表般精准度翻转的开关。其膜两侧的电压将是一条平滑、可预测的线，仅被产生整齐、相同脉冲的输入信号所扰动。这是一幅整洁的图景，是我们经常在入门教科书中看到的那种。但这是大错特错的。
一个真实的神经元生活在一个充满持续、不可避免的随机性的世界里。它的膜电压不是一条平滑的线，而是一条锯齿状、模糊的线，不断因活动而颤动。这种“模糊”就是突觸噪声。在很长一段时间里，这被视为一种純粹的滋擾，是生物硬件中大脑必须克服的一个缺陷。但当我们仔细观察时，我们发现了不同的故事。这种随机性不仅仅是一个错误；它是一个基本特征，深深地编织在神经计算的结构中。要理解大脑，我们必须首先理解它的噪声。
这些静电都从何而来？如果我们在神经元上放一个麦克风，我们听到的将不是单一的噪声源，而是一个完整的噪声交响乐团。然而，我们可以将它们分为两大类：来自内部的噪声和来自外部的噪声。
内在噪声由神经元自身的物理组件产生。像任何温度高于绝对零度的物理系统一样，神经元处于持续的热运动中。这导致了微弱、普遍的热噪声嘶嘶声，因为电荷载流子在四处晃动，但这通常是一个次要角色。
内在噪声的真正主角是通道噪声。神经元的膜上镶嵌着数千个称为离子通道的微小孔隙。我们可能想象这些是完美光滑的水龙头，打开以允许稳定的离子流。现实要混乱得多。每个通道都是一种蛋白质，它在开放和关闭状态之间不规律地闪烁，就像一个有故障的电灯开关。当一个通道闪烁时，其影响是微不足道的。但神经元拥有有限数量的这些通道。当你将数千个独立通道的随机闪爍加总时，你得到的不是一个平滑的平均值，而是一股嘈杂、波动的电流。这是统计力学一个美丽的直接后果：大数定律对于有限的群体并非完美，而残留的波动就是我们观察到的噪声。
神经元并非孤立存在。它不断地接收来自数千个其他神经元的信号，而这种输入的洪流是外在噪声的主要来源。这种噪声本身主要有两种形式。
首先是突触释放噪声。当一个信号，即一个动作电位，到达一个突触时，它并不保证神经递质的释放。它只提供了一个释放的机会。突触是一个概率性装置，一次掷骰子。对于一个给定的突触前脉冲，突触可能释放一个神经递质包——或称“量子”。或者它可能什么也不释放，即一次传递的“失败”。在某些突触，它甚至可能释放多个量子，这种现象称为多囊泡释放。这种基本的不可靠性——信息是否被发送，以及它被发送得有多“响亮”——是神经通信最基本层面上变异性的深刻来源。
其次是突触轰击的噪声。一个典型的皮层神经元接收来自数千个突触的输入，每个突触都在以其自身的概率性信息喋喋不休。综合效应是一场持续不断、波动的兴奋性和抑制性信号的雨。这不像你收音机调台之间听到的那种干净、不相关的静电。相反，它是一种“有色”噪声，一种像远处人群声音的低频轰鸣，其中一个时刻的波动与下一个时刻相关。这种持续的背景轰击是在活跃大脑回路中神经元生命最重要的特征之一。
要真正把握噪声的本质，我们必须理解它如何影响神经元电压的一个微妙但关键的区别。噪声可以是加性的，也可以是乘性的。
加性噪声是我们最直观认为的噪声。想象一下，在一个有风扇运转的房间里试图交谈。风扇产生持续的嗡嗡声，一种背景噪声，它只是被添加到说话者声音中。它的音量与说话者是低语还是大喊无关。在神经元中，来自记录放大器的噪声或许多遥远、不相关的突触事件的总和可以这样近似。总测量信号 是真实信号 和一个独立的噪声项 的和，即 。因为独立过程的方差是相加的，我们可以通过测量总方差并减去基线噪声的方差来分离出真实信号的方差，这是神经科学家使用的一个简单而强大的技巧。
乘性噪声则不同，且有趣得多。想象说话者正在使用一个会发出噼啪声的故障麦克风。当他们沉默时，没有噼啪声。当他们低语时，噼啪声很小。当他们大喊时，噼啪声很响。噪声随信号的大小而变化。这正是通道噪声和突触噪声的本质。
为什么？因为这些噪声源是电导 的波动，电导是衡量离子穿过膜的难易程度的指标。实际流动的电流由欧姆定律的一种形式给出：，其中 是膜电压， 是“反转电位”，即该离子种类的电流反转方向的电压。项 是“驱动力”。电导的波动 产生噪声电流 。噪声被状态依赖的驱动力所乘以。
这有一个深刻且可检验的后果。如果我们能通过实验控制膜电压 并使其等于反转电位 ，那么驱动力就变为零。在这个神奇的点上，即使通道或突触的电导仍在波动，也没有净电流流过。乘性噪声被沉默了！神经生理学家在一个称为电压钳的实验中正是利用这个原理来区分不同的噪声源。对于一个反转电位接近 的兴奋性突触，其噪声将在该电压下消失，而来自抑制性突触（反转电位接近 ）的噪声仍将很强。
因此，神经元沉浸在来自突觸轰击的波动电导的海洋中。这不仅仅是在信号之上的一层静电；它从根本上改变了神经元本身的计算特性。这种持续的背景活动使神经元进入所谓的高电导状态。
想象神经元的膜是一个桶。一个安静的神经元就像一个只有几个小的、内在泄漏（泄漏电导，）的桶。如果你倒入一些水（电荷），它会填充到一定水平（电压），然后水会慢慢流出。流出的速率定义了它的膜时间常数，。
现在，考虑一个处于高电导状态的神经元，受到数千个突触输入的轰击。所有这些活跃的突触都打开了它们的通道，就像在桶上打了数千个新的、微小的洞。总电导 ，是所有这些并联电导的总和，变得巨大。我们的桶现在变得极易泄漏。这有两个戏剧性的效果。
首先，输入电阻 () 急剧下降。这意味着对于相同的输入电流（一勺水），产生的电压变化（水位的变化）要小得多。持续的背景活动有效地“分流”或短路了传入的信号，使得每个单独的输入影响力减小。如果背景突触活动按比例因子 放大，输入电阻大约下降相同的因子 ，一个小而孤立的突触电位的振幅也是如此。
其次，膜时间常数 (, 其中 是电容) 变得更短。水从我们漏水的桶里冲出去的速度几乎和进来的一样快。对于神经元来说，这意味着任何电压变化都非常快地消散。这缩短了时间整合窗口，即神经元可以累加输入信号的时间。一个安静的神经元可能有一个长窗口，允许它累加缓慢、稀疏的输入。一个处于嘈杂、高电导“上行”状态的神经元变成一个快速的重合检测器，只对几乎完美同步到达的输入作出响应。一个现实的计算显示，从安静的“下行”状态转变为活跃的“上行”状态可以将这个整合窗口缩短超过65%，从超过10毫秒缩短到仅几毫秒。
这片随机的海洋似乎是一个混乱的烂摊子，是可靠信号传递的一个根本障碍。确实，突触传递的变异性增加了信号必须克服的另一层噪声，降低了其“可检测性”。
然而，我们在这里看到了一个美丽而统一的原则的出现。似乎破坏信号的“噪声”本身也是大脑用来动态重新配置其自身计算特性的机制。通过调整背景网络活动的水平，大脑可以将一个神经元从慢速整合器切换到快速重合检测器。噪声不仅仅是噪声；它也是一个控制信号。它设定了上下文。
此外，通过研究这种随机性的结构，我们可以窥探突触最内在的运作。通过分析突触响应的方差如何随平均响应变化——一种称为方差-均值分析的技术——科学家可以推断出单个量子包的大小 和释放位点的数量 ，即使无法直接看到它们 [@problem_d:5021859]。事实证明，噪声充满了信息。
突触噪声的故事是一段旅程，从将大脑视为一台完美的、确定性的机器，到将其看作一个充满活力、波动的系统，该系统利用随机性本身来施展其魔力。机器中的幽灵根本不是幽灵；它是机器的一个重要组成部分。
在窥探了神经元及其突触的生物物理核心之后，我们可能倾向于将突触噪声视为一个纯粹的缺陷——大脑必须不断与之抗争的一点静电。这是一个自然的起点，但我们现在必须抛弃这个观点。对物理学家来说，噪声不仅是一种麻烦；它是一种基本的、往往具有启发性的世界特征。在本章中，我们将踏上一段旅程，看看神经科学是如何开始分享这一观点的。我们将发现，突触噪声不仅是物理学不可避免的后果，也是编织在神经计算结构中的关键元素，从感觉的最初闪光到认知的最高层次，再到智能机器的设计。
在我们理解噪声做什么之前，我们必须首先了解它从何而来。故事始于最基本的层面，那里物理定律与生命的基石相交。
一个绝佳的观察场所是眼睛。当您凝视昏暗的场景时，视觉的第一步是视网膜中的光感受器细胞捕获单个光粒子——光子。这些光子的到达受量子力学定律支配；这是一个固有的随机泊松过程。光信号本身的这种基本不确定性被称为光子散粒噪声。即使在绝对的黑暗中，您的光感受器也不是寂静的。探测光的分子不断受到热能的 jostling，偶尔，一个分子会自发激活，就好像它捕捉到了一个光子。这产生了一个幽灵信号，一个内在的暗噪声，它设定了我们视觉的最终极限。这些不是生物学上的缺陷；它们是物理世界在我们神经系统上留下的指纹。随着这些信息深入视网膜，它会遇到更多的变异性来源，例如突触处神经递质的概率性释放。
神经元不断受到随机输入轰击的这幅图景是普遍的。皮层中的典型神经元接收来自数千个突触的信号。每个突触都在随机时间以离散的包（量子）释放神经递质。这种突触轰击的累积效应是一种持续不断、波动的电流，使神经元的膜电位在其静息状态周围“抖动”或“嘶嘶作响”。在计算神经科学中，这种复杂的轰击通常被一个来自物理学的强大思想精美地简化了。当您将大量小的、独立的随机事件相加时，结果通常看起来像一个平滑、连续的随机游走。这使我们能够将总的突触噪声建模为我们神经元方程中的一个单一、优雅的项——一个被称为维纳过程的数学构造。神经元的电压，不再是确定性的，现在演变为一个随机过程，一个Ornstein–Uhlenbeck过程，它不断地被拉回到其静息水平，同时又被噪声随机踢动。
就像一个悄悄话在人与人之间传递时会失真一样，一个神经信号的精确度在穿越大脑多个阶段时也会降低。您指尖上的一次触摸会在感受器中产生一个精确定时的信号，但是当该信号沿脊髓上传，穿过脑干的一个突触，并经由丘脑中继到皮层时，其时间精度已经变得有些模糊。在每个阶段——感受器转导、轴突传播、突触传递——小的、独立的随机事件都会贡献一点点的时间抖动。由于方差的来源是独立的，它们的影响会累加。线路末端的总时间方差是每个中间步骤贡献的方差之和。这种噪声的累积对于任何依赖多阶段处理的系统，无论是生物的还是人工的，都是一个根本性的挑战。
如果噪声是信号不可避免的一部分，那么大脑是如何可靠地进行任何计算的呢？答案异常复杂：大脑不仅进化出了减轻噪声的策略，有时甚至会利用它来工作。噪声的影响不是绝对的；它关键地取决于神经元所说的语言——神经编码。
想象两种编码一件物品成本的方式：一种是“发放率编码”，其中更高的成本由神经元较低的发放率表示；另一种是“时间编码”，其中更高的成本由神经元发放前更长的延迟表示。现在，让我们引入一种常见的噪声类型：信号穿过突触所需时间的变化性。在发放率编码中，我们只是在一个长窗口内计算脉冲数，每个脉冲上的一点随机延迟并不会改变平均计数。这种编码非常稳健。然而，在时间编码中，完全相同的延迟噪声直接加到信号上，在解码出的成本中引入了系统性误差或偏差。这个简单的例子表明，对于噪声是否“坏”，没有单一的答案；它完全取决于所采用的编码策略。
更值得注意的是，大脑的 circuitry 似乎已精巧地适应了处理噪声。一个经典的例子是在视网膜中，在神经节细胞的中央-周边感受野中找到。这些细胞被一个小中央区域的光激发，并被周围区域的光抑制。考虑一个均匀光照、嘈杂的场景。细胞从其中心和周边接收到相关的噪声。该 circuitry 的减法性质抵消了这种共同的噪声，使细胞保持安静。现在，呈现一个边缘——中心有光但周边没有。来自中心的信号现在不受抑制的对抗，细胞强烈发放。通过减去一个嘈杂的基线，该 circuitry 极大地增强了其检测重要特征（如边缘和轮廓）的信噪比。
这种 circuitry 的塑造不仅仅是静态设计；它是一个终身的过程。在发育过程中，大脑就像一个园丁，不断地照料它的连接。那些活动与网络其余部分相关性差的突触——那些贡献更多噪声而非信号的突触——被选择性地修剪掉。为了弥补这种输入的损失并维持一个稳定的整体活动水平，大脑采用了稳态可塑性，它会乘性地增强剩余的、更可靠的突触的强度。其结果是一个更精炼的神经表征，一个更清晰的感受野，以及在没有净代谢成本增加的情况下区分信号与噪声的能力得到改善。
噪声的作用远远超出了感觉，延伸到了学习、决策甚至疾病的领域。
学习和记忆被认为植根于突触强度的变化，这一过程被称为突触可塑性。研究最充分的一种形式，长时程增强（LTP），是在突触后终端内的钙浓度超过一个关键阈值时触发的。但突触传递是一场机会游戏。一个神经递质囊泡是否被释放以及多少个突触后通道打开都是概率事件。这意味着对于一个给定的突触前刺激，突触后钙流入是一个随机变量。一个平均来说太弱而无法触发LTP的输入，在一次幸运的试验中，可能会得到通道噪声有利波动的帮助，将钙水平推过阈值。这使得学习本身成为一个概率性事件，而非确定性事件。噪声平滑了可塑性阈值的全有或全无特性，创造了一个分级且灵活的学习规则。它还扰动了脉冲的精确时间，这有效地拓宽了脉冲时间依赖可塑性（STDP）的时间窗口，使得学习的条件稍微宽松一些。
我们做出选择的能力本身也是一场与噪声的战斗。基底节，一组深部脑结构，对于行动选择至关重要。你可以把这个 circuitry 想象成在不同的“行动通道”之间举办一场竞赛，每个通道都在争夺表达权。获胜的通道是那个最有效地抑制其在苍白球内侧部（GPi）的输出目标的通道。当你有更强的证据支持一个行动而不是另一个时，其对应的通道会接收到更强的驱动。然而，突触噪声和内在的神经变异性为每个通道的活动引入了随机波动。在任何给定的试验中，“错误”通道中的一阵噪声可能导致它短暂地压倒“正确”的通道，导致判断错误或犹豫不决的动作。整个过程都沐浴在像多巴胺这样的神经调质中，多巴胺就像一个复杂的增益控制器。适当的多巴胺紧张性水平可以增强竞争通道之间的对比度，从而增强正确信号。但多巴胺本身的波动可能成为另一个噪声源，降低选择的可靠性。这种微妙的平衡突显了大脑是如何在剃刀边缘上运作的，噪声既可能破坏也被控制。
有时，噪声和神经 circuitry 的相互作用会导致病理。许多大脑功能都以节律性、振荡性活动为特征。这些节律从何而来？一个共振的神经 circuitry ，就像一个钟，当被随机的背景噪声敲击时，会以其偏好的频率“鸣响”。该 circuitry 的输出功率谱将在这个频率上显示一个峰值，即使噪声本身是宽带的（白的）。这是一个线性滤波的简单案例。一个更微妙且通常非线性的现象是随机共振，其中一个中等水平的噪声实际上可以增强系统检测和响应弱周期性信号的能力。区分这些机制对于理解病理性脑节律至关重要，例如帕金森病患者基底节中过度的β波段振荡（ Hz）。当一个神经回路变得过度共振，将环境突触噪声放大成一个连贯的、全系统的振荡，从而扰乱正常功能时，这些致残的节律可能就会出现。
我们已经看到，噪声可以被管理、减轻，甚至被用于简单的功能。但是，最现代、最深刻的观点将神经噪声重新塑造成一个主角：作为高级计算不可或缺的工具。
大脑功能的一个主要理论是贝叶斯大脑假说，它假定大脑不是用单一、确定的值来表示世界，而是用概率来表示。大脑不是得出“那是一只猫”的结论，而是维持一个可能性的分布：“有95%的可能是猫，4%的可能是小狗，1%的可能是其他东西。”一个神经元网络如何执行如此复杂的统计推断？一种来自物理学和计算机科学的强大方法，称为朗之万采样，提供了一条线索。想象一个盲人徒步旅行者试图绘制山脉图。仅仅走上坡路（梯度上升）会让他们卡在他们找到的第一个山峰上。但如果他们在大致朝上走的同时随机跌跌撞撞，他们将探索整个地貌，大部分时间都花在最高海拔附近。这种定向运动（梯度）和随机跌撞（噪声）的结合使他们能够有效地根据其高度“采样”地形。贝叶斯大脑可能正在做完全相同的事情。“上坡”方向由对数后验概率的梯度提供——这是一种衡量给定假设与感官数据拟合程度的指标。而关键的“跌撞”呢？它可能由突触噪声免费提供。突触的持续、随机的轰击可以精确地提供神经元状态在可能性空间中漫游所需的随机驱动，有效地从大脑的世界内部模型中抽取样本。在这种观点下，噪声不是需要修复的错误；它是一个基本特征，使大脑成为一个强大的统计推断引擎。
这种对噪声的激进重新思考在技术中找到了回响。构建神经形态计算机——具有大脑启发式架构的机器——的工程师面临着相同的物理现实。他们的人工突触，通常由忆阻器等设备构建，也受到噪声的影响。这包括来自热能的快速、随机波动（约翰逊-奈奎斯特噪声）和材料属性的缓慢、漂移变化（随机电导漂移）。工程师的第一直觉可能是消除这种变异性。但借助神经科学的见解，一种新方法出现了。通过仔细表征每个噪声源的统计特性——它是快还是慢？是零均值还是有偏？——工程师可以设计出不仅对噪声稳健，而且像大脑一样，甚至可能利用它来获得计算优势的学习算法。因此，理解嘈杂大脑的旅程正在与构建智能机器的追求趋同，揭示了物理学原理、生物学功能和计算未来之间深刻而美丽的统一性。