Intelligence Cannot Recover What the Instrument Does Not Record
本研究证实，从钙成像中推断神经元脉冲的准确性从根本上受限于光学信号本身的信息含量，而非仅仅取决于所使用的计算模型，这表明即使是先进的算法也无法超越由仪器记录能力所决定的经验性能上限。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
神经元，这些大脑中微小的通信细胞，通过被称为“脉冲”的快速电脉冲进行交流。为了理解大脑是如何思考的，科学家需要倾听这些对话。几十年来，清晰听到单个神经元的唯一方法是将一根细小的导线直接插入其中，这种方法虽然精确，但无法同时用于成千上万个细胞。一种被称为“钙成像”的新技术提供了一条不同的路径。它不是直接监听电信号，而是观察化学变化。当一个神经元放电时，它会吸收一点钙，细胞内的特殊染料会对这一过程产生荧光反应。显微镜捕捉这种光亮，让研究人员能够同时观察到数百个神经元的闪烁。
然而，这种方法有一个根本性的缺陷。显微镜看到的并不是电脉冲本身，而是脉冲发生后产生的延迟、模糊且带有噪声的光闪。脉冲是事件本身，而光闪只是该事件的一个影子。为了理解神经元究竟做了什么，科学家必须使用计算机程序进行反向推导，根据光的模式来猜测脉ک发生的时刻。多年来，该领域一直致力于让这些“猜测程序”变得更聪明。人们一直假设，如果计算机模型无法识别出脉冲，那仅仅是因为模型不够好。但这引发了一个更深层次的问题：如果信息在计算机尝试猜测之前就已经丢失了呢？如果显微镜本身未能记录下必要的细节，导致计算机面对的是一片空白呢？
莫里斯·安东尼·尤因（Maurice Antony Ewing）的一项新研究正是在解决这个精确的问题。研究者并没有仅仅致力于构建更好的“猜测机器”，而是询问记录中的光里究竟锁住了多少信息。利用一组同时记录了电脉冲和光闪的大规模数据集，该研究测量了可以恢复信息的绝对极限。研究结果表明，无论智能多么先进，也无法重建仪器从未捕捉到的信息。
研究人员分析了来自数百个神经元的数据，观察了电放电与产生的荧光之间的关系。他们测试了各种各样的计算机模型，从简单的统计工具到能够学习自身识别模式方式的复杂现代人工智能系统。他们还试图寻找完成这项任务的理论最大准确度。想象一下，你试图根据一张模糊的照片来猜一个秘密单词。无论猜的人有多聪明，如果照片太模糊以至于看不清字母，这个秘密就无法被破解。研究发现，对于这种特定类型的脑部记录，计算机的表现存在一个硬性上限。最好的计算机模型能正确识别脉冲的准确率约为 83.8%。当研究人员使用不同的数学方法寻找绝对理论极限时，他们发现最高的可能准确率约为 87.1%。
这种顶级计算机所达到的表现与理论极限之间的微小差距具有重要意义。这意味着问题不在于计算机太笨，而是即便是一个完美的计算机——一个能够学习任何可能模式的计算机——其表现也很难超过 87%。缺失的信息并非源于糟糕的算法，而是源于物理记录本身。显微镜记录下的光并不包含足以以完全确定性区分每一个脉冲的细节。研究通过测试一种能够设计自身数据观察方式的高级人工智能系统证实了这一点。这种先进系统达到了 83.2% 的准确率，未能突破由更简单模型建立的上限。这证明了该极限是真实存在的，而不仅仅是特定工具的缺陷。
研究还揭示了有用信息隐藏在记录中的什么位置。神经元发出的光不会瞬间改变；它需要时间上升和下降。研究发现，关于脉冲最关键的线索出现在脉冲发生之后的光中，而不是之前。虽然脉冲之前的光能提供一些关于神经元先前状态的提示，但绝大部分可恢复的信息都来自于电脉冲之后的闪烁。事实上，仅观察事件之后的光，就能让计算机恢复到其从整个记录中能获得的 92% 以上的准确率。这表明化学反应的延迟是主要的瓶颈。显微镜需要等待足够长的时间才能看到完整的闪烁，但即便如此，由于化学过程的模糊性，一些细节仍然会丢失。
此外，研究表明这种极限会随着所用化学染料的不同而改变。一些较新的染料产生的荧光更尖锐、更快，研究发现使用这些新染料进行的记录具有更高的信息上限。然而，极限不仅仅关乎染料。当研究人员将一种在某种脑组织上训练的计算机模型应用于另一种完全不同的组织时，模型的表现大幅下滑，准确率下降了 20 多个百分点。尽管研究人员从头开始重新训练了该模型，但失败依然发生了。这表明问题不仅在于染料，还在于特定的生物环境。信息存在于第一种组织中，但第二种组织的记录并未保留相同类型的细节，使得模型无法成功。
该研究最具有实际意义的发现可能是处理这些不可避免的失败的一种新方法。既然计算机并不总是正确的，研究人员开发了一套系统，可以判断其预测出错的可能性。通过分析特定记录的难度，该系统可以为其预测分配一个“不信任分数”。当系统不确定时，它可以选择保持沉默而非进行猜测。如果研究人员要求系统只在高度自信时才做出预测，那么这些预测的准确率会跃升至接近 98%。这并不意味着系统变得更聪明了，而是意味着它学会了在证据不足时保持沉默。
研究结论认为，脑成像未来的路径不仅仅在于构建更聪明的计算机。世界上最强大的算法也无法恢复显微镜未能记录的信息。如果光线太模糊或化学反应太慢，数据就是不完整的。为了更好地理解大脑，科学家必须将重点放在仪器本身：寻找更好的染料、更快的显微镜或捕捉光线的新方法。观察者的智能是次要的，记录的清晰度才是关键。当记录清晰时，聪明的观察者就能成功；当记录缺失细节时，再多的智能也无法填补这一鸿沟。这个教训是安静而坚定的：你无法看到那些从未被记录下来的东西。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。