大脑是怎么做决定的，这个古老问题刚刚多了一块关键拼图。据中国科学报10月20日报道，中国科学院团队在《Science》杂志发表研究，以直接证据支持树突双区室整合模型可以拓展到高级认知层面。这项工作的意义不限于神经科学，论文指出的方向对人工智能同样具体：借鉴树突的多区室架构，有望降低计算能耗、缓解灾难性遗忘，为类脑AI与具身智能的底层设计提供一份来自生物的参考答案。
先把这个问题的来龙去脉理清楚。教科书里的经典图景是：神经元的树突负责接收信号，把它当作传递信息的电缆，信号汇总到胞体，胞体完成整合并决定是否放电，决策的核心在胞体。但近二十年的研究不断挑战这幅图景，越来越多的证据显示，树突远不只是电缆，它拥有独立的局部计算能力，能够在分支内部对信号做非线性处理，相当于每个神经元内部还住着一群小处理器。双区室整合模型正是这条研究线的集大成者：树突作为近端区室先做局部计算，胞体作为远端区室再做全局整合，两层结构分工协作，共同完成信息处理。此前该模型的证据大多来自基础感知层面的研究，它是否同样适用于推理、决策这类高级认知功能，一直缺乏直接证据，而这正是此次中科院团队工作的切入点。这项研究发表于《Science》杂志，论文编号10.1126/science.adz5323。在传统教科书里，神经元常被简化为接收、整合、放电的三段式开关，而真实的大脑远比这复杂，仅仅是理解单个神经元内部的信息处理方式，科学界就花了上百年时间。
这项研究的关键词是直接证据。以往关于高级决策机制的研究，多依赖间接测量或模型推演，区室化计算是否真的参与决策过程，始终停留在合理推测的层面。此次团队通过实验获得了直接证据，支持树突双区室整合模型从基础感知拓展至高级认知，也就是说，决策这类被普遍认为最复杂的功能，同样可以由神经元内部的分区计算来承载。直接证据的意义还在于方法层面：间接测量只能看到相关性，直接证据才能锁定因果链条，这标志着区室化计算的研究从模型推演阶段进入了实验确证阶段，后续围绕它的研究将有一个更坚实的前提。这一步跨越对两个领域都有分量。对神经科学，它补上了理论模型在认知高层的验证缺口，区室化计算从一种解释感知的假说，升级为覆盖决策的通用组织原则；对人工智能，它提供了一个重要的架构暗示：智能不一定要依赖庞大的集中式计算核心，分散的局部计算加上有限的全局整合，同样能支撑复杂的决策行为。生物系统用极低的功耗完成了远超当前大模型的通用智能，其架构秘诀很可能就藏在这种分层的计算组织方式里。
把视线转回AI领域，这项研究对位的恰好是当前最疼的两个问题。第一个是能耗，大模型的推理成本已经大到需要以电站为单位规划电力，而人脑以约20瓦的功率完成了这一切，差距的根源之一就是计算组织方式：生物神经系统的局部计算把大部分处理放在信号发生的现场，只把必要的结果上传整合，避免了全局总线上的海量通信开销。如果AI架构借鉴树突的多区室设计，把更多计算下沉到局部模块，通信与能耗的压力都有机会显著下降。第二个是灾难性遗忘，神经网络在学习新任务时覆盖旧知识的顽疾，至今没有优雅解法，而分区室的结构暗示了另一种可能：不同区室承载不同的记忆与功能分区，新知识写入特定区域，不必每次都掀翻整个网络，记忆的相互覆盖被结构本身隔离。这两道坎恰好也是具身智能落地的拦路虎，机器人要在低功耗的端侧硬件上实时决策，还要在不断变化的任务里持续学习，树突架构给出的分治思路，是一条值得认真对待的路线。值得注意的是，两项优势指向同一个架构原则，分而治之：局部的事在局部解决，全局只处理必须全局处理的信息，这与业界正在探索的专家混合、分层推理等方向在哲学层面不谋而合。
泼一盆必要的冷水：这项研究不会让GPU明天就退休。类脑计算领域探索了多年，神经形态芯片的论文与原型始终不少，但主流大模型的训练与推理仍完全依赖传统算力集群，类脑路线在生态、工具链与通用性上的差距不是一篇论文能填平的。更现实的预期是分层渗透：短期看，区室化的思想更可能先在特定场景落地，比如端侧设备的低功耗推理模块、机器人控制器上的局部决策单元，这类场景对功耗与延迟敏感，对通用性要求反而宽松；中期看，神经形态硬件与生物启发的稀疏激活、事件驱动计算结合，有望在边缘智能市场撕开缺口；至于在通用大模型层面撼动现有架构，那是一个以十年计的命题。基础研究的价值也不能用短期兑现来衡量，每一次对大脑计算原理的确认，都是在为下一代非冯诺依曼架构积累设计依据。类脑与经典路线大概率长期共存，各自吃下最擅长的场景，这种分工格局本身也符合计算技术演化的历史规律。从论文到芯片隔着漫长的工程峡谷，但方向已经比十年前清晰得多：智能的答案，很可能早就写在那些曾被当作电缆的树突里。