文章阅读目录大纲
Github开源地址：https://github.com/xieguigang/sciBASIC
本文是"果蝇赛博生命"三部曲的第一篇。我们不讲果蝇，也不讲贪吃蛇，只讲一件事：计算机是如何模仿你的大脑在"想事情"的。 放心，全文不需要任何机器学习背景，需要的只有高中数学，和一个愿意被比喻轰炸的开放心态。
一、你的大脑不会做浮点运算
先来一个可能颠覆认知的事实：你的大脑大约有 860 亿个神经元，它们彼此之间用一种非常"原始"的方式通信——发脉冲。
什么是脉冲？想象你家的门铃。平时它安安静静，门铃线里没有任何信号；你一按按钮，线上"叮"地传来一个短促的电信号，然后又归于沉寂。神经元之间的通信就是这样：
- 平时：静默（线路上什么都没有）；
- 兴奋时：发出一个持续时间约 1 毫秒、幅度固定的尖峰电脉冲（学名"动作电位"，昵称 spike）；
- 然后继续静默，直到下一次攒够了劲再发。
也就是说，大脑这个宇宙中已知最强大的信息处理系统，用的居然是一种"只说不说不说——突然喊一嗓子——继续闭嘴" 的通信协议。
更妙的是，这个脉冲的形状和幅度是固定的。神经元不会发一个"大的"脉冲来表达强烈情绪、发一个"小的"脉冲表达敷衍。它只有一招：要么喊，要么不喊。那信息藏在哪？藏在喊的时机和频率里——就像摩尔斯电码，每个嘀嗒声都一样长，但嘀嗒的节奏本身承载了全部信息。
二、深度学习不是大脑，但它假装自己是
你可能听说过深度学习、神经网络这些词。我们得先澄清一个误会：那些"神经网络"其实和生物大脑的关系，大约相当于热狗和狗的关系。
传统人工神经网络（ANN）里，每个"神经元"做的事情是：
$$
y = f!\left(\sum_{i} w_i x_i + b\right)
$$
翻译成人话：把输入 xi 各自乘上一个权重 wi，加起来，再套一个平滑函数 f（比如 sigmoid 或 ReLU），得到输出 y。注意关键点——这个输出 y 是一个连续的实数，比如 0.7382。它每时每刻都有值，随时随地在"说话"，从不沉默。
而真实的神经元呢？它输出的是离散的、发生在特定时刻的事件——脉冲。0.7382 这个数字在生物神经元的世界里根本不存在，存在的只有"这个毫秒我喊了"和"这个毫秒我没喊"。
这就引出了我们的主角。
三、脉冲神经网络：让计算机学大脑"闭嘴"
脉冲神经网络（Spiking Neural Network, SNN） 是第三代神经网络模型。前两代——感知机和传统深度网络——都学的是"连续值传播"；SNN 学的是大脑的本行：用离散脉冲在时间轴上传递信息。
3.1 神经元 = 一个会漏水的桶
理解 SNN 神经元，最好的比喻不是"门铃"，而是一个底部有裂缝的水桶：
- 接水：上游神经元每次发脉冲，就相当于往你的桶里浇一瓢水（有时浇的是"负水"，见下文抑制性突触）；
- 漏水：桶壁上有裂缝，水位会随时间自己慢慢下降——如果你不持续接水，水会漏光。这叫"泄漏"（leak）；
- 溢出发放：水位一旦超过桶口的警戒线（阈值 θ），神经元"啪"地发放一个脉冲，同时把桶里的水全部倒掉（重置），从头再来；
- 不应期（refractory）：倒掉之后会短暂喘口气，不会立刻再发。
这就是著名的 LIF 模型（Leaky Integrate-and-Fire，泄漏-积分-发放），SNN 世界里最常用的神经元模型。用微分方程写出来其实相当朴素：
$$
\tau \frac{du}{dt} = -(u - u_{\text{rest}}) + R \, I(t)
$$
其中 u 是膜电位（桶里的水位），τ 是膜时间常数（决定水漏得多快），I(t) 是外部注入的电流（浇进来的水），R 是电阻。
在计算机里做仿真时，我们把它离散化——不连续追踪水位，而是每过一个时间步（比如 1 毫秒）看一眼。离散化后的更新公式清爽得令人发指：
$$
u[t] = \beta \, u[t-1] + W \, s[t-1] + I_{\text{ext}}[t]
$$
拆开看：
- u[t]：当前时间步的膜电位（水位）；
- β：泄漏系数，取值 0 到 1。β = 0.9 意味着每一步桶里只剩 90% 的水——数值越小漏得越快，神经元越"健忘"；
- W s[t−1]：上游邻居们上一拍发没发脉冲（s 是 0 或 1），乘上各自突触的权重 W，汇总浇进来。W > 0 是兴奋性突触（浇水），W < 0 是抑制性突触（往桶里掺沙子，让水位往下压）；
- Iext[t]：外界注入的电流（在果蝇项目里，它就是"电刺激"或"游戏画面"的化身，这个伏笔我们第三篇再收）。
然后是发放判定，一句话：
$$
s[t] = \begin{cases} 1, & u[t] \geq \theta \ 0, & u[t] < \theta \end{cases}
\qquad\text{发放后重置：} u[t] \leftarrow 0
$$
水位碰到阈值线 θ（比如 1.0），发放脉冲，桶清空，重新开始攒水。这个"清空"操作叫重置（reset），它让每次脉冲都成为一个干净利落的事件，而不是黏黏糊糊的连续值。
3.2 用伪代码把一拍流程过一遍
每一时间步 t：
新水位 u = 泄漏系数 β × 上一步水位
新水位 u = u + Σ(每个邻居的脉冲 × 突触权重) # 浇水
新水位 u = u + 外部注入电流 I[t] # 实验员或游戏画面浇的水
如果 u ≥ 阈值 θ：
本神经元发放脉冲 s = 1
u = 0 # 倒掉桶里的水，从头再来
否则：
s = 0
把 s 沿着突触传给下游邻居
t = t + 1就这么简单。860 亿个这样的小水桶彼此浇水，就构成了……你。正在读这篇文章、并且可能已经皱起眉头的你。
四、信息在哪里？——编码的艺术
既然脉冲只有"有/无"两种状态，信息必然藏在统计规律里。主要有三种编码方式：
4.1 频率编码（Rate Coding）
最直白的一种：刺激越强，发放越频繁。一个每秒发 100 个脉冲的神经元，显然在传递比每秒发 5 个脉冲的邻居更"着急"的信号。
比喻：餐厅服务员催你结账。如果他每 30 秒路过你桌一次，那只是礼貌性巡逻；如果他在 10 秒内出现了 8 次，你最好现在就扫码付款。
数学上，神经元的发放率定义为单位时间内的脉冲数：
$$
r = \frac{\text{脉冲总数}}{\text{神经元数} \times \text{时间步数}}
$$
仿真结束后统计这个量，我们就能知道"哪些神经元在激动，激动到什么程度"。
4.2 时间编码（Temporal Coding）
频率编码有个浪费——它把信息摊在一段时间窗口里取平均。但生物神经系统反应快得惊人：苍蝇从看到拍子到起飞只要几十毫秒，等平均都来不及。所以真实大脑大概率还使用了精确到几毫秒的发放时机来传递信息。这部分水很深，本文按下不表（主要是怕表也按不住）。
4.3 恒流直接注入（Direct Current Injection）
这是仿真里最"作弊"但最实用的方式：不做统计编码，直接给目标神经元每一步都注入一份恒定电流。刺激强度 0.8，就每步浇 0.8 单位的水。好处是完全确定、可复现——同样的输入永远得到同样的结果，这对科学实验至关重要（你不能指望一篇论文写"结果大约是这样，看运气"）。
五、SNN 和深度学习，到底谁更像大脑？
来一张诚实对比表：
| 维度 | 传统深度网络（ANN） | 脉冲神经网络（SNN） | 生物大脑 |
|---|---|---|---|
| 信号形式 | 连续实数 | 离散脉冲（0/1 事件） | 离散脉冲 |
| 时间 | 无时间概念，一层层算完就完 | 信号沿时间步演化 | 持续奔流的时间 |
| 稀疏性 | 每个神经元每层都输出值 | 大部分神经元大部分时间沉默 | 高度稀疏 |
| 能耗 | 训练一次大模型够一个小城用一年 | 事件驱动，极其省电 | 约 20 瓦（一个灯泡） |
| 学习方式 | 反向传播（误差往回传） | 尚无公认答案（这是难题） | 突触可塑性，机制未完全解明 |
SNN 有个天然的优点值得单独一说：事件驱动的稀疏计算。在任一时刻，只有少数神经元在发放，绝大多数在闭嘴养膘。计算机仿真时，只需要处理"发过脉冲的神经元"及其下游，计算量和能耗都大幅下降。这也是为什么很多低功耗"神经形态芯片"（如 Intel 的 Loihi）都采用 SNN 范式。
而 SNN 最大的痛点是学习：深度学习靠反向传播调整权重，但反向传播要求信号平滑可导，而脉冲是个硬邦邦的阶跃事件，导数几乎处处为零，梯度传回去就断了。学界有各种近似方案（代理梯度等），此处不展开。好在这个痛点对我们不重要——因为我们的果蝇项目压根不需要训练网络，权重是直接从真实大脑的连接数据里"抄"来的。怎么抄？这是第二篇的故事了。
六、小结：三个带走的概念
- 脉冲：神经元唯一的语言，信息藏在发放的时机与频率里；
- LIF 模型：神经元 = 会漏水的桶。水位够了就发放并清空，公式只有一行 u[t] = β·u[t−1] + W·s[t−1] + I[t]；
- 编码方式：频率编码最常用，恒流注入最利于仿真复现。
下一篇，我们要拜访一个真的大脑——一位被电子显微镜切成上万片、被全球志愿者逐一描边的果蝇小姐。她的全脑接线图已经公开下载，文件名 FAFB-v783，主角登场，不见不散。
系列目录：
- 第一篇：当你的大脑只有 0 和 1（本文）
- 第二篇：139,255 个神经元和她的一张"通话记录"——果蝇全脑连接组 FAFB-v783
- 第三篇：给果蝇通电，让它替你玩贪吃蛇——兼谈"缸中脑"与数字永生
- 给果蝇通电，让它替你玩贪吃蛇——兼谈”缸中脑”与数字永生 - 2026年9月25日
- 139,255 个神经元，和她的一张”通话记录”——果蝇全脑连接组 FAFB-v783 - 2026年9月25日
- 当你的大脑只有 0 和 1：脉冲神经网络（SNN）是怎么一回事 - 2026年9月25日
No responses yet