学钢琴时，大脑是怎么知道哪根手指弹错了的？

更深一层的问题是：在数以百亿计的神经元构成的网络里，大脑究竟如何精确地告诉某一个细胞"你需要更活跃"，或者告诉另一个细胞"你该安静下来"？

2026年2月25日，麻省理工学院研究团队在《自然》杂志发表了一项重要发现，给这个困扰神经科学界数十年的问题，提供了迄今最有力的生物学证据。

从小鼠大脑里，找到了AI用的那套逻辑

麻省理工学院麦戈文脑研究所的马克·哈内特团队，设计了一套极为精巧的实验装置。

他们在小鼠大脑中挑选出8至10个特定神经元，在数百万个神经元中仅仅是沧海一粟，然后把这几个神经元的活动信号直接接入一套脑机接口系统，通过这套系统在屏幕上实时输出视觉反馈。

规则很简单：特定神经元活跃，小鼠获得甜食奖励；另一组神经元安静，奖励继续。

不到一周，小鼠学会了这套规则，能够主动激活"正确"的神经元，同时压制"错误"的神经元，以获取更多奖励。

但真正的发现，藏在学习过程中研究人员对神经元树突的实时监测数据里。

论文第一作者、前博士后研究员瓦莱里奥·弗兰西奥尼每天用高分辨率荧光显微镜追踪这些神经元的树突活动，也就是神经细胞向外伸出的树枝状结构，长期以来被认为是接收反馈信号的关键位点。

结果令人震惊：两组活动方向相反的神经元，在小鼠学习过程中，其树突接收到的也是方向完全相反的误差信号。该"增强活动"的细胞，树突接收到的是正向信号；该"抑制活动"的细胞，接收到的是负向信号。

P+ 和 P- 神经元视野示例。

更关键的一步是验证性实验：当团队人为干扰这些树突的信号传递后，小鼠直接丧失了学习能力。

"这是首个生物学证据，证明基于神经元特异性信号的定向指导性学习，正在大脑皮层中真实发生，"哈内特说。

神经科学与AI，走向双向奔赴

这项研究之所以引发广泛关注，不仅仅因为它回答了一个关于大脑的老问题，更因为它揭示了生物智能与人工智能之间可能存在的深层共性。

当今主流AI系统的学习方式，被称为"反向传播"算法：系统将自己的输出结果与目标进行对比，计算出误差值，然后将这个误差信号反向传递给网络中的每一个节点，每个节点据此微调自身的连接权重。如此循环迭代，网络逐渐变得更准确。

关键在于这个过程的"个性化"：每一个节点接收的误差信号都是专门针对它自身贡献量身计算的，而非一个笼统的广播信号。这正是反向传播算法高效的核心所在。

大脑中也有一种更古老的学习机制，依赖多巴胺、去甲肾上腺素等神经调质的释放来强化某些行为和神经连接。但哈内特指出，这种机制本质上是"广播式"的，同一信号被发送给大量神经元，无法区分每个细胞各自对成功或失败的具体贡献，因此效率相对低下。

现在，麻省理工学院团队的发现表明，大脑皮层在学习时，可能同时使用了一种更类似反向传播的精准机制：向单个神经元定制发送方向性的指导信号，由其树突负责接收。

这一发现在学界迅速引起了共鸣。研究团队的博士后研究员文森特·唐认为，这一结果将进一步促进神经科学家和机器学习研究者之间的深度对话。"机器学习界可以据此继续开发更符合生物学的模型，提出新的假说，然后我们再回到大脑里去验证它们。"

弗兰西奥尼则毫不掩饰自己的兴奋："机器学习提供了一种在数学上极为清晰的方式来研究学习本身。我们现在至少可以把其中一部分直接带入真实大脑，这非常有力。"

这项研究也为未来打开了一扇门。大脑皮层之外的其他脑区如何学习？不同的学习算法与生物神经网络之间究竟有多少相似之处，又在哪里分道扬镳？能否借鉴生物学的发现，构建出更高效、更节能的类脑AI？

"这感觉像是一个全新的开始，"哈内特说。