想象一家跨国餐饮集团：总部（胞体）负责拍板出菜，分布在世界各地的分店（树突）负责接单。在很长一段时间里，所有人都以为分店只是“传声筒”——顾客（突触前神经元）把订单（电信号）递进来，分店再原封不动地传真回总部，由总部统一算账。直到有一天，神经科学家发现分店里藏着一套本地“紧急决策权”：当多份订单在同一瞬间涌进来，分店内一台叫 NMDA 受体的特殊设备会轰然启动，直接推出一道总部从未教过的“超浓套餐”，让整个门店瞬间火力全开。 这个发现彻底改写了教科书：树突不是一根听话的电话线，而是一台能独立做局部计算的微型电脑。NMDA 受体的电压依赖性，就像一道“又认人、又认时机”的安检门，让树突分支能识别输入的协同性，甚至让单个神经元完成多层逻辑运算。本文就从这家“集团”讲起：先看树突认知的变迁，再拆解 NMDA 的门控开关，然后讲树突如何用非线性做整合与决策，给出建模工具，最后谈谈这些发现如何启发我们设计更聪明的类脑 AI。一句话：大脑不是把算力集中在总部的集权企业，而是每个分店都在思考的分布式公司。

岗位关联

理解树突计算与 NMDA 非线性，是理解大脑分布式计算本质的关键一步，也是你从“用 AI”走向“造类脑 AI”时绕不开的认知升级。

目录
  1. 可视化演示
  2. 树突认知变迁
  3. NMDA受体门控
  4. 树突非线性整合
  5. 树突计算模型
  6. 单神经元逻辑
  7. 类脑算法启发
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示神经元结构（树突/胞体/轴突）、NMDA受体非线性整合、树突尖峰机制及SNN树突计算模拟，含粒子场背景和发光动画。

本节配有交互动效（进入视口后自动加载，约 3KB）。

树突认知变迁

我们把神经元想象成一家跨国餐饮集团：胞体是总部，树突是从总部伸向市场的分店网络。在很长一段时间里，神经科学家相信，分店只是“传声筒”——顾客把订单递给分店，分店原封不动地传真回总部，由总部统一算账。这个“被动线缆”观点统治了半个世纪之久，树突在教科书里被画成一根根等电位圆管，唯一的任务就是把突触电流“搬运”到胞体。

但 20 世纪 90 年代起，电生理记录和钙成像技术让科学家可以直接“偷看”树突内部，结果令人震惊：树突膜上嵌着大量电压门控通道——它们不是电话线，而是埋着放大器的光缆。传统线性整合模型把胞体输出写成所有突触输入的加权和，这其实也是今天人工神经网络“加权求和+激活”的雏形。但真实树突的局部电压往往不遵循这条规则：相邻突触同时被激活时，树突分枝上会冒出比普通突触后电位大得多的局部放电，称为树突尖峰（dendritic spike）。每个分支都可能是一个独立计算单元。

这个公式简洁优美，但它默认分店不会对订单做任何预处理。后来的实验反复打脸：分店不仅会处理，还会在关键时刻自行放大或抑制订单——树突从“被动线缆”升级为“主动计算部件”，一场认知革命就此开场。

Vsoma=∑i=1nwiIiV_{\text{soma}} = \sum_{i=1}^{n} w_i I_i
这个公式是“总部集权”式观点的数学表达：所有订单简单相加，分店不做任何处理。
  1. 突触输入电流 $I_i$每个突触事件向树突注入一股电流，相当于顾客递来一张订单。
    IiI_i
  2. 突触权重 $w_i$不同订单的“加急系数”，权重越大，这个输入对胞体的影响越大。
    wiw_i
  3. 线性累加求和用求和符号把所有订单简单加起来，这是线性叠加假设的核心。
    ∑i=1nwiIi\sum_{i=1}^{n} w_i I_i
  4. 胞体输出 $V_{\text{soma}}$总加结果决定了总部是否出菜，即是否发放动作电位。
    VsomaV_{\text{soma}}

NMDA受体门控

分店里的特殊设备到底是什么？主角就是 NMDA 受体——一个长在树突棘膜上的“离子门”。你可以把它想象成一道安检门：平时门被一个叫“镁离子”的保安死死堵住，无论顾客怎么拍门都不开；只有当通道周围电位变得足够正，总部来了强支持信号时，保安才被电动力“推走”，大门轰然打开。这个“又要有顾客、又要有电位”的双重条件，是 NMDA 受体最迷人的地方：它既依赖配体（谷氨酸）结合，又依赖电压去极化，两者缺一不可。

谷氨酸是大脑最主要的兴奋性递质，NMDA 受体是它的三大受体之一。当镁离子阻塞被移除，通道打开后，钙离子大量涌入树突棘——钙本身就是第二信使，能触发下游级联反应，甚至改变突触权重。这个机制把“输入强度”和“输入时刻”绑在了一起，天然是一个时间窗内的协同检测器。下面这条公式描述了它的门控电导：

有了门控电导，就可以写出 NMDA 电流：

于是分店的秘密揭晓了：NMDA 受体是装在门口的“协同认证门”，只允许足够多、足够同步的订单同时触发总部的资源调度。这种“又认人、又认时机”的门控，正是后面一切非线性计算的火种。

gNMDA(V)=gmax⁡1+[Mg2+]Kdexp⁡ ⁣(−VVs)g_{\text{NMDA}}(V) = \frac{g_{\max}}{1 + \dfrac{[Mg^{2+}]}{K_d} \exp\!\left(-\dfrac{V}{V_s}\right)}
电流 = 开门的程度 × 驱动电压差。由于电导随电压非线性变化，I-V 曲线在负电位区出现弯曲，这正是“非线性”的数学根源。
  1. 电导与电压差相乘电流大小由门控电导和驱动电压差共同决定。
    I=g×(V−Erev)I = g \times (V - E_{\text{rev}})
  2. 反转电位 $E_{\text{rev}}$NMDA 通道的反转电位约 0 mV，由钙、钠、钾混合离子决定。
    Erev≈0 mVE_{\text{rev}} \approx 0\,\text{mV}
  3. 负斜率电导区当 V 从很负逐渐去极化，电导增长快于驱动差下降，I-V 曲线出现“回头弯”，这是 NMDA 非线性的核心特征。
    dIdV<0\frac{dI}{dV} < 0

树突非线性整合

想象分店同时收到两份完全一样的订单：一份上午送到，一份下午送到，分店按部就班各处理一次；如果两份订单在同一秒塞进来，就会触发紧急预案，整条流水线火力全开，产出远大于两份订单分开处理的总和。这就是树突的超线性整合（supralinear integration）。

实验上，超线性整合表现为：同时激活同一树突分支上的两个突触，其响应超过单独激活响应的线性之和；反之，若输入落在不同分支或时间上错开，则只呈现线性甚至亚线性。这个“和而不同”的特性，让树突分支可以进行特征联合检测——比如“只有当 A 和 B 同时出现时才报警”。树突尖峰是超线性整合最激烈的形式：当局部电压突破 NMDA 再生性通道的阈值，钙通道与 NMDA 受体形成正反馈循环，分支上会产生幅度达数十毫伏的局部尖峰，不必传遍全细胞，只影响胞体的整合窗口。视网膜方向选择性细胞就被认为利用了这种机制：按正确方向依次到达的输入能有效堆叠电压，反向则不能。

分店不再只是汇总订单，而是能识别“订单组合拳”：同时到达的订单会被紧急放大，先后到达的则平淡处理。协同性本身成为树突输出的一部分信息——这种计算在人工神经网络里，通常要额外好几层才能模仿。

ΔI=I(A, B)−[ I(A)+I(B) ]>0\Delta I = I(A,\,B) - \bigl[\,I(A) + I(B)\,\bigr] > 0
ΔI 大于 0，表示联合输入的实际输出超过了“分别激活再相加”的线性预测——多出来的部分就是 NMDA 正反馈的功劳。
  1. 单输入响应 $I(A)$、$I(B)$单独激活输入 A 或 B 时记录到的输出电流。
    I(A),I(B)I(A),\quad I(B)
  2. 线性预测和方括号内的两项相加，是纯线性树突应有的响应。
    I(A)+I(B)I(A) + I(B)
  3. 联合响应 $I(A,B)$同时激活两个输入时实测到的输出。
    I(A, B)I(A,\,B)
  4. 超线性偏差 ΔI联合响应减去线性预测，若为正就是超线性。
    ΔI>0\Delta I > 0

树突计算模型

要把分店的自治能力讲清楚，光靠口号不够，得建模。假设我们要给每个分店画一张运营流程图：哪根线、多粗、多长、绝缘性如何——这就是树突计算建模的起点。点神经元（单房室模型）把整个神经元当作一个电容，忽略了树突的空间结构。这在只关心输出频率的粗略模拟里够用，但无法解释树突尖峰和局部非线性。

于是人们回到 Rall 在 1950 年代提出的电缆理论（cable theory），把树突看成一段段相连的电缆，每一段都有膜电阻、轴向电阻和膜电容。多房室模型把树突离散成几十上百个串联房室，每个房室的状态由电缆方程组描述，著名的 NEURON、Brian 等模拟软件都基于此。现代连接组学进一步提供了真实形态学数据——树突的长短、粗细、分支角度都被量化重建，让“数字神经元”越来越逼近真实。空间常数 λ 决定了电压信号沿着树突能传多远，λ 越大，远端突触的影响越能到达胞体。

有了电缆方程这张“分店图纸”，我们就能精准预测：信号在哪一段衰减、哪一段放大、哪一个分支上的同步输入足以点燃 NMDA 尖峰。建模让“分店自治”从故事变成了可计算的工程。

τm∂V∂t=λ2∂2V∂x2−(V−Vrest)\tau_m \frac{\partial V}{\partial t} = \lambda^2 \frac{\partial^2 V}{\partial x^2} - \bigl(V - V_{\text{rest}}\bigr)
这个方程说的是：电压随时间的变化，由空间扩散项和向静息电位回归项共同决定。它是“树突图纸”上的基本力学方程。
  1. 膜时间常数 $\tau_m$电压变化的惯性，等于膜电阻与膜电容的乘积。
    τm=RmCm\tau_m = R_m C_m
  2. 空间常数 $\lambda$信号沿树突 x 方向衰减的特征距离，等于轴向电阻与膜电阻比值的平方根。
    λ=rmra\lambda = \sqrt{\frac{r_m}{r_a}}
  3. 时间偏导项左端表示电压随时间的变化率。
    ∂V∂t\frac{\partial V}{\partial t}
  4. 空间二阶偏导项表示电压沿树突长度方向的弯曲程度，弯曲越强，局部电流扩散越强。
    ∂2V∂x2\frac{\partial^2 V}{\partial x^2}
  5. 静息电位项系统稳态时趋向的基准电压，相当于分店空转时的默认状态。
    VrestV_{\text{rest}}

单神经元逻辑

现在到了最烧脑的部分：一个分店（神经元）能不能像一个小型总部一样，做需要“多层思考”的逻辑判断？先看一个经典难题：XOR——只有当两个输入不一样时输出 1。这个规则对应的四个点在二维平面上呈对角分布，单层感知机用一条直线永远切不开。1969 年 Minsky 和 Papert 证明了这一点，神经网络研究一度因此陷入寒冬。

但“单层神经元不行”不等于“一个神经元不行”——关键在于神经元内部要有非线性处理单元，树突分支恰好提供了这种内部非线性。如果神经元有两组树突分支，一组负责检测“任一输入为真”（OR），一组负责检测“两个都为真”（AND），胞体再把两者做减法，就得到了 XOR 所需的“有且仅有一个”判定。生物实验已在多种神经元中发现类似行为：小脑浦肯野细胞、皮层锥体神经元都能通过树突非线性实现“两层”逻辑。用数学语言说，树突非线性相当于给神经元加了隐藏层。

分店的故事在这里升华：一个“分店+特别设备”的组合，不只是一个传话员，而是一台能识别复杂口令的小型计算机。大脑的算力，有一部分就藏在单个神经元的“内部网络”里。

y=sgn⁡(∑i=1nwixi+b)y = \operatorname{sgn}\Bigl(\sum_{i=1}^{n} w_i x_i + b\Bigr)
这是单层感知机的判决式。问题在于它只能画一条直线，而 XOR 需要“弯”一下——树突非线性就是那个“弯”。
  1. 加权求和输入按权重累加，是第一次线性变换。
    ∑i=1nwixi\sum_{i=1}^{n} w_i x_i
  2. 偏置 $b$决策边界的位置偏移，相当于总部给分店的初始态度。
    bb
  3. 符号函数 $\operatorname{sgn}$结果大于 0 输出 1，否则输出 0。
    sgn⁡(⋅)\operatorname{sgn}(\cdot)
  4. 线性超平面在二维平面上，这个判决式对应一条直线，无法分开 XOR 的四个点。
    ∑wixi+b=0\sum w_i x_i + b = 0
  5. 非线性拓展把中间项替换为树突分支的非线性函数 $h_j(x)$，单神经元即可实现多层逻辑。
    y=sgn⁡(∑jwjhj(x)+b)y = \operatorname{sgn}\Bigl(\sum_{j} w_j h_j(x) + b\Bigr)

类脑算法启发

如果真实大脑每个神经元都像一家会自治的分店，那我们在设计 AI 时，是不是也该给“总部集权”式的人工神经网络装上当地分店？这正是类脑计算近年来最活跃的方向之一。传统人工神经网络把“神经”抽象成一层层全连接的加权求和，树突被彻底抹平；而神经形态工程试图还原生物的计算原则。

Intel Loihi、IBM TrueNorth、清华天机等芯片上，已出现模拟 NMDA 门控、树突分支整合的电路单元。它们的共同思路是：用更少的神经元，靠单神经元的非线性表达力完成更多任务，从而降低整体能耗。在 SNN（脉冲神经网络）中模拟树突计算，通常是在神经元模型内部加入若干“树突房室”，每个房室对输入做局部非线性运算（比如门控高斯核），再由胞体汇总。这相当于把部分网络层“折叠”进神经元内部，减少层间的脉冲通信开销。理论研究也表明，树突非线性可被理解为局部核函数，与机器学习中的核方法异曲同工——都在用“特征联合检测”突破线性边界。

回到跨国餐饮集团：最高效的运转方式，不是所有订单都传回总部，而是给分店足够的本地决策权，总部只处理真正需要全局协调的大事。类脑 AI 的终极形态或许就是这样的——局部计算与全局协调的优雅平衡。

AI 应用场景

神经形态视觉芯片中的树突计算单元

阶段：算法设计 / 硬件部署

解决的问题：传统事件相机 SNN 需要用多层网络提取时空特征，延迟高、功耗大。树突非线性单元可在单个神经元内完成局部时空特征联合检测，把“多图层层传递”压缩为“单神经元内部完成”。

具体案例：某类脑芯片团队把 NMDA 式门控集成进脉冲神经元，对无人机避障事件流做方向选择性检测，仅用 3 层 SNN 就达到传统 7 层网络的识别精度，整体功耗下降约 40%。这就像给分店装了本地审批权，总部压力骤减。

脉冲神经网络中的树突分支模块

阶段：模型设计 / 训练优化

解决的问题：SNN 训练中梯度传播困难、网络层数受限，深层结构容易不收敛。引入可学习的树突分支（局部门控）能增强单层表达力，用“宽而浅”替代“窄而深”。

具体案例：研究团队在语音唤醒任务中，为 SNN 隐藏神经元加入两个树突房室，每个房室有独立门控权重。单层模型在关键词检测上超过了基线两层 LIF 网络，且推理延迟更低。这正如分店用本地协同检测快速响应，不必层层上报。

树突形态重建驱动的数字神经元仿真

阶段：数据处理 / 科学建模

解决的问题：构建多房室模型需要精确的树突形态，人工标注电镜图像极其耗时。AI 自动重建可以把数月工作量压缩到数天。

具体案例：连接组学团队用深度学习从鼠脑皮层电镜切片中自动重建锥体神经元树突骨架，生成的高精度形态学文件直接导入 NEURON 仿真器，用于研究 NMDA 尖峰在真实树突上的传播规律。这相当于给分店网络画出了精确的运营图纸。

Python 演示

python41 行
import numpy as np  class NMDAReceptor:    """NMDA受体的简化模型：镁离子阻塞随电压升高而解除"""    def __init__(self, g_max=2.0, mg=1.0, v_s=20.0):        self.g_max = g_max        self.mg = mg        self.v_s = v_s     def gating(self, v):        """电压依赖的门控电导（0~1之间）"""        return 1.0 / (1.0 + self.mg * np.exp(-v / self.v_s))     def current(self, v, e_rev=0.0):        """NMDA电流 = 门控电导 x 驱动电压差"""        return self.g_max * self.gating(v) * (e_rev - v)  def main():    nmda = NMDAReceptor()    rest, amp = -65.0, 30.0     print("== NMDA 门控曲线：电压越正，阻塞越弱 ==")    for v in range(-60, 41, 20):        print("V=%5.1f mV  gate=%.3f" % (v, nmda.gating(v)))     print("\n== 同时到达 vs 先后到达（超线性证据） ==")    g_both = nmda.gating(rest + 2 * amp)    g_seq = 2 * nmda.gating(rest + amp)    print("先后到达总门控=%.3f, 同时到达总门控=%.3f, 超线性增益=%.2f"          % (g_seq, g_both, g_both / g_seq))     print("\n== 单层感知机解不开 XOR ==")    for x1, x2 in [(0, 0), (0, 1), (1, 0), (1, 1)]:        out = 1 if (x1 + x2 - 0.5) > 0 else 0        print("XOR(%d,%d) -> %d, 期望 %d" % (x1, x2, out, x1 ^ x2))  if __name__ == "__main__":    main()
目的：演示 NMDA 受体门控的电压依赖性、树突超线性整合的“1+1>2”现象，以及单层线性感知机无法解决 XOR 问题。
  1. def gating(self, v)镁离子阻塞模型：电压越正，分母越小，门控电导越接近 1。
  2. return 1.0 / (1.0 + self.mg * np.exp(-v / self.v_s))这就是正文中 NMDA 电导公式的直接翻译。
  3. return self.g_max * self.gating(v) * (e_rev - v)电流 = 开门程度 × 驱动电压差，对应 $I = g(V)(V - E_{\text{rev}})$。
  4. g_both = nmda.gating(rest + 2 * amp)两个输入同时到达，局部电压叠加到 −5 mV，门控大开。
  5. g_seq = 2 * nmda.gating(rest + amp)先后到达时，每次只开到一半，总和小于同时到达。
  6. out = 1 if (x1 + x2 - 0.5) > 0 else 0单层线性阈值判决，运行后可见 XOR 的两个对角模式无法同时正确。

常见误区

误区树突不就是一根导线吗？信号从树突传到胞体，不会做任何处理。我在学人工神经网络时，根本没考虑过树突内部结构。

正解树突富含电压门控离子通道，NMDA 受体等元件能在局部产生树突尖峰、超线性整合和方向选择性响应，是真正的计算单元。它更像分店里的本地加工车间，而不是单纯传话的电话线。

为何常见：经典教科书和大多数 ANN 课程都从简化点神经元讲起，学习者天然把树突省略为导线，直到实验证据出现才被纠正。

误区NMDA 受体就是一种比较慢的兴奋性谷氨酸受体，功能就是让神经元兴奋得久一点，和 AMPA 受体只是快慢不同。

正解NMDA 受体的标志性特征是电压依赖的镁离子阻塞，它要求“配体结合 + 去极化”双重条件，本质是协同检测开关。非线性才是它的灵魂，慢只是副产物。

为何常见：因为它也通透钠、钾、钙，容易被归入普通兴奋性受体家族，忽视了其门控条件的独特性和计算意义。

误区只要给神经元加上树突尖峰非线性，它就能像深层网络一样解决任何问题，多层网络可以被淘汰了。

正解树突非线性是强大的计算原语，但有严格条件：非线性只在同步、同分支输入时出现，且仍受代谢与延迟限制。它增强单神经元表达力，但不能完全替代深度结构的层级抽象。

为何常见：媒体常放大“单神经元=深层网络”的噱头，让人高估单个非线性的能力，忽略了生物计算的条件性与资源约束。

误区类脑芯片模拟树突计算，就是要一模一样复刻生物神经元，细节越丰富越好，最好把每个离子通道都放进硅片。

正解神经形态工程取的是计算原则——局部非线性、协同门控、事件驱动，做的是抽象简化。完整生物模型在功耗、速度和工程成本上并不适合部署。

为何常见：“类脑”二字让人误以为是生物仿真，忽略了工程上“取其神、去其形”的抽象必要性。

面试题

Q1. NMDA 受体通道被镁离子阻塞后，解除阻塞的关键条件是什么？

单选题 · easy

  • A.配体长时间结合
  • B.胞外钾离子浓度升高
  • C.膜电位显著去极化← 正确答案
  • D.突触囊泡数量增加

答案：C。NMDA 通道的镁离子阻塞是电压依赖的，只有足够强的去极化才能把镁离子“推”出通道。配体结合是打开通道的必要条件而非充分条件，钾离子浓度与突触囊泡数量都不是解除阻塞的直接原因。

Q2. 传统观点认为树突在神经元中的主要作用是什么？

单选题 · easy

  • A.进行复杂的局部运算
  • B.直接释放神经递质
  • C.被动传导突触信号← 正确答案
  • D.合成所有结构蛋白

答案：C。传统观点受电缆理论影响，认为树突只是把突触电流被动传导到胞体。主动局部运算、递质释放和蛋白合成都不是传统认知中树突的核心职责。

Q3. 关于 XOR 问题与单层感知机的关系，下列说法正确的是？

单选题 · mid

  • A.单层感知机可唯一求解
  • B.XOR 问题完全不可解
  • C.XOR 必须用无穷样本
  • D.单层感知机无法分隔 XOR← 正确答案

答案：D。Minsky 与 Papert 证明单层感知机只能解决线性可分问题，XOR 的四个点无法被一条直线分开。XOR 并非不可解，引入隐藏层或树突非线性即可求解；它也与样本数量无关。

Q4. 电缆方程中的空间常数 λ 主要反映什么？

单选题 · mid

  • A.信号在树突上衰减的距离← 正确答案
  • B.电压变化的时间快慢
  • C.突触前膜递质释放量
  • D.树突分支的总长度

答案：A。空间常数 λ=√(r_m/r_a) 表示电压沿树突指数衰减的特征距离，λ 越大信号传得越远。时间快慢由时间常数 τ 决定，递质释放是突触前过程，分支总长度与 λ 无直接关系。

Q5. 树突超线性整合的典型特征是？

单选题 · mid

  • A.联合输入等于各自之和
  • B.联合输入小于各自之和
  • C.联合输入大于各自之和← 正确答案
  • D.输入之间完全互不影响

答案：C。超线性整合指两个输入同时激活时的响应大于各自响应之和（1+1>2），由 NMDA 正反馈放大贡献。等于之和是线性，小于之和是亚线性（如分流抑制）。

Q6. NMDA 受体的门控特性包括哪些？

多选题 · mid

  • A.需要谷氨酸配体结合← 正确答案
  • B.膜电位去极化解除镁阻塞← 正确答案
  • C.允许钙离子进入胞内← 正确答案
  • D.只允许钾离子流出

答案：ABC。NMDA 受体既需要谷氨酸配体（A），又需要去极化把镁离子驱离通道（B），开放后钙离子大量内流（C）。它并非只通钾，生理条件下以钙、钠内流为主，反转电位约 0 mV。

Q7. 多房室模型相比单房室点模型的主要优势是？

单选题 · easy

  • A.模型参数数量更少
  • B.仿真运行速度更快
  • C.保留树突空间结构与局部非线性← 正确答案
  • D.不需要任何实验数据

答案：C。多房室模型把树突离散成多个串联房室，能保留空间结构和局部非线性通道，是研究树突尖峰的基础。它的参数更多、速度更慢，也需要真实形态学数据支撑。

Q8. 树突的非线性整合为单个神经元增加了哪些计算能力？

多选题 · hard

  • A.检测多个输入协同到达← 正确答案
  • B.实现线性不可分的分类← 正确答案
  • C.提供方向选择性响应← 正确答案
  • D.完全替代深层网络结构

答案：ABC。树突非线性让神经元能检测输入协同性，通过 OR/AND 分支组合可实现 XOR 这类线性不可分分类，方向选择性细胞也依赖这种机制。但说“完全替代深层网络”过于绝对，它只是增强单神经元表达力。

Q9. 在类脑 SNN 中模拟树突计算，最主要的动机是？

单选题 · hard

  • A.提升单神经元表达力并降低能耗← 正确答案
  • B.让神经元拥有更长的不应期
  • C.完全取消对时间编码的需求
  • D.用静态权重取代全部突触

答案：A。SNN 引入树突计算的动机是把部分网络层“折叠”进神经元内部，用单神经元的局部非线性减少层数和脉冲通信，从而降低能耗。延长不应期、取消时间编码、静态权重都不是目的。

Q10. 关于 NMDA 受体非线性与人工神经网络组件的类比，哪些是合理的？

多选题 · extreme

  • A.电压依赖可类比 ReLU 的输入阈值特性← 正确答案
  • B.镁阻塞解除可类比条件门控机制← 正确答案
  • C.配体与电压双重要求可类比逻辑与门← 正确答案
  • D.其电流与电压严格线性关系

答案：ABC。NMDA 的电压依赖确实类似 ReLU 的阈值行为（A），镁阻塞解除类似 LSTM/GRU 中门控被打开（B），配体+电压双重条件对应逻辑与门（C）。D 明显错误——NMDA 的 I-V 曲线本身就是显著非线性的。