最近发表在PNAS的一项研究，首次在深度冷冻的小鼠大脑组织中恢复了关键的神经功能，使这一长期属于科幻的设想在实验室中向前迈出了一小步。

长期以来，科学家已经能够在一定程度上保存神经组织。例如，一些实验表明，在冷冻和复温后，神经元在细胞结构层面可以存活，甚至能够恢复部分功能。然而，大脑真正的运作依赖一整套复杂过程——神经元放电、细胞代谢以及突触可塑性等。如果这些过程无法恢复，大脑就无法重新运转。因此，问题的核心变成：当大脑在极低温度下完全停止分子运动之后，它是否还能重新启动？

来自德国的神经学家亚历山大·格尔曼（Alexander German）及其团队试图回答这个问题。他们关注的关键挑战，是冷冻过程中产生的冰晶损伤。在传统冷冻中，水分子会形成冰晶，而这些微小晶体会刺破或挤压细胞内部的纳米级结构，破坏细胞膜和突触连接。对于高度精密的神经网络来说，这种结构破坏几乎是致命的。除了冰晶本身，冷冻还会带来渗透压变化和冷冻保护剂毒性等问题，使大脑组织在复温后难以恢复功能。

为了避免冰晶形成，研究团队采用了一种称为玻璃化（vitrification）的冷冻方法。这种技术通过极快的降温速度，使液体在来不及形成晶体之前进入一种类似玻璃的无序固态结构。在这种状态下，分子运动几乎完全停止，但组织结构可以被整体“冻结”下来。研究者希望验证，在这种完全静止的状态之后，大脑的功能是否还能重新启动。

他们首先从小鼠大脑中切取厚度约350微米的组织切片，这些切片包含了海马体——一个与记忆和空间导航密切相关的关键脑区。组织在含有冷冻保护剂的溶液中预处理后，被迅速降温至液氮温度（约–196℃），随后在–150℃左右的玻璃态中保存，从十分钟到七天不等。之后研究人员将这些组织在温热溶液中逐步复温，并检测其结构和功能是否仍然存在。

显微镜观察显示，神经元和突触膜的结构基本保持完整。对线粒体活性的检测表明，细胞代谢系统并未受到明显破坏。更关键的是，电生理记录显示，这些神经元在接受电刺激时仍能产生接近正常的反应。尽管与对照组相比存在一定偏差，但神经元仍然能够放电并传递信号。

研究团队进一步测试了神经网络层面的功能。他们发现，海马体神经通路仍然能够产生长时程增强（long-term potentiation，LTP）——这是一种被认为是学习和记忆基础的突触强化机制。换句话说，在深度冷冻之后，这些神经回路依然保留了形成记忆相关可塑性的能力。不过，由于脑切片在实验条件下本身会逐渐退化，这些功能只能维持几个小时，因此研究者只能在有限时间内观察这些现象。

在成功验证脑组织切片后，研究团队尝试将方法扩展到整个小鼠大脑。他们将完整大脑保持在–140℃左右的玻璃态中，最长可达八天。然而，在这一过程中，研究者不得不反复调整实验方案，以减少冷冻保护剂带来的毒性，以及避免大脑组织在冷却过程中发生收缩。复温后，研究人员再次从这些大脑中取出海马体切片进行电生理记录，结果表明相关神经通路仍然能够产生LTP，这意味着关键的神经网络结构在冷冻过程中得以保存。

不过，这并不意味着小鼠的大脑能够在整体层面“复活”。由于实验是在切片中进行的，研究人员无法验证冷冻前动物所形成的记忆是否仍然存在。大脑是否能够在整体层面恢复意识或行为功能，仍然完全未知。

尽管如此，这项研究仍然代表了神经冷冻保存领域的重要进展。一些研究者认为，这种逐步推进的技术进展，正是科幻概念逐渐转化为现实可能性的过程。例如，来自新罕布什尔大学的机械工程研究者姆里廷朱伊·科塔里（Mrityunjay Kothari）指出，这项研究展示了脑组织冷冻保存技术的显著进步，但距离实际应用仍然相当遥远。尤其是在大型器官甚至整个人体层面，热传导、机械应力以及组织开裂等问题都会变得更加严重。

研究团队目前正在尝试将该技术扩展到人类脑组织。根据他们的初步数据，人类皮层组织在类似条件下也表现出一定程度的存活性。同时，研究者也在探索将玻璃化冷冻应用于其他器官，例如心脏。理论上，如果大型器官能够在玻璃态中长期保存并恢复功能，这将为器官移植提供一种全新的“器官银行”。

但要实现这一目标，还需要更先进的冷冻保护剂、更均匀的冷却和复温技术，以及对大型组织热力学过程更深入的理解。在当前阶段，这项研究更像是一个概念验证：它表明，大脑这种极其复杂的生物结构，在完全停止活动之后，仍然有可能恢复部分功能。

在科幻故事中，冷冻舱意味着跨越时间的旅行。而在现实科学中，这项技术更可能首先改变医学实践，例如在严重脑损伤、缺血性疾病或器官移植等待过程中保护关键组织。尽管距离真正的“冷冻睡眠”仍然十分遥远，但这项研究至少证明了一点：即使大脑进入了看似完全静止的状态，它的功能并不一定永远消失。某些关键的神经过程，或许仍然可以在解冻之后重新启动。

参考文献：
1. German, A., Akdaş, E. Y., Flügel-Koch, C., Erterek, E., Frischknecht, R., Fejtova, A., … & Zheng, F. (2026). Functional recovery of the adult murine hippocampus after cryopreservation by vitrification. Proceedings of the National Academy of Sciences, 123(10), e2516848123

这一研究主要由澳大利亚公司Cortical Labs推动。早在2021年，团队就展示了一种名为DishBrain的实验系统：研究人员在微电极阵列上培养了约80万个人类神经元。这种阵列既能向神经元发送电信号，也能记录它们的活动。通过这种双向接口，神经元能够接收来自游戏的“感官信息”，并以电信号形式输出“行动指令”。

在当时的实验中，神经元被训练玩经典游戏《乓》（Pong）。系统会将屏幕上球的位置转化为不同的电刺激信号，例如球向上移动时刺激阵列上方区域，向下移动则刺激下方区域。神经元网络在不断接收反馈后逐渐形成活动模式，这些模式会被解释为控制球拍移动的指令。经过长时间训练，这些神经元能够在一定程度上成功击回球。

这一成果已经足够惊人，但它仍然属于一个相对简单的输入—输出系统。《乓》是二维游戏，规则非常直接：球的位置几乎可以线性映射为球拍移动方向。对于神经网络来说，这是一种较容易建立映射关系的环境。

然而，研究团队很快意识到，如果生物计算机真的有潜在价值，它必须能够处理更加复杂的情境。于是他们将目标升级为一款技术圈常用来测试设备性能的经典游戏：《毁灭战士》。

《毁灭战士》与《乓》完全不同。它是一个三维（准确说是2.5D）环境，包含复杂空间、敌人、武器、移动和攻击等多种行为。玩家需要在不断变化的视觉场景中做出实时决策。这种环境更接近现实世界中的感知与行动循环。

为了实现这一目标，Cortical Labs开发了新一代神经计算平台CL1。与早期系统相比，CL1最大的变化在于其软件接口：研究人员将系统开放为可以通过Python编程的接口，使开发者能够更容易地控制神经元网络。

这一改变极大降低了实验门槛。一个名叫Sean Cole的独立开发者——此前几乎没有生物计算经验——仅用了大约一周时间，就成功让神经元系统运行《毁灭战士》的开源版本Freedoom。

关键挑战在于：这些神经元没有眼睛，也无法真正“看到”屏幕。研究人员必须将视觉信息转换为电信号模式。例如，当游戏画面左侧出现敌人时，阵列左侧的电极会刺激对应区域的神经元，模拟一种“感官输入”。神经元对刺激作出反应，产生不同的放电模式。系统再将这些放电模式解读为行动指令，比如移动、旋转或开枪。

实验中使用的神经元数量约为20多万，远低于人脑约860亿个神经元的规模。但即便如此，这些神经元仍然能够表现出某种适应性行为。它们可以寻找敌人、射击、转向，尽管经常“死亡”，但研究人员观察到神经元的活动模式会随着反馈逐渐改变，显示出学习的迹象。

Cortical Labs的科学家Brett Kagan将这一成果描述为一个重要里程碑，因为它展示了生物神经网络能够进行实时目标导向学习。换句话说，这些神经元并不是简单地被动响应刺激，而是在不断调整自身活动模式，以更好地适应环境。

尽管如此，研究人员也强调，目前的系统与真正的大脑仍然存在巨大差距。首先，这些神经元并不具备意识，也不知道自己正在“玩游戏”。它们只是对电刺激做出反应。其次，科学家仍然不完全理解神经元网络是如何在这种环境中形成行为策略的。

英国曼彻斯特大学计算机工程师Steve Furber指出，虽然让神经元玩《毁灭战士》是一项显著进展，但我们仍然不知道神经元是如何“理解任务”的。没有视觉系统，也没有真正的身体，这些细胞究竟如何从电刺激中提取信息并形成行为模式，仍然是一个重要的科学问题。

不过，从技术发展的角度来看，这种能力本身已经具有潜在意义。英国西英格兰大学计算机科学家Andrew Adamatzky认为，《毁灭战士》实验展示了生物神经系统能够处理复杂、不确定、实时变化的环境，这正是未来生物计算机必须面对的挑战。

另一些研究者则把这类实验看作机器人控制技术的前奏。雷丁大学神经科学家Yoshikatsu Hayashi指出，让神经元在虚拟环境中控制游戏角色，其实与未来控制机器人手臂的任务类似。例如，一个生物计算机可能通过触觉信号学习如何抓取物体。

除了控制机器人，这种技术还可能带来另一项优势：能耗效率。现代人工智能模型通常依赖巨大的计算资源和能源消耗，而神经元本身是一种高度高效的信息处理系统。理论上，生物计算机可能在某些任务上比传统硅芯片更节能。

不过，这一领域的发展也引发了一些伦理讨论。随着实验规模扩大，人们可能会开始担心实验室培养神经元的地位问题。例如，如果未来培养出更复杂的神经组织，它们是否会具有某种形式的意识？是否需要新的伦理规范？

目前来看，这些担忧还停留在理论层面。研究人员强调，当前实验使用的神经元只是简单的细胞网络，没有意识或自我体验。它们更像是一种特殊材料，一种能够处理信息的生物基底。

即便如此，从《乓》到《毁灭战士》的跨越仍然具有象征意义。在科技圈有一句著名的玩笑：“任何设备最终都会有人问——它能不能运行《毁灭战士》？”几十年来，人们已经让这款游戏在各种设备上运行，从计算器到拖拉机，再到ATM机。

如今，这个名单上又多了一种设备——由活体人类神经元驱动的生物计算机。

参考来源

在一项发表于《科学报告》（Scientific Report）的新研究中，来自伦敦国王学院、拉夫堡大学与斯科尔科沃科技学院的研究人员提出了一个理论模型，显示大脑形成与保持记忆的能力，可能取决于它所感知的“感官世界”的维度数。

结果表明，存在一个“最佳感官维度数”——大约是7——在这一点上，记忆存储的效率达到峰值，而在更高维度时则开始下降。

研究者写道：“模型一个有趣的结果是，它暗示在神经系统或类神经系统演化中，存在一个‘最佳感官数’。当感官数量等于7时，概念空间的容量最大——也就是说，对外部世界的感知最为丰富，此时不同概念得以保存的数量也达到最大。”

这项研究的核心问题是：一个智能系统需要多少种感官，才能记住关于其环境的最多信息？

为探讨这一问题，研究者建立了他们所谓的“记忆痕迹动力学模型”。这些是数学表示，用来展示记忆如何在一个“概念空间”中形成、变化与消退——这个空间可被理解为一个多维的经验地图。在该模型中，每个记忆痕迹几乎就像一个“活的”对象，会根据受到刺激（如视觉、听觉、触觉等）的频率而扩张、收缩或融合。

研究者写道：“如果每种特征对应一种感官，那么这个临界维度就意味着一个系统若想保持最多不同概念，其最佳感官数量正是这一维度。”

换言之，如果每个感官代表感知中的一个维度，那么似乎存在一个自然的极限——七维——超过这一点后，大脑区分不同概念的能力就会下降。

这项研究基于德国生物学家理查德·塞蒙（Richard Semon）在1904年提出的“记忆痕迹”概念。一个多世纪以来，神经科学家们通过脑成像与光遗传学实验，试图在大脑中找到这些神经性的“记忆踪迹”，并识别出在回忆时重新激活的特定神经元群。然而，尽管这些研究揭示了记忆可能存在的位置，却无法解释记忆如何随着时间演变、相互竞争。

这项新研究通过数学弥补了这一空白。研究者利用蒙特卡洛模拟与解析解，建模了在持续刺激下记忆痕迹的动态行为。

在模拟中，当多种感官印象聚集时，记忆就会形成，并在重复刺激下变得更强；若缺乏刺激，它们会逐渐扩散、模糊——就像隐喻性的“遗忘”。

这种记忆与遗忘的拉锯最终形成一种平衡。然而，当研究团队在不同维度的概念空间中模拟记忆痕迹时，他们发现了令人惊讶的结果。

随着维度增加，独特记忆的数量也随之上升——直到某一点。超过第七维后，记忆容量反而开始下降，因为不同记忆痕迹之间的重叠与干扰使系统效率降低。

斯科尔科沃人工智能研究所教授、论文合著者尼古拉·布里连托夫（Nikolai Brilliantov）在新闻稿中指出：“当我们考虑给定维度下的概念空间的最大容量时，我们意外地发现，在稳态中，记忆中储存的不同记忆痕迹数量在七维时达到最大。因此，我们称之为‘七感假说’。”

这一“临界维度”不仅揭示了记忆机制，也可能解释了生物感官系统为何以现在的方式演化。

传统上，人类被认为有五种感官——视觉、听觉、嗅觉、味觉与触觉——但神经科学如今还认可几种额外感官，如本体感受（proprioception，即身体位置感）与平衡感（equilibrioception）。

认知在七个输入左右达到峰值的观点并非新鲜。心理学家乔治·A·米勒（George A. Miller）在1956年提出，人类平均能在工作记忆中保持大约“七个±二”信息单元。这一新模型为这一长期观察到的认知极限提供了潜在的物理与数学依据。

研究者指出，敏感性与精确性之间的平衡——即对新经验的开放与保持清晰记忆之间的权衡——可能反映出一种普遍原理。高度敏感的系统倾向于形成模糊、重叠的记忆；而过于选择性的系统则可能错失新经验。

研究者写道：“感受性越高，所学概念越不清晰。”他们将这种张力类比为机器学习中的“偏差-方差权衡（bias-variance trade-off）”，系统必须在泛化能力与过拟合之间取得平衡。

从生物学角度看，这一发现暗示，演化可能已将人类的感官能力“调谐”在一个最佳点——在这里，感知、学习与记忆的效率都达到最大。增加更多感官或感官维度并不一定能提升认知，反而可能让大脑的概念空间过载，导致记忆间的干扰。

这一“记忆痕迹动力学框架”也可能启发人工智能与类神经计算领域——在这些领域中，模仿生物大脑的记忆系统同样必须在学习的灵活性与信息的稳定性之间取得平衡。拥有过多输入通道的AI系统，可能会像超过最佳感官维度的大脑一样，出现“信息饱和”与混乱。

研究者写道：“除了揭示并证明概念空间中存在临界维度外，所提出的记忆痕迹动力学模型还可能为现有与未来的实证数据提供新的解释。例如，可以通过实验来检验记忆痕迹的融合与分裂机制。”

他们建议，通过向受试者呈现一系列感官刺激并测量其记忆痕迹的区分度，科学家可以在现实中估计模型变量，如学习速率与遗忘速率。

最终，这项研究提供了一个诱人的视角：人类感知的结构——我们看、听、触、平衡的方式——或许不仅仅是生物演化的产物，更是反映了支配记忆系统的深层数学规律。

布里连托夫博士补充道：“我们的结论当然在应用于人类感官时仍属推测，但谁知道呢？未来的人类也许真的会演化出对辐射或磁场的感知能力。”