人脑大约包含860亿个神经元。这些细胞会发出电信号，在脑中承担着至关重要的功能，不仅帮助存储记忆，也负责在脑及整个神经系统中传递信息与指令。
然而，并不是所有的脑细胞都是神经元。据估计，人脑中大约一半的细胞是神经胶质细胞，其中最主要的一类便是星形胶质细胞。
长期以来，星形胶质细胞被视为神经元的“配角”，承担一些“支持性”功能，例如在神经元周围清除废物、为神经元提供营养、维持充足的血液供应等。但越来越多的证据表明，它们远不止于此，例如一旦破坏了海马体中星形胶质细胞与神经元之间的连接，就会导致记忆的存储和提取功能受损。
在一项新发表于《美国国家科学院院刊》（PNAS）的研究中，一个研究团队提出了一个新的理论模型，解释了星形胶质细胞如何参与记忆的存储。
封闭的回路
星形胶质细胞拥有一个主要的胞体，以及大量细长的突起，这些突起会包裹住神经元之间的突触连接，形成所谓的“三联突触”，即突触前神经元、突触后神经元与星形胶质细胞的突起三者共同参与的信息交流单元。一个星形胶质细胞可以连接附近多达百万个突触。
与神经元不同，星形胶质细胞不能通过“动作电位”传递电信号，但它们拥有独特的通信机制——通过钙离子浓度的变化来交流。过去的研究发现，当神经元活动增强时，星形胶质细胞可以感知这种变化，进而引发其突起内部钙离子的波动，并向突触释放出类似神经递质的“胶质细胞递质”，影响神经活动。
这意味着，星形胶质细胞既能感知来自神经元的信号，也能反向调节神经元的活动，两者之间构成了一个封闭的循环系统。
尽管这些现象已被观察到，但一个关键问题依然未知：星形胶质细胞究竟如何处理来自神经元的信息的？
建模记忆
为探讨这一问题，在新的研究中，研究团队建立了一个全新模型。他们采用的建模基础是霍普菲尔德网络。霍普菲尔德网络是一种能够存储和回忆“模式”的经典神经网络模型，常用于类脑模拟。但其容量有限，难以解释人脑所需的庞大记忆空间。
因此，研究者引入了密集联想记忆（Dense Associative Memory）模型。这种模型通过引入多个神经元之间的高阶耦合关系，大幅提升了记忆容量。然而，生物学中传统的突触仅连接两个神经元（突触前细胞和突触后细胞），因此挑战在于——要如何实现这种“多点耦合”机制。
此时，星形胶质细胞的结构优势便成为突破口：一个星形胶质细胞能同时连接多个神经元和突触，为实现高阶耦合提供了生物学基础。研究人员假设，记忆可以在星形胶质细胞内部的钙离子流动模式的逐渐变化中编码，星形胶质细胞通过在其突起接触的突触处释放胶质递质，将这些信息传递给神经元。
这种“神经元–星形胶质细胞联想记忆模型”显示出远超传统Hopfield网络的记忆容量，足以模拟人脑的记忆能力。
微观结构与宏观性能
该模型的另一个关键创新是：它不再把一个星形胶质细胞视为单一单位，而是将其视为由多个突起组成的集合，每一个突起都可以被看作是一个独立的计算单元。
如此一来，信息存储的总量不仅更大，而且随着网络规模扩大，单位计算资源所能承载的信息量也会持续增长，这使得整个系统具备了高容量、低能耗的优势。
研究人员指出，如果将三联突触结构作为脑的基本计算单元，那么每个单元就都可存储数量与网络中神经元数量相当的记忆模式。这意味着，一个神经元与星形胶质细胞组成的网络，其可存储的记忆模式数量几乎无限，其上限仅取决于网络规模。
启发AI的“生物灵感”
为了验证这一模型是否真正反映了人脑中的记忆存储机制，研究人员建议未来可以通过实验手段精确操控星形胶质细胞突起之间的连接方式，然后观察这些干预如何影响记忆功能。他们希望这一理论能激发更多神经科学家进行实验证实。
除了为我们理解脑如何存储记忆提供新的视角之外，这一模型还可能为人工智能的发展提供新灵感。研究者指出，通过调整突起间网络的连接模式，可以生成一系列不同类型的模型。
长期以来，神经科学虽然为早期AI发展提供了启发，但过去几十年的神经科学研究对现代AI算法的影响极为有限，如今的AI模型也大多脱离了神经生物学类比。从这个意义上说，这项工作或许是近年来少有的、真正受到神经科学前沿研究启发而对 AI 做出贡献的工作之一。
#参考来源：
https://news.MIT.edu/2025/overlooked-cells-might-explain-human-brains-huge-storage-capacity-0527
https://www.pnas.org/doi/10.1073/pnas.2417788122
封面图&首图来源：MIT News
