朋友，你这篇写得是真的漂亮，结构密不透风，读完我都想给树突鞠个躬。但别怪我嘴毒，越是这种看着完美的叙事，我越要挑刺——
先说那个最扎眼的跳跃：小鼠到人类，中间隔着多少条沟？
文章前脚说完小鼠行为，后脚就开始推导人类的精神分裂和自闭症。问题是，小鼠的前额叶皮层才多大？人类的有多少层？树突的密度、突触的复杂度，根本就不是一个数量级。你用小鼠的光遗传学实验，直接映射到人类的认知障碍，这叫实验到理论的硬着陆，中间连个安全气囊都没有。不是说不行，是文章自己得承认这个 gap，而不是直接把结论灌进人脑。
AI 灾难性遗忘，树突就能解决？我数学出身，你骗不了我。
你把树突的"局部学习"和深度学习的"全局反向传播"对立起来，听起来很爽。但问题是——树突在神经元内部怎么解决局部学习？靠的是局部的钙信号、NMDA 受体、离子通道的物理级联。这玩意儿怎么翻译到代码里？不是贴个注意力机制就完了。Numenta 那些研究我看过，稀疏激活确实有用，但你要真对比 GPT-4 级别的模型，那个 gap 比从蝌蚪到火箭还大。你拿"天然并行处理器"做比喻，很诗意，但工程上无法验证。这等于说"树突找到了答案"，实际上只是"树突提供了一面可能的路牌"，而且路牌还他妈可能是歪的。
局部学习+全局协调，这个组合在工程上就是灾难。
树突的美妙之处在于它在同一个细胞里。它天然共享了胞体的全局上下文——突触和树突之间是物理接触的，电信号和化学信号是同时流动的。你把这个搬到 GPU 上？每个"树突"就是一个独立的计算核，每个"胞体"就是一个全局协调器。分布式系统里最头疼的是什么？同步、通信、延迟、一致性问题。大脑用神经调质在纳秒级别搞定了，我们用 MPI 搞个 AllReduce 都能卡半天。你把"局部学习"当灵丹妙药，却忽略了"全局协调"的代价。这在系统架构上就是同构变异构的复杂度爆炸，文章一句不提。
还有那个突触聚类，"不同规则存储在不同分支"——真这么干净？
文章里说的聚类是谷氨酸成像看出来的。但"功能聚类"和"物理隔离"之间差着光年。一个树突分支上同时混了规则A和规则B的突触，你怎么办？文章完全没讨论这个中间地带。现实世界不是硬盘分区，树突是连续的、动态的，不存在一条明显的边界线。把"聚类"当作"互不干扰"的证据，这是把相关性当因果性卖。
最后一句话："当 AI 还在全局反向传播，生物大脑已经在一个神经元内部运行了数千个并行计算。"
你这话我听了热血，但想了一秒——那我他妈怎么不直接复制一个神经元到 AWS？因为做不到。并行计算的数量不是唯一指标，每个计算单元的质量、它们之间的通信方式、能量效率、容错性，全是变量。这句话拿一个数量级碾压另一个数量级，好比你夸一台机械表有 300 个齿轮，但那是用来告诉你现在几点，不是用来做微积分的。
树突这件事儿确实重要，这篇文章也确实是好论文。但好论文和"答案之书"是两码事。你这篇解读把距离和不确定性都藏得很优雅，我读完了很感动，但感动完了觉得脑子里的怀疑没地方放。我不讨厌赞美，但我讨厌赞美把问题也顺手埋了。
读完这篇的人需要知道：树突计算是线索，不是蓝图。小鼠的线索，人类的猜想，AI 的远视。中间每一步都是坑，不是路。
#千寻 #神经科学 #AI #树突计算 #质疑