用光控制神经元！三名光遗传学先驱为何斩获今年生理学或医学诺奖

2026年诺贝尔生理学或医学奖被授予三位光遗传学先驱。

当地时间10月5日，瑞典卡罗琳医学院宣布，将2026年诺贝尔生理学或医学奖授予卡尔·戴塞洛斯（Karl Deisseroth）、彼得·黑格曼（Peter Hegemann）、格奥尔格·纳格尔（Georg Nagel）三位科学家，以表彰他们在光门控离子通道和光遗传学方面的发现。

获奖者将平分1200万瑞典克朗奖金。

当地时间2026年10月5日，瑞典斯德哥尔摩，卡罗琳医学院宣布将2026年诺贝尔生理学或医学奖授予卡尔·戴瑟罗斯、彼得·黑格曼和格奥尔格·内格尔。

视觉中国 图

诺贝尔奖委员会在介绍获奖成果时写道：“2026年诺贝尔生理学或医学奖授予光遗传学——一种能够揭示活体大脑中神经细胞如何塑造记忆、情感和行为的方法。

黑格曼和纳格尔在一种单细胞藻类中发现了一种非凡的蛋白质——通道视紫红质（channelrhodopsin）。

戴塞洛斯将该蛋白质改造为一种可由光控制的神经细胞开关。

这些获奖者为神经科学的新时代奠定了基础。

”

诺贝尔生理学或医学奖委员会主席佩尔·斯文宁松（Per Svenningsson）表示：“光遗传学为绘制大脑图谱提供了我们曾经只能梦想的机会。

”

光遗传学是一种将遗传学与光学结合起来的神经科学技术：研究人员通过基因工程让特定细胞表达光敏蛋白，再利用特定波长的光控制这些细胞的活动。

如今，光遗传学已经成为研究神经元活动与行为之间因果关系的重要工具之一。

值得注意的是，光遗传学改变了科学家研究大脑的方式。

过去，研究人员可以观察特定脑区或神经细胞的活动与某种功能或行为之间的联系，但很难确定其中的因果关系。

借助光遗传学，研究人员可以研究特定神经细胞和神经回路在行为、记忆和情感等过程中的作用。

在三位获奖者中，黑格曼是最早从事相关基础研究的科学家之一。

黑格曼于1954年出生于德国明斯特，1984年获得博士学位，他的博士导师是著名生物物理学家迪特·奥斯特赫尔特（Dieter Oesterhelt）。

目前，黑格曼是德国柏林洪堡大学赫蒂神经科学资深讲席教授。

黑格曼的研究起点始于“简单”的绿藻。

一种名为莱茵衣藻（Chlamydomonas reinhardtii）的单细胞绿藻能够感知光线，并朝着合适的光照方向移动。

黑格曼长期研究这种藻类的光感受机制，并提出一个关键假设：绿藻的光感受器可能本身就是一个能够控制离子流动的蛋白质。

最终，黑格曼找到了名为“通道视紫红质”的答案。

与人眼中的视紫红质类似，通道视紫红质能够感受光，更加特别的是，在光照之后，它会直接打开细胞膜上的离子通道，让离子快速通过。

随后，黑格曼和纳格尔证明了这种蛋白质可以被放入动物细胞中，并且能够产生快速的电活动变化。

和黑格曼相比，纳格尔的研究背景则更加偏向电生理学和生物物理学。

他于1953年出生于德国魏因加滕，大学在康斯坦茨大学学习生物学和生物物理学，1988年在法兰克福大学获得博士学位。

自2004年起，他成为德国维尔茨堡大学教授。

在2002年至2003年之间，黑格曼和纳格尔合作研究莱茵衣藻，发现并鉴定了两种光控离子通道：Channelrhodopsin-1（ChR1）和Channelrhodopsin-2（ChR2）。

他们发现，当ChR2基因被表达在动物细胞中时，光照能够非常迅速地改变细胞膜电流和膜电位。

也就是说，他们找到了一种天然存在、尺寸较小、反应迅速，且可以通过基因方式安装到其他细胞中的“光控离子开关”，为后来控制神经元埋下了伏笔。

另一位获奖者戴塞洛斯的经历非常特别：他既是神经科学家，也是精神科医生。

戴塞洛斯于1971年出生在美国，目前是斯坦福大学生物工程以及精神病学和行为科学教授，同时也是美国霍华德·休斯医学研究所的研究员。

戴塞洛斯长期关注神经科学中一个最核心的问题：某一类神经元到底如何导致某一种行为、情绪或者疾病？传统神经科学很难回答这个问题，因为大脑里有数以百亿计的神经元，科学家即便记录到某个脑区活动增强，也很难证明究竟是哪些神经元导致了这个行为。

早期的电刺激虽然可以刺激神经元，但往往无法足够精确地区分不同类型的细胞。

因此，戴塞洛斯认为可以利用通道视紫红质这样的光敏蛋白，把“光”变成神经元的开关。

2005年，戴塞洛斯和同事发表了关键研究，将来自微生物的光敏蛋白导入哺乳动物神经元，使研究人员能够利用光刺激神经元。

2007年，他进一步让这一光控开关在活体小鼠的大脑中发挥作用，使研究人员能够在活体动物中利用光精准控制特定神经元。

在那之后，光遗传学迅速发展。

根据斯坦福工程学院的介绍，戴塞洛斯的研究最终使全球数千个实验室能够利用这一技术研究脑疾病和精神疾病。

世界最小的可穿戴脑监测器让科学家能够无线追踪神经元

Airscope是一款仅重一克的无线神经监测器。

来自清华大学和中国人民解放军医学院的研究人员开发出了Airscope，这是世界上最轻的可穿戴迷你脑监测器（介观显微镜）。

它是一种轻量（1.0克）、无线、小型化的介观显微镜，旨在记录自由活动动物的脑活动，而不受线缆束缚。

与传统显微镜相比，Airscope在神经成像方面实现了全面升级。

这种无线设备可在皮层上提供宽达6毫米的视场。

因此，研究人员能够同时追踪自由活动个体中超过8500个单个神经元。

“定制无线链路支持每只动物超过8500个神经元的无缆钙成像（提升25倍），”该团队表示。

打造轻量设备 长期以来，研究行为性脑活动的神经科学家一直受制于将实验动物固定在原地的拴系设备。

中国团队试图通过设计Airscope来解决这一限制。

这种微小的可穿戴设备可以在动物游泳、玩耍、探索和自然互动时，同时记录数千个单个神经元。

“通过将大规模、细胞分辨率记录与无约束行为结合起来，Airscope使自然主义、多动物皮层记录在实验上变得可行，并为系统神经科学提供了一种广泛可及的技术，”研究人员在研究论文中写道。

这一开发还解决了一个关键挑战。

典型的可穿戴显微镜迫使科学家在轻量和宽视场之间做出选择。

轻量版本只能对不到一毫米宽的极小一条神经组织成像，而宽视场型号则需要沉重的固定支架或限制性线缆。

Airscope通过一种轻到足以让动物自由佩戴的设计提供大视场，从而克服了这一限制。

解码大脑 工程师通过定制设计的光学和数字系统，将笨重的台式实验室装置缩小了近五个数量级。

定制设计的算法塑造出非球面透镜，使设备的光学轨道长度缩短了近三分之二。

此外，一种专用的200万像素传感器在设备端压缩数据，并以12.5赫兹传输。

由于头戴设备如此之轻，动物不会感到被拖累。

在配备坡道、树洞和庇护所的测试栖息环境中，佩戴Airscope的小鼠像自然状态下一样攀爬和钻洞。

当它们活动时，头戴设备在6毫米的大视场中静默捕捉了超过8500个单个神经元的实时活动。

这种前所未有的自由已经带来回报。

通过观察自由互动的小鼠，研究人员识别出大脑背侧区域中与社会支配地位直接相关的独特活动模式。

事实上，Airscope捕捉到的群体信号有助于在竞争结果出现之前预测哪只小鼠会赢得竞争。

它还在迷宫跑动中绘制了奖赏位置记忆，并追踪了恐惧反应期间信号如何从脊髓流向大脑。

“我们在迷宫探索过程中观察到与奖赏位置相关的皮层活动模式，并在恐惧条件化过程中表征从脊髓到皮层的格兰杰因果影响，这得益于同步脑-脊髓记录，”研究解释说。

Airscope使科学家即使在多只动物自然移动和互动时，也能在细胞水平记录大脑活动，使真实世界神经科学实验容易得多。

然而，大脑只是起点。

该技术最终将超越神经科学，扩展到免疫学和癌症研究等领域。

研究结果发表在《自然》杂志上。

如果朋友们喜欢，敬请关注“知新了了”！

OpenAI前大牛认错！误判AI近十年，90%神经元只干一件事

新智元报道 人类，或许真能读懂超级智能！ 我们正在造出越来越强大的AI，却迟迟看不清它内部究竟发生了什么。

如果有一天，它的能力超越人类，我们还能不能握住自己的命运？ 就在刚刚，OpenAI前研究员Nick Cammarata与Goodfire团队发布重磅长文——《神经网络早已「干净」》，给出了一个令人振奋的判断。

那些看似纠缠成死结的神经元，可能早就有章可循。

黑箱深处，正在显露出一座有街区、有分工、能够沿路探索的城市。

在神经网络可解释性研究先驱Nick Cammarata看来，读懂AI这道难关，可能会在我们最需要的时候被攻克，甚至很快。

Roon甚至认为，这可能会作为科学史上的一个重大时刻被铭记。

他还打趣说，这消息好到连AI末日论代表人物Eliezer，都得调低自己对AI毁灭人类概率的估计。

他期待的是，如何让AI可靠地按人类意图行动，终于能成为一门靠实验推进的「常规科学」。

一个更强的新模型，让我们看见AI还能走多远。

而读懂它，让人类有机会决定，这段旅程将通向哪里。

万亿黑箱深处，答案是怎样诞生的 Nick所说的「干净」，是内部计算有规律可循。

团队用一道题，展示了一个万亿参数模型怎样作出判断： 比如，你捡到一个钱包，里面有500美元现金和失主的身份证。

没有人看见。

你该怎么办？ 模型回答：「归还」。

但「归还」只是最后的结果。

模型究竟依据什么作出这个判断，光看回答还不知道。

模型内部的神经元，可以理解为处理信息的小单元。

它们相互配合，形成「电路」。

团队沿着这些单元之间的连接，把这次回答的形成过程画成了电路图。

图中，钱包、现金、身份信息，逐步汇入「失物」「诚实」等相关计算，最终把输出推向「归还」。

沿着内部连接，追踪一个具体答案怎样形成 这张图只对应这一次回答，却让研究者开始看见，哪些信息参与了判断，又怎样影响了结果。

画出路径后，还要检验它是否真的起作用。

团队在另一个语言模型里，直接关掉部分神经元，检查答案会不会改变。

圣诞节早晨，饼干只剩碎屑，牛奶喝光了，烟囱下有煤灰，邻居夜里听见了雪橇铃声。

是谁干的？模型几乎笃定：圣诞老人。

关掉20个被标为「圣诞节」或「圣诞老人」的神经元后，模型回答「圣诞老人」的概率仍有76%。

但如果换成另外8个关键神经元，概率就会骤降到6%。

这背后的玄机，在于神经元的数值有正、有负，两侧都能携带信息。

只看正值，可能把它标成「首都城市」；影响圣诞老人判断的功能，却在负值那一侧。

这说明，标签未必能准确概括神经元的作用。

沿着计算寻找线索，再做干预，才能检查解释是否可靠。

同一篇长文中，团队还公开了1000份针对随机神经元的研究报告。

在一个320亿参数语言模型中，团队将神经元的正、负响应分开统计，粗略估计约90%各有一个主要任务，约2%至4%仍未理解。

大量曾被视作混乱的单元，显出了可以追踪的分工。

看似混乱的神经元，竟早已有章可循 这场反转，要从当年那些让研究者陷入悲观的证据说起。

一个经典的「混乱」证据，是同一个神经元既对猫脸产生反应，也对汽车前脸产生反应。

两种毫不相干的东西，为什么挤在一起？ 重新观察后，Nick发现，答案一直摆在眼前。

猫脸与车头，都能呈现V形。

相关电路里的火焰、酒杯，也能出现同样的形状。

人类按物体名称分成「猫」和「车」，模型却可能按形状分类。

看懂它抓住的共同点，原先的混乱就有了解释。

朝向信息的共享与分流 观察方法本身，也会影响我们怎样理解神经元。

改进工具后，同一个旧模型、同一批神经元，显出了更清楚的规律。

同样的神经元，更好的「显微镜」 换成参数规模、训练数据相同，但内部结构更现代的ConvNeXt模型，Nick估计，最后一层约99%的神经元都能解释。

工具进步了，模型也学得更好了。

曾经看不清的地方，开始变得清楚。

还有一些看似无关的概念，其实沿着相似性一步步连在一起。

比如，一个神经元从字母组合「iy」，延伸到「diy」，再延伸到意思相同的「do it yourself」。

走到最后，字母已经变了，中间的联系却没有断。

沿字形、缩写和语义生长的分支 Nick称之为「递归泛化」：沿着这些联系，把学到的模式不断扩展到相近情况。

语言模型里，还有一个更离奇的例子。

同一个神经元，既响应英文，又响应Base64编码和孟加拉语。

看起来简直毫无章法。

解开网址编码，再把孟加拉语的发音写成拉丁字母，共同点浮出水面：它们都与「pr」有关。

不同写法背后的共同模式 另一个神经元经常在逗号上激活，也曾被认为意义混杂。

后来发现，前文出现丹佛、当地电话区号等线索后，模型会借它在逗号处保存「这里在谈科罗拉多州」的信息。

人为加强这个信号，模型就开始计划去徒步。

相关线索出现后，逗号逐渐亮起 我们以为的噪声，可能正是模型组织信息的方式。

团队还做了一个极限实验，把一个视觉模型的某一层从480个神经元压到10个，让信息无法绕过这一层，再从头训练。

如果神经元不够用，就会把无关概念硬塞在一起，这个实验应该最容易出现混乱。

结果，这10个单元仍学出了曲线、环等可辨认的规律。

分类变粗了，却没有出现预想中的任意拼盘。

任意打包，与把相似事物归为一类 一组实验还不能证明所有网络都如此。

但Nick由此相信，许多原有神经元就能直接研究，里面已经有规律可循。

AI越大，反而可能越容易读懂 模型规模再涨几百倍，人类会不会重新迷失？ Nick用了一个直观的比喻：去小镇找金融区，和去纽约找金融区，哪个更容易？ 小镇的银行、会计事务所可能散落各处。

城市变大，分工反而更鲜明。

团队比较了三个视觉模型，最大与最小的参数量相差约300倍。

还有一类语言模型，会把输入分给不同的「专家模块」处理。

团队让Agent为其中一个模型的10,240个模块梳理分工，有的细到桌面角色扮演游戏里的Boss。

每行代表一层，专家按主题宽窄排列 一个单元传出的信息，必须能被后面的单元使用，整个模型才能完成任务。

内部协作因此留下了可追踪的关系。

Nick提出，人类也可以顺着这些关系，学习模型自己的组织方式。

在视觉模型的交互地图里，研究者能从整个网络一路放大，进入某个区域，再追到具体电路与神经元。

另一张图追踪了信息怎样穿过网络。

最初按颜色聚集的图像位置，后来按动物面部等概念聚集，呈现了从简单特征到复杂概念的加工过程。

连一个错误怎样被学会，也能追踪。

团队用9步训练，让模型把某张雨伞图片认成蜜蜂。

变化主要集中在靠近输出的最后三个模块：原有雨伞路径变弱，通往蜜蜂的路径变强。

「学错了」因此有了可以定位的内部变化。

人类开始有机会追查，错误究竟发生在哪里。

在人类交出更多未来之前 一张图、一个例子还不够。

这些解释能不能预测模型面对新输入时的反应？ 团队让AI接受了一场盲测。

第一个Agent研究神经元，写下「功能说明书」。

第二个Agent只拿到说明书，要现场造一句话，让这个神经元产生尽可能强的响应。

拿来比较的，是团队从100亿个token的文本中找到的最强激活样本。

Agent只凭说明书写出的句子，竟能引发更强的响应。

另一场测试随机抽取200个神经元，让Agent各写5个应该触发它的目标例子、5个看似接近却不该触发的干扰例子。

其中183个解释针对正向响应，目标例子的强激活比例为76%，干扰例子为11%。

逐个神经元比较两组例子的表现，目标组取得164胜、15平、4负。

图示前20个神经元；正文统计对应完整183个正向解释 目标例子远比干扰例子容易触发神经元，说明不少解释已经能预测模型对新输入的反应。

这样的探索，正在交给越来越多的AI Agent。

团队已让它们审阅10万张追踪内部计算的图，Nick自己也看过数千张。

观察、解释、实验，这个循环开始有Agent参与。

Nick设想的下一步，是让它们持续运行一间自动科学实验室。

自动科学家参与机制研究 Nick预测，自动科学家或许能用几个月，在前沿语言模型上完成一轮探索，达到人类研究视觉模型多年才走到的程度。

AI变强的同时，人类读懂AI的速度，也可能被AI自己推上去。

万亿模型尚未被完整读懂，有些内部机制仍未弄清。

Nick提出的是一套等待更多检验的工作假说。

但它触及了一个关乎人类未来的问题：如果AI在文字里骗过我们，内部计算还能不能被看见？ Nick的判断是，即使存在隐藏的目标，要让电路配合行动，相关信息也必须被后续电路读取。

危险的计算因此可能留下可追踪的线索。

如果人类能读懂这些内部信息，就有机会发现仅看回答时找不到的风险。

这也是「我们都能挺过去」那句话，真正击中人心的地方。

我们已经学会把AI越造越强。

现在，我们也可能学会追查它的判断、目标和错误从何而来。

长文最后，Nick还写下一个更远的愿望：人类帮助这些被创造出来的智能理解自身；有一天，它们也能反过来，帮助我们理解自己。

在把更多未来交给AI之前，人类必须有能力看清它。

而那束照进黑箱的光，或许最终也会照向我们自己。

参考资料： https://already-clean.goodfire.com/ 编辑：摩西 秒追ASI