学习通常被认为需要大脑，但学习是一个广义概念，并不一定依赖神经元。如果生物体利用过去经验的信息来塑造未来的决策，那它也在学习。佐治亚理工学院物理学副教授Shiladitya Banerjee实验室发表在《PRX Life》上的研究表明，即使单个细菌也能从经验中学习，存储过去记忆并利用这些记忆为未来做准备。

细菌面临的学习挑战

细菌生活在不断变化且时间尺度多样的环境中。例如在人类肠道中，营养水平起伏、温度波动、抗生素威胁时有时无。为了生存，细菌必须对当下发生的事快速响应，同时保留近期经历的有用信息。适应太快会使细菌在变化条件下变得脆弱，而遗忘太快则使其无法预判反复出现的威胁。

作为研究生命系统如何处理信息并适应变化环境的计算生物物理学家，Banerjee对细菌如何实现这种平衡很感兴趣。为探究细菌等单细胞生物能否从过去经验中学习，研究团队使用微流控装置（microfluidic device）追踪数万个单个大肠杆菌（E. coli）细胞的行为，以不同速率切换营养供应。

细菌存储营养历史

研究发现，细菌不仅对当前营养水平做出反应，还跟踪营养历史以应对变化条件。如果细菌仅对当前环境做出反应，那么无论之前环境是稳定还是快速波动，它们对突然的食物脉冲应以完全相同的方式响应。然而，当暴露于相同的营养流入时，刚经历过饥荒交替环境的细菌比来自稳定环境的细菌适应得快得多。由于两种细菌的即时条件相同，研究团队推断行为差异必定源于存储的过去内部记录，而非对当下的简单反应。换句话说，细菌的过去经历塑造了当前行为——它们在学习。

核糖体作为记忆存储位点

为更好理解细菌如何响应营养环境变化，团队构建了控制细菌生长的内部分子网络数学模型。该模型不仅重现了细菌在不同营养环境下的行为，还揭示了记忆可能所在的位置。模型指向细胞中称为核糖体（ribosome）的组分作为潜在记忆存储位点。核糖体是细胞的分子工厂，负责构建蛋白质并设定细胞生长速度。由于细菌记忆表现为生长速率的变化，模型将记忆来源定位在决定生长的工厂内。模型中测试的其他组分均无法重现这种行为。

一些核糖体对营养变化响应迅速，另一些变化较慢。研究推断，快速响应者追踪当下发生的事，而慢速响应者保留过去的痕迹。两者结合，赋予细胞跨越从分钟到小时多个时间尺度的记忆。

与AI神经网络的计算逻辑相似

利用数学模型，研究发现该分子系统遵循与门控循环神经网络（gated recurrent neural network）相同的基本计算逻辑，这是一种用于处理语音和传感器数据等序列的人工智能。该过程的关键是计算机科学家所称的“门”——一种分子开关，决定在新信息到达时保留多少现有记忆、覆盖多少。细胞维持记忆需要付出代价，因为保持适应准备状态以牺牲生长为代价。如果细菌花费能量适应当前环境，用于生长的资源就会减少。细菌利用分子门主动调节保留和丢弃的量。

现代AI系统依赖门来记住重要细节，同时保持足够灵活性学习新事物。在细菌中，门不是由软件构建，而是由细胞内的化学物质构成。这种策略还帮助解决了AI研究人员熟悉的问题：如何学习新事物而不抹去之前学到的东西。细菌细胞通过跨多个时间尺度存储信息来平衡记忆与灵活性。这种依赖历史的计算不需要神经元。相反，研究表明核糖体群体网络就足够了。

对医学的潜在意义

早在人类构建人工智能之前，细菌就已经进化出 remarkably 相似的策略，利用过去为未来做准备。使用最广泛的学习定义，研究结果表明记忆和学习可以从细胞内的化学网络中涌现，无需任何大脑或神经元。这项工作还揭示了生物学与人工智能之间的意外联系。对于生物学，数学模型提供了精确的定量语言来描述细胞如何处理信息和做出决策。对于人工智能，它提供了在严格能量约束下持续学习系统的生物蓝图。

这些发现还可能对医学产生影响。许多病原菌通过适应体内变化条件而存活。如果这种适应性依赖于细胞记忆，那么未来治疗感染的药物可以破坏允许细胞存储和使用环境信息的分子组分。

来源：The Scientist（英文原文，生物航编译，内容以原文为准）