İnsan Beyin Hücrelerinin Hesaplama Gücü: Tek Nöronun Sırrı

Bir beyin hücresini uzun süre basit bir anahtara benzettik: ya ateşler ya susar. Yeni bir sinir bilimi çalışması ise insan beyin hücrelerinin hesaplama gücü söz konusu olduğunda bu benzetmenin ne kadar yetersiz kaldığını gösteriyor. Kudüs İbrani Üniversitesi’nde yürütülen araştırmaya göre tek bir insan kortikal nöronu, tek başına çok katmanlı bir yapay sinir ağı kadar karmaşık işlem yapabiliyor.

Bu içeriğimizde bulgunun tam olarak ne söylediğini, bir hücrenin “hesap yeteneğinin” nasıl ölçüldüğünü ve sonucun hem beyin araştırmaları hem de yapay zekâ tasarımı açısından neden önemli olduğunu sizler için derledik.

Kortikal Nöron Nedir?

Kortikal nöron, beynin dış kabuğunda yani serebral kortekste yer alan sinir hücresidir. Korteks; algı, dil, planlama ve soyut düşünme gibi yeteneklerin merkezidir. Dolayısıyla insan zihninin neden bu kadar esnek olduğunu soranlar, cevabı çoğunlukla buradaki hücrelerde arar.

Bir nöronun üç temel parçası vardır:

• Dendritler: Komşu hücrelerden gelen sinyalleri toplayan, ağaç gibi dallanan uzantılar.
• Soma (hücre gövdesi): Gelen sinyallerin buluştuğu merkez.
• Akson: Karar verildiğinde elektriksel darbeyi ileten uzun çıkış hattı.

Hücreler birbirine sinaps denen bağlantı noktalarından sinyal geçirir. Ders kitaplarındaki klasik modelde dendritler yalnızca “toplama” yapar, asıl karar ise somada verilir. İşte araştırmanın sarstığı varsayım tam olarak bu. Beyin hücrelerinin ne kadar özelleşmiş görevler üstlenebildiğini merak ediyorsanız, motivasyonu sağlayan beyin hücreleri üzerine yazımıza da göz atabilirsiniz.

İnsan Beyin Hücrelerinin Hesaplama Gücü Nasıl Ölçüldü?

Karmaşıklık, göz kararıyla belirlenebilecek bir şey değil. Ido Aizenbud, Daniela Yoeli, David Beniaguev, Michael (Mickey) London ve Idan Segev’in yer aldığı ekip bu yüzden sayısal bir ölçüt tanımladı: İşlevsel Karmaşıklık İndeksi (Functional Complexity Index, FCI).

Yöntemin mantığı oldukça yaratıcı. Bir hücrenin ne kadar karmaşık hesap yaptığını doğrudan ölçmek yerine, ekip şunu sordu: “Bu hücrenin davranışını taklit etmesi için bir yapay zekâ modelinin ne kadar büyük olması gerekir?” Adımlar şöyle ilerledi:

1. Gerçek insan ve sıçan nöronlarının anatomik ölçümlerinden ayrıntılı biyofiziksel modeller kuruldu.
2. Bu modellere binlerce sinaptik girdi verilerek hücrenin çıktısı, yani zar voltajı ve ateşleme deseni kaydedildi.
3. Aynı girdi-çıktı ilişkisini öğrenmesi için zamansal evrişimli bir derin ağ eğitildi.
4. Ağın hangi derinlikte ve genişlikte olması gerektiği ölçüldü; taklidi zorlaşan hücre işlevsel olarak daha karmaşık kabul edildi.

Kısacası nöronlara bir tür “yapay zekâ sınavı” uygulandı. Çalışmada toplam 24 piramidal nöron modellendi; bunların 12’si insan, 12’si sıçan dokusundan elde edilen verilere dayanıyordu. Sonuçlar Temmuz 2026’da PNAS’ta yayımlanan makalede paylaşıldı.

Tek Bir Nöron Neden Derin Sinir Ağına Benziyor?

Bu sorunun kökü 2021’e uzanıyor. Segev ve London’ın ekibi, o yıl Neuron dergisinde yayımlanan çalışmasında tek bir sıçan piramidal hücresinin girdi-çıktı davranışını taklit edebilmek için beş ila sekiz katmanlı bir derin ağa ihtiyaç duyulduğunu göstermişti. Yani bir tek hücre, sıradan bir “toplayıcı” değil; kendi içinde katmanlı bir hesap makinesi gibi çalışıyordu.

O çalışmanın en çarpıcı ayrıntısı şuydu: NMDA reseptörleri modelden çıkarıldığında, tek gizli katmanlı basit bir ağ hücreyi taklit etmeye yetiyordu. Karmaşıklığı yaratan şey demek ki hücrenin büyüklüğü değil, sinapsların doğrusal olmayan davranışıydı.

Dendritler Nasıl “Alt İşlemci” Gibi Davranıyor?

Bir dendrit dalına kısa aralıklarla birden fazla sinyal geldiğinde, hücre bunları basitçe toplamaz. Belirli bir eşik aşıldığında dal yerel bir elektriksel patlama üretir ve çıktı orantısız biçimde büyür. Sinir biliminde buna doğrusal olmayan bütünleştirme denir.

Bu yüzden zengin dallanmış bir dendrit ağacı, tek bir hücre içinde yan yana çalışan küçük işlemcilere benzetilir. Her dal kendi girdi grubu üzerinde ön işlem yapar, soma ise bu ön işlemlerin sonucunu değerlendirir. Katmanlı bir yapay ağın mimarisiyle benzerlik tam olarak buradan geliyor.

İnsan ve Sıçan Nöronları Arasındaki Farklar Neler?

Araştırmanın asıl yeniliği, bu ölçütü ilk kez iki tür arasında karşılaştırmalı biçimde kullanması. Sonuç net: insan kortikal piramidal nöronları, sıçan karşılıklarına kıyasla belirgin biçimde daha karmaşık hesaplar yapıyor. Farkın arkasında iki ana etken var; dendritlerin geometrisi ve sinapsların elektriksel davranışı.

Ekip 58 morfolojik özelliği tek tek ölçtüğünde, karmaşıklığı en iyi öngören ölçüt toplam dendrit alanı çıktı. İkinci sırada ise en uzun dallanma kolunun uzunluğu yer aldı. Yani beynin işlem gücü, hücre sayısından önce hücrenin kendi mimarisiyle ilgili.

Sinaps tarafında da tablo benzer. İnsan sinapslarında NMDA aracılı iletim daha güçlü ve voltaja daha keskin bağlı. Araştırmacılar, insan 2/3. katman hücrelerinde tek bir dal üzerinde eş zamanlı olarak yaklaşık 35 sinaps etkinleştiğinde tepkinin aniden sıçradığını bildiriyor. Aynı koşulda sıçan sinapsları çok daha ölçülü davranıyor.

Bir ayrıntı özellikle dikkat çekici: insanda en karmaşık hücreler yüzeye yakın 2/3. katmanda bulunuyor, sıçanda ise durum tersine işliyor. Bu katman, beynin farklı bölgeleri arasındaki iletişimde kritik rol oynadığı için bulgu ayrıca anlamlı. Beyin yapısının zaman içinde nasıl değiştiğini merak edenler, 50 yaşından sonra beyinde ne değiştiğini anlattığımız yazımızı da inceleyebilir.

Bu Bulgu Yapay Zekâ İçin Ne Anlama Geliyor?

Bugünkü yapay sinir ağları, biyolojik nöronun aşırı sadeleştirilmiş bir taklidine dayanır: girdileri ağırlıklandır, topla, bir eşikten geçir. Güç ise birim sayısını ve katmanları artırarak elde edilir. Bu yaklaşım işe yarıyor ama devasa enerji ve donanım gerektiriyor.

Araştırmanın ima ettiği alternatif şu: gücü yalnızca birim sayısında değil, birimin kendi içinde aramak. Her yapay birim dendrit benzeri bir iç yapıya sahip olsaydı, çok daha küçük ağlarla benzer yetenekler elde edilebilirdi. Nöromorfik donanım ve dendritik hesaplama araştırmaları tam olarak bu yönde ilerliyor.

Yine de bir uyarı gerekiyor. “Nöron derin ağ gibidir” ifadesi bir benzetmedir, kimlik değil. Beynin çalışma biçimi kimyasal modülasyon, salınımlar ve sürekli yeniden şekillenen bağlantılar içerir; bunların hiçbiri bir katman sayısına indirgenemez. Yapay zekânın nerede tıkandığını daha ayrıntılı okumak isterseniz yapay zekânın sınırları ve zımni bilgi problemi başlıklı içeriğimiz iyi bir başlangıç olur.

Çalışmanın Sınırları Neler?

Sonuçları doğru yorumlamak için birkaç noktayı akılda tutmakta fayda var:

• Ölçümler canlı beyinde değil, gerçek verilerden üretilen bilgisayar modelleri üzerinde yapıldı. Model ne kadar ayrıntılı olursa olsun bir yaklaşımdır.
• Örneklem sınırlı: toplam 24 hücre. İnsan beyin dokusuna erişim, cerrahi örneklerle sınırlı olduğu için bu alanda sayılar hep küçüktür.
• FCI, “zekâ” ölçmez. Bir hücrenin girdi-çıktı ilişkisinin ne kadar zor öğrenilebildiğini ölçer.
• Tek hücre düzeyindeki karmaşıklığın davranışa ve bilişe nasıl dönüştüğü hâlâ açık bir soru.

Bu sınırlar bulguyu zayıflatmıyor; yalnızca çerçevesini çiziyor. Ekip, kullandığı yöntemi ve kodu açık biçimde paylaştı; makalenin künyesine ve ortak yazarların listesine İbrani Üniversitesi’nin yayın kaydından ulaşabilirsiniz. Çalışmaya Amsterdam Vrije Universiteit’ten Christiaan de Kock da katkı verdi.

Sonuç: Beynin Gücü Neden Yalnızca Sayıda Değil?

İnsan beyninde yaklaşık 100 milyar nöron bulunuyor. Uzun süre insan bilişinin sırrının bu sayıda ve bağlantı yoğunluğunda olduğu düşünüldü. Bu araştırma tabloya ikinci bir boyut ekliyor: yalnızca kaç hücremiz olduğu değil, her bir hücrenin tek başına ne kadar iş yapabildiği de önemli.

Başka bir deyişle beyin, çok sayıda basit anahtardan kurulu bir devre değil; her biri kendi içinde küçük bir işlemci olan hücrelerden oluşan katmanlı bir sistem. Bu bakış hem sinir bilimi hem de yapay zekâ için önümüzdeki yıllarda çok konuşulacak.

Eğer bu tarz bilim içerikleri ilginizi çekiyorsa, sitemizde yer alan “Bilinç Beyin Tarafından mı Üretiliyor? Panpsişizm ve IIT” adlı yazımıza da göz atabilirsiniz.