大型语言模型（LLMs）经常产生幻觉——即看似合理但事实错误的输出——这严重削弱了其可靠性。尽管以往研究已从训练数据和目标等宏观视角探讨过幻觉现象，但其底层的神经元级机制仍鲜有深入探索。本文从三个维度对大型语言模型中的幻觉相关神经元（H-Neurons）进行了系统性研究：识别、行为影响及其起源。在识别方面，我们发现仅占总神经元数量不足0.1%的极少数神经元即可可靠预测幻觉的发生，且在多种不同场景下均表现出强泛化能力。在行为影响方面，通过可控干预实验表明，这些神经元与模型的过度遵从行为存在因果关联。在起源分析方面，我们追溯发现这些神经元源自预训练的基础模型，并且在后续任务中仍保持对幻觉检测的预测能力，表明其在预训练阶段即已形成。本研究将宏观层面的行为模式与微观层面的神经机制相连接，为构建更加可靠的大型语言模型提供了重要启示。