会“打乒乓”的脑细胞，活体计算机正在诞生

2022 年，一项来自澳大利亚的实验吸引了全球科技界的目光，一群研究人员将人类或小鼠的脑细胞培养在培养皿中，通过一套电极阵列系统，把这些迷你大脑接入到经典电子游戏《乓》（Pong）中。当球在屏幕上弹来弹去，实验中竟无人操控球拍——却见球拍会自己移动，逐渐学会接住反弹而来的球。短短五分钟内，这些由 80 万个脑神经元组成的细胞文化便表现出类似“学习”的行为。

两个细胞在打乒乓球示意图（图片来源：作者使用AI生成）

这种被称为“培养皿大脑（DishBrain）”的系统，首次展示了体外脑细胞在封闭交互系统中产生目标导向行为的能力。随着这一技术的不断进展，科学家们提出一个前所未有的构想，如果我们可以让脑细胞思考并执行任务，那我们是否可以用它们来计算？换句话说，人类正试图打造一种全新的计算机，不是由硅片和晶体管构成，而是由活生生的脑细胞组成。

什么是活体计算机？

传统计算机的核心硅芯片，是由数十亿个被精密排列的晶体管组成。无论是浏览网页、运行人工智能模型，还是操控航天器，这些芯片都是现代信息社会的中枢神经。然而，这种死板的结构也有天然局限，比如能耗巨大、自适应能力有限、学习效率低下。相比之下，大脑这种天然计算机，却展现出惊人的特性，仅靠约20瓦功率，就能完成复杂的感知、思考与学习任务。

正因如此，科学家开始尝试为何不直接使用大脑的“零件”，来打造新一代计算系统？

这便是“活体计算机”（living computer）以及“合成生物智能”（synthetic biological intelligence, SBI）概念的起点。核心思路是，将体外培养的脑类器官或皮层神经元网络，通过多电极阵列与传统电子系统连接，使得神经细胞既能接收来自外部环境的感知信息，也能通过电脉冲输出行为响应。

例如，2022 年《神经元》（Neuron）期刊发表的研究中，科学家构建了一套名为 DishBrain 的系统。该系统利用人类诱导多能干细胞（hiPSCs）或小鼠胚胎神经元，诱导形成神经网络，并将其种植在覆盖了高密度电极的芯片表面。借助定制的软件平台，这些电极不仅可以向神经元传递模拟环境的“感知”信号，如虚拟球的位置，还能够实时读取其活动电位，将细胞的响应转化为球拍上下移动操控指令。

小鼠大脑的皮层细胞（A）和由人诱导多能干细胞分化而来的皮层细胞（B）（图片来源：参考文献[1]）

这些神经网络的最大特点没有固定的连接结构，而是像大脑一样通过突触自我组织、自我调整。它们不像传统计算机那样依赖程序逻辑，而是在不断试错和反馈中形成行为模式。这种能力，让它们在训练后能通过反馈学习逐步提升表现，表现出类似“感知-决策-行动”的闭环行为，这被研究者称为类智能。

相比之下，传统AI模型如GPT-3在训练过程中可能需要耗费高达1300兆瓦时（MWh）的能量，相当于130个美国家庭一整年的电力消耗。而神经类器官执行相似任务，能耗却极低，有望将AI运算能耗降低百万到百亿倍。

此外，活体计算还有可能推动医学、药理学的新突破。通过建立神经网络模型，并在其中引入药物、毒素或基因变异，科学家可以在无需动物实验的情况下，观察脑细胞对外界刺激的反应，这为神经疾病研究和个体化治疗打开了新思路。

活体计算机真的“会学习”吗？科学如何证明？

让脑细胞接入计算系统是一回事，但要证明这些细胞具备“学习”能力，则需要更严格的科学验证。2022 年发表在《神经元》（Neuron）期刊的开创性研究对此作出了系统解答。研究团队开发的DishBrain系统，设计了一个小型虚拟环境，模拟打乒乓球的经典电子游戏，让神经细胞文化面对具有明确目标与反馈的任务，并在其中进行交互、适应和优化行为模式。

DishBrain 系统的结构示意图（图片来源：参考文献[1]）

细胞如何学会打游戏呢？DishBrain 的实验结构基于闭环学习系统，研究者将神经元植入多电极阵列，并为其设置虚拟游戏空间。当游戏开始，电极阵列以电脉冲形式向细胞告知球的位置；细胞产生的放电模式则被系统读取，用来决定球拍的上下移动方向。若球被成功拦截，系统给予一种规律、可预测的电刺激作为正反馈；若拦截失败，则施以不规则的刺激作为负反馈。

实验数据显示，在接受闭环反馈的情况下，无论是人源神经元还是小鼠神经元，在短短五分钟内便显现出平均回合数的显著提升，这意味着它们命中球的次数增加了，反应模式趋向合理且优化。而没有反馈机制的对照组，如开放环节控制组、无刺激组则完全未表现出类似学习迹象。

研究团队还从多个维度量化了这种学习行为的发生，比如击球成功率提升，人源神经元和小鼠神经元群体在20分钟内命中率显著提高，未显示随机漂移。同时观察到电生理信号中的“运动区”与“感知区”之间的同步度提高，表明反应的选择性增强。还有就是信息熵是衡量“系统不可预测性”的指标。在训练过程中，研究者观察到细胞反应的熵值明显下降，说明网络变得更“确定”且更有目的性。

尤其值得注意的是，人源神经元的学习能力略高于小鼠来源细胞，展现出更长的持续命中、更快的自组织表现。这也为人类大脑是否具有更高信息处理能力的假设提供了初步支持。

总结：

借助神经元天然的自组织与学习能力，科学家正尝试打造一种全新的计算系统，不再依赖硅片，而是由“活”的脑细胞构成。这不仅可能带来能源效率上的革命，也为理解意识、感知和学习的生物基础提供了前所未有的窗口。

参考文献：

[1] Kagan, Brett J., et al. "In vitro neurons learn and exhibit sentience when embodied in a simulated game-world." Neuron 110.23 (2022): 3952-3969.e8.

[2] Chao, Zenas C., Douglas J. Bakkum, and Steve M. Potter. "Shaping embodied neural networks for adaptive goal-directed behavior." PLoS computational biology 4.3 (2008): e1000042.

作者丨Denovo科普团队（褚宏伟博士 湖南师范大学硕士生导师；杨超博士）

审核丨赵宝锋博士 辽宁生命科学学会