摘要
澳大利亚Cortical Labs团队研发出全球首款商业化生物计算机CL1，其核心是通过实验室培养的人类神经元集群实现生物人工智能。该技术为神经疾病建模和新型计算范式提供了可能，但复杂决策能力仍需进一步验证。
研究领域：生物计算机，人工神经网络，干细胞编程，神经形态计算，生物AI伦理，反馈学习机制
去年墨尔本的一个温暖午后，数十万个活体人类脑细胞静静地安置在布伦瑞克区一间实验室的桌面容器中。这些精巧的神经元虽然微小到肉眼难以辨识，但Cortical Labs首席科学官布雷特·卡根（Brett Kagan）指向大屏幕，上面显示着类似心电图（ECG-like）的脉冲波形信号。
“这些波形是健康脑细胞对计算机输入信号做出反应的直接证据，”卡根解释道，“简而言之，这些神经元正在学习。”
今天，卡根博士团队在巴塞罗那的国际技术会议上正式发布了名为“CL1”的新产品，向企业界推出这款“首个商业化生物计算机”。
CL1支持云端远程操作，研发团队将其定义为“湿件即服务”（Wetware-as-a-Service）系统。（ABC科学频道：Jacinta Bowler）
神经元如何学会玩游戏
CL1装载着数十万实验室培养的神经元，规模介于蚂蚁与蟑螂大脑之间，已具备基础学习能力。然而，即便是卡根博士本人也难以准确预测这些人类神经元最终将承担什么任务。“潜在的应用方向实在太多了，”他期待地说道。
这家墨尔本初创公司已经取得了突破性进展，例如，2022年成功让培养皿中的神经元学会了玩《乒乓》游戏。这种学习方式极为新颖：神经元通过芯片提供的少量随机或有规律的信息进行"学习"。错误的反应会收到随机信息，而正确的反应则获得有规律的数据。最终，神经元开始学会什么是正确的反应。
值得注意的是，当时称为“Dishbrain”的系统算不上专业的《乒乓》玩家，它击中的球只比漏掉的略多一些。但它的表现明显优于那些只接收刺激而没有反馈的系统。此后，该系统不断更新，研发了专门容纳神经元并提高其精确度的软硬件设施。
Brett Kagan期待研究者能以“尚未想象到的方式”应用CL1。（ABC科学频道： Jacinta Bowler）
什么是“生物AI”？
卡根博士团队的终极目标是将这些微型神经元集群作为一种生物人工智能。“我们正致力于利用这些细胞实现智能，”他强调道。
CL1的核心理念十分大胆：既然谷歌和OpenAI正试图创造像大脑一样工作的AI，为何不直接利用大脑的基本组成部分——神经元——来实现同样的目标？
“唯一拥有“通用智能”的……是生物大脑，”卡根博士指出。不过，他也承认像CL1这样的培养皿神经元系统与Chat-GPT或DALL-E等AI有本质区别。“我们并非想要取代现有AI已经擅长的领域。”
卡根博士认为，神经元内在的工作机制使其在特定场景中具有两大独特优势：
首先是能源消耗。当前一代传统AI模型需要消耗极其庞大的电力才能产生结果。相比之下，CL1仅需几瓦特的电力即可运行。正如他所说，“并非所有系统都必须消耗巨量能源”。
其次，学习速度也是一个显著的优势。人类、小鼠、猫和鸟类能够从极少量的数据中进行推理，并迅速做出复杂的决策，而这正是目前的人工智能所欠缺的能力。
培养“微型大脑”的技术细节
CL1的体积不比鞋盒大多少，但其设计极为精密。该装置的大部分结构都用于容纳神经元并维持其活性。神经元极其挑剔，必须处于最佳环境条件下，包括及时清除废物、提供营养物质并隔离有害微生物。
最关键的部分是芯片——一个小型硅基设备，上面附着并相互连接着数十万实验室培养的人类神经元。
这类芯片上生长的神经元集群可以被“教授”接收简单信息。（图片来源：Cortical Labs）这些神经元制备过程十分精巧：先将志愿者提供的少量血液（“与医生日常检测所需的血液量相当”）中的血细胞重新编程为干细胞，干细胞是一种能发育成多种不同类型细胞的多能细胞，有了干细胞之后再精确转化为神经元。
神经元可以通过芯片提供的少量随机或模式化信息进行“训练”。错误的响应会接收到随机信息，而正确的响应会接收到模式化数据。随着时间的推移，神经元开始学习哪些响应是正确的。
这就是 Cortical Labs 如何教会名为“Dishbrain”的系统玩乒乓球的。值得注意的是，DishBrain 并非专业的乒乓球员，它击中的球比错过的球略多。但它的表现已经优于那些只接受刺激但没有反馈的系统。自那时起，该系统得到了显著改进，开发了新的软件和硬件，以更好地容纳神经元并提高其准确性。
科学界的不同视角
虽然利用神经元玩乒乓球是该领域的首次尝试，但科学家们多年来一直在创建称为“脑类器官”（brain organoids）的神经元小团块，以用于药物测试或研究人类大脑的发育过程。
昆士兰大学从事干细胞研究数十年的生物学家恩斯特·沃尔维坦（Ernst Wolvetang）教授指出，Cortical Labs使用的神经元团块结构相对简单。
“Cortical Labs采用二维方式在芯片上平铺神经元，而我们的实验室则研究三维类器官，这些类器官含有更多细胞类型，神经网络结构也更为复杂精密。我们正利用人类干细胞构建扁豆大小的人脑模型，”他解释道。
尽管存在这些差异，沃尔维坦教授仍与这家初创企业开展合作，“最初我们对二维神经网络能如此迅速学习的能力持怀疑态度，但Cortical Labs不仅开发出了一套极佳的神经元培养装置，还设计了软件和分析方法，证明这些神经网络确实具备学习能力。”
经过测试后的CL-1芯片和神经元呈现朦胧状态。（图片来源：Cortical Labs）沃尔维坦教授计划将他实验室培育的扁豆大小类器官与Cortical Labs开发的软硬件结合起来，以验证三维类器官是否能像二维神经网络一样进行学习。一旦确认类器官具备学习能力，他有大量研究课题希望展开探索，例如在类器官中引入神经退行性疾病模型，解释这些疾病如何影响记忆或学习能力。
他表示，“我知道这种想法的来源，因为很明显，这些人类神经元网络学习速度非常快，现阶段我愿保留判断，因为学会玩《乒乓》是一回事，而做出复杂决策则是另一回事。”
培养皿中脑细胞的伦理挑战
斯利维亚·韦尔萨科（Silvia Velasco），是墨尔本儿童研究所的干细胞研究人员，研究方向是利用脑类器官来了解人类大脑皮层是如何形成的。“大脑皮层最能体现人脑的独特性，因为它在人类中的外观和发育方式与其他物种有明显差异，”她解释道。
CL1系统旨在容纳并保护神经元团块。（图片来源：Cortical Labs）“作为一名研究脑类器官的科学家，我经常思考自己工作的伦理影响。”许多从事该领域的科学家，包括Cortical Labs的团队，都充分意识到他们研究的敏感性。
虽然目前使用的类器官在复杂度上远不及真实大脑，但人们担忧，最终更大规模的神经网络可能产生意识或对自身状态的理解，甚至可能获得类似人类的能力。
“就现阶段而言，我认为这种担忧毫无根据。如果不能利用这个有望治愈严重脑部疾病的系统，将是一个错失的机会，”维拉斯科博士表示，“但同时，评估和预见这些模型使用可能引发的潜在问题也很重要。”
对卡根博士而言，这些伦理问题同样值得关注，但该领域仍处于初期阶段，尚难以确定伦理边界在哪里。“我们无法给出明确答案。这是事实。这正是我们与大量生物伦理学家合作的原因，”他坦言。“我们不希望在培养皿中造成任何痛苦。”
相反，他们希望将这些神经元作为一种电路系统使用，并在运行过程中不断测试和评估。卡根博士认为，“酷的是，我们不必在培养皿中创造一个小人类，或者猫或老鼠，我们可以构建分离的脑细胞系统，并用于我们想要的目的。它们不会具有意识等特质，我们能够对此进行测试和评估，并在存在风险的情况下避免这些特征。”
