乍看之下，这个概念似乎难以置信：计算机的构成材料不是硅，而是活体脑细胞。这种构想似乎更适合科幻小说而非实验室操作台。然而，全球少数研究实验室中，科学家已开始尝试将活体人神经元融入计算机系统。此类计算机现正被训练执行复杂任务，例如玩游戏甚至操控机器人。
这些系统基于脑类器官构建：即实验室中由干细胞培育的微型人脑神经元集群。尽管常被昵称为"迷你大脑"，但它们既非具有思维能力的意识体，也非真正的思考主体。相反，它们是经过简化的神经网络，可与电子设备建立接口，使研究人员得以观察活体神经元在计算循环中如何处理信息。
事实上，部分研究者声称这些工具正推动医学与计算科学的前沿发展。亚利桑那州立大学神经科学家拉蒙·贝拉斯克斯博士便是其中一员。
"脑类器官与机器人学的交叉领域，是我神经科学研究生涯中遇到的最激动人心的方向之一，"贝拉斯克斯博士向ZME Science表示。
但计算机的组成部分究竟在哪里？其实相当简单。研究人员正通过各种精巧的反馈系统，训练这些体外培育的"大脑"与机器互动。经过训练，这些"迷你大脑"正逐渐演变为——某种意义上——活的计算机。
不过，事态可能迅速变得异常诡异。
通过反馈系统训练迷你大脑
脑类器官能在初级层面充当"迷你计算机"的根本原因，在于人类干细胞的非凡能力：在特定培养条件下，它们能自组织形成类似早期脑组织的神经网络。这些网络可产生电活动、建立连接，并且关键的是，能对刺激作出行为改变。
但即便如此，科学家如何教会一团神经元完成实用任务？
所谓"活体计算机"的奥秘在于反馈回路——活体神经元与计算机之间的双向通道。当科学家将类器官置于高密度电极网格（即"芯片上脑"平台）时，该回路即被激活。此类平台使研究人员能向类器官输送电脉冲，并监测其神经反应。
正是这种"刺激-反应-调整"的双向反馈回路，使研究人员得以训练类器官。例如，研究者可通过代表特定任务或环境的模式化电活动刺激类器官。在此过程中，软件实时解码类器官的放电模式。经过多轮循环，类器官的活动模式开始发生类似"学习"的变化。
DishBrain与Brainoware案例研究
2022年，生物科技初创公司Cortical Labs的澳大利亚研究团队展示了如何利用自培芯片上的80万个神经元，训练"培养皿大脑"（DishBrain）充当计算机。通过电反馈系统，研究人员教会该"培养皿大脑"玩经典电子游戏《乒乓》。令研究者惊讶的是，"培养皿大脑"仅用五分钟就学会在游戏中击球，其速度远超当时传统人工智能程序。
澳大利亚研究者发现，此类生物网络的学习效率高于硅基AI：所需训练次数更少且能耗更低。数年后，其他研究者拓展了这一方法。
例如，印第安纳大学团队创建了名为Brainoware的系统。他们将脑类器官置于3000多枚电极组成的网格上，通过录音反馈与重复电脉冲训练其识别语音。两天内，该类器官系统能以约78%的准确率区分不同说话者的声音，证实了活体神经元"生物计算"的可行性。
芯片上"迷你大脑"的局限性
考虑到"活体计算机"是新兴领域，实证研究与现实证据尚少，其潜力虽大但限制显著。贝拉斯克斯博士指出，尽管这些迷你大脑展现出惊人学习能力，我们必须清醒认识其局限。
"作为模型系统它们极具说服力……但与新生儿大脑相比仍相当不成熟，"他向ZME Science表示。事实上，每个类器官仅含数万神经元，相较于成人脑的860亿神经元微不足道，且缺乏真实大脑皮层的复杂结构。
此外，天津大学明东教授等研究者强调，脑类器官的"迷你计算机"功能高度依赖接口硬件。类器官无法自主与外界互动，完全依靠精密硬件将神经活动转化为实用信息。
"芯片式脑机接口……利用体外培养的'大脑'与电极芯片耦合，通过编解码及刺激-反馈实现与外界的信息交互，"明东教授解释道。
简言之，脑类器官需特殊芯片作为神经语言与计算机/机器人电子语言间的"翻译器"。
或许最紧迫的限制在于：研究显示类器官极其脆弱。脑类器官缺乏供氧系统、血管及废物清除机制，这意味着除非持续供给营养与氧气，否则通常只能存活数周至数月。
遗憾的是，这对长期应用构成重大障碍——短命且脆弱的类器官难以训练、规模化或可靠用于长期任务；至少目前如此。
搭载活体大脑的机器人
尽管存在局限，类器官在机器人领域可能大放异彩。但如贝拉斯克斯博士所言，每次实验"都像科幻电影的预告片"，即便其根基始终扎在实验室中。
真实类器官仅数毫米宽，需置于营养舱内培养，绝非《飞出个未来》中的会说话脑袋。然而，机器人与类器官的融合已催生现代科学中最怪异的原型机。
2024年，天津大学研究人员在前沿展示了一台轮式机器人，其核心是安装在MetaBOC芯片上的豌豆大小体外培养脑类器官。该类器官处理机器人的传感器数据，数据被转化为电脉冲，其神经活动经解码后控制电机运转。
起初表现平平，但经过训练，类器官的导航能力持续提升，与早期DishBrain实验相呼应。据明东教授称，它学会规避障碍物并追踪目标，完成类脑计算任务。
另一有趣现象是，此类"机器人+脑力"实验正多地涌现。例如，FinalSpark公司正进行真正创新的尝试：将多巴胺用作类器官计算的生物奖励信号，从而创建超高效的赛博格机器学习平台。
然而，尽管这些类器官系统各异，它们共同指向同一理念：生物网络能产生刚性机器难以模仿的适应性行为。
从赛博格到治愈：实际价值何在？
研究者视活体神经接口为连接生物学与技术的桥梁，具有广泛潜力。部分近期应用展望包括：
自主赛博格系统
若以为脑类器官终将化身新型终结者，那就大错特错。即便当前正测试此类生物-硅混合系统的自主赛博格系统，其技术远未达到赛博坦系统T-800型的水平。
该技术终极目标是赋予机器人或无人机活体神经回路，使其具备实时学习与适应能力。测试表明，基于类器官的系统识别模式更快且能耗仅为传统AI的零头，待技术完善后或将成为更优选择。
现实中，DARPA和NSF等军方与航天机构正投资类器官智能研究，希冀开发能在不可预测环境中自主导航的脑控系统，性能远超常规AI。
长远看，这些生物混合系统或可赋予机器人某种天然直觉与韧性，但绝非科幻级别——即便如此仍是长期愿景。
脑疾病建模
医学领域中，类器官系统可助力脑疾病建模。由于脑类器官源自人体细胞，它们能模拟动物模型常无法复制的人脑发育与疾病特征。
科学家已用脑类器官在微型尺度上模拟癫痫、自闭症及阿尔茨海默病。将类器官连接电极或芯片可增加新维度：监测复杂电活动、诱发特定应激或刺激，从而加速药物测试。
贝拉斯克斯博士证实："通过患者特异性诱导多能干细胞培育类器官，我们可开发高度个性化的测试平台，这将变革疗法定制与评估方式。"
2025年一项研究进一步指出，类器官"智能"平台有望替代部分动物实验。例如在毒理测试中，芯片上的类器官神经元网络可揭示环境化学物如何损害胎儿脑发育，全程无需活体动物。
简言之，这些"培养皿中的大脑"是强大的医学模型系统，为探索脑功能与病理提供前所未有的试验场。
真正修复大脑
研究趋势表明，终极目标——尽管遥不可及——是利用实验室培育的神经组织恢复受损脑功能。若类器官能操控机器人，它能否有朝一日植入脑损伤患者体内，引导新神经生长？
这正是核心问题，部分研究者谨慎推测"可能"，因进行中的动物实验已证明其潜力。2024年一项突破性研究显示：移植的人脑类器官可嫁接至受损啮齿类大脑，促使新连接与血管萌发。
此外，2024年科学家提出"OBCI"（类器官-脑计算机接口）概念。据2024年研究，植入式类器官有望通过电子设备桥接受损神经回路。理论上，电极或超声波可引导神经元与宿主大脑连接，促进功能恢复。
尽管此类脑修复极具实验性，愿景是：脑损伤患者未来或可接受类器官植入物与训练芯片的组合治疗，本质上提供替代丧失脑功能的活体神经假体。
若成真，将为创伤性脑损伤、中风或神经退行性疾病患者带来治疗革命。
挑战、伦理困境与未来展望
除当前类器官结构简单、发育不成熟（更接近胎儿脑而非成人脑）外，尚存其他挑战与伦理隐忧。正如贝拉斯克斯博士警示："当人们开始抛出'类器官智能'或'感知能力'这类术语时，伦理与科学层面都变得模糊不清。"
事实上，神经科学家担忧，围绕类器官智能的兴趣被过度夸大。因为无论多精巧，类器官既非有意识的思维体，也无法感受情绪甚至疼痛。将这些细胞团或迷你活体计算机标榜为"智能"甚至"有感知"，易误导监管者与公众。
此外，该领域先驱们忧虑：夸大主张可能引发伦理反弹，阻碍正当研究。毕竟，即便类器官显示脑活动并发出类似婴儿脑波的振荡，这与真正意识仍相去甚远。
然而，已有观点主张预先制定伦理框架，确保"活体计算机"等类器官研究未来能负责任地推进。
贝拉斯克斯博士亦赞同："若这些系统终能自组织至初具高级认知能力的程度，我们将需要全新的伦理框架。当前尚早，但发展轨迹已足够清晰，不容忽视。"
【全文结束】
