继 2021 年澳洲团队用脑细胞玩电脑游戏乒乓，
前天发表在《Nature Electronics》上的论文，
《Brain organoid reservoir computing for artificial intelligence》
能使用体外活体脑细胞仿生体进行两项机器学习的任务：语音识别和非线性方程预测。
https://www.nature.com/articles/s41928-023-01069-w
论文线上看: https://is.gd/oTHJxH
ˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍ
以下文章为二手讯息，非论文原作者报导
使用 ChatGPT 机翻
source: https://newatlas.com/computers/hybrid-brain-organoid-computing/
¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
具有活体脑器官的半机械电脑在机器学习测试中表现出色
由洛兹·布莱恩（Loz Blain）撰写
https://i.imgur.com/QSF1Pmp.jpg
“Brainoware”系统使用一个由自我组织的、活体人类脑细胞组成的球体，安装在一个电
极芯片上。
科学家们利用人类干细胞培养出一个类似大脑的微小器官，将其连接到一台电脑上，并展
示了它作为一种有机机器学习芯片的潜力，显示它能够快速学习语音识别和数学预测。
尽管机器学习近年来取得了惊人的进展，但人工智能在某些重要方面仍远远落后于人类大
脑。例如，大脑每天只需消耗约20瓦的能量预算，就能快乐地学习和适应，而一个相当强
大的人工神经网络则需要约800万瓦的能量才能达到类似的效果。
此外，人类大脑的神经可塑性，也就是它生长新的神经组织和扩展现有的连接通道的能力
，使其能够从嘈杂、低质量的数据流中学习，只需进行最少的训练和能量消耗。人工智能
系统通过强大的力量和大量的能量来实现的事情，人脑却能以毫不费力的优雅方式达成。
这要归功于数十亿年来的高风险试错，使人类大脑发展到今天的状态，主要用于在上厕所
时观看大量其他人跳舞。
但如果大脑是一台强大的学习电脑，而它在我们的头骨中所做的只是对来自感官的电信号
做出反应，为什么不把这个该死的东西连接在一个罐子里，看看它是否能取代神经机器学
习芯片呢？嗯，大多数人需要他们的大脑 - 其余的你们知道自己是谁 - 但大脑细胞可以
很容易地由多能干细胞在培养皿中制造出来，它们有自然的倾向自我组织并分化成有用的
结构，就像你在发育中的大脑中所找到的那样。
实验设置能够将电信号传送到小脑中并读取神经元活动作为输出
https://i.imgur.com/bcM6QzN.jpg
因此，我们现在生活在生物电脑的时代，这是一种硅和活体组织混合的类似半机器人的混
乱。去年九月，我们曾与Cortical Labs交谈，他们在2022年令世界震惊，将80多万个脑
细胞生长在硅基板上，并教会了这个名为"DishBrain"的电脑玩乒乓球等游戏。
现在，印第安纳大学的研究人员采取了一种稍微不同的方法，他们培养了一个脑部“器官
样本”并将其安装在硅芯片上。这个差异可能看似学术性的，但通过让干细胞自组织成三
维结构，研究人员假设结果的器官样本可能会更聪明，如果它们被允许像正常情况下那样
自行排列，神经元可能会展示出更多的“复杂性、连接性、神经可塑性和神经生成”。
所以他们培养了一个小脑球器官，直径不到一奈米，并将其安装在高密度多电极阵列上 -
一个能够向脑球器官发送电信号，并读取由神经活动产生的电信号的芯片。
他们称之为“脑智软件”(Brainoware) - 这可能是指与硬件和软件相关的东西，但对于
我敏感的口味来说，听起来太接近“脑感知”，并唤起了其中一个东西完全变得有感知并
理解自己命运的永恒噩梦。
然后，他们开始将它视为一个神经机器学习芯片，将其放入一个"储水计算"框架中。这是
神经网络计算中一种非常奇怪的"黑盒子"概念，根据维基百科的说法，其中一个"储水池"
（可以是任何东西，从虚拟软件系统到激光，甚至是一个字面上的水桶）被用来通过固定
的非线性系统的动态将输入信号映射到更高维度的计算空间中。
有趣的是，在训练开始之前，Brainoware系统能够以令人惊讶的准确度辨别出八个声音中
的哪一个是在说话的
https://i.imgur.com/GFwQa7H.jpg
你和我都不需要假装理解那是什么意思，所以我们可以放松并无罪地继续进行。研究人员
将Brainoware器官细胞芯片连接到系统中，将其视为一个“适应性生活储存库”，确保迷
你大脑对电气输入作出适当的非线性反应，确认其具有某种记忆效应，找出如何以网格阵
列输入空间数据，然后开始一些无监督学习测试。
他们专注于两个领域：首先是语音识别；将约240段成年男性讲日语的音频片段转换为电
信号后，喂入Brainoware芯片。令人惊讶的是，在第零天，这个器官样品能够仅仅通过一
个元音声音，以约51%的准确率分辨出八个不同的人在说话。两天后，这一准确率提高到
了78%。
然后他们转向数学，使用Brainoware芯片来“预测Hénon映射，这是一个具有混沌行为的
典型非线性动态系统。”这涉及到一个额外的抽象层，因为每个由200个点组成的2D Hé
non映射必须转换为一维的时空电信号，以供输入到脑组织中。在两天内，它将预测某一
点的准确度从0.356提高到0.812。
这个半机器人电脑在两天内大幅提升了它的数学预测能力
https://i.imgur.com/cI441Gw.jpg
为了向硅谷团队炫耀，他们也将同样的问题交给一些人工神经网络，发现它“明显优于没
有长短期记忆单元的ANN”，并且“显示出稍微较低的准确度，但训练时间减少了超过90%
”。
团队得出结论，这样的三维人类脑器官样品确实可以形成功能性神经网络，并作为一种新
型机器学习硬件运作，同时自然地解决了人工机器学习芯片所面临的时间、能源消耗和热
量产生的挑战。他们对于将这个想法升级，使用植入到器官样品脑组织中的软针状电极感
到兴趣，这将使更多的神经元能够进行输入/输出，而目前的设备只能与脑细胞球的外部
接触。
然而，当处理活体组织时，有一些限制，你可以想像到。首先，你必须找到一种方法来大
量培养它们，并保持它们的生命力和健康，这并不是Nvidia需要担心的事情。它们也可能
彼此非常不同，这引出了一个有些恐怖的问题，即从神经科学家的干细胞中培养出来的脑
细胞是否比从Sexy Red粉丝俱乐部成员那里取得的脑细胞更有效。
团队还指出，虽然器官芯片在运作时消耗的能量非常少，但生命维持系统却消耗了一些节
能效益 - 虽然研究人员相信，如果这种技术得到推广，这些系统可以迅速发展。
最后，就像Cortical Labs的团队一样，这个团队对于利用人类神经元创造微型脑并将其
连接到活体机器人的伦理问题并没有明确的想法。团队写道："随着这些器官样系统的复
杂性增加，社群有必要检视与整合人类神经组织的生物计算系统所涉及的众多神经伦理问
题。" "可能需要数十年才能创造出一般的生物计算系统，但这项研究很可能会产生对学
习机制、神经发展以及神经退化疾病的认知影响的基础性洞察。"
这确实是我们进入的奇异水域，随着科技在2023年似乎超越了所有控制。天晓得2030年会
是什么样子，更不用说2050年了。
这篇论文可以在《自然电子学》期刊上找到。