生物神经网络具备快速适应、低功耗并行处理信息的潜力，有望让计算机和机器人从经验中学习，摆脱对海量算力的依赖。然而，将活细胞转化为可靠计算组件仍面临严峻的工程挑战。
类器官 " 阅读 " 盲文
布里斯托大学研究人员近期发表的一项研究显示，实验室培养的微小人类前脑模型—— " 类器官 "，能够处理以盲文形式呈现的触觉信息。
这些直径约一毫米、包含约 1 万个神经及支持细胞的类器官被放置在微电极阵列上。触觉传感器扫描盲文字符并转换为电刺激模式发送给类器官，研究人员随后利用机器学习算法分析其反应。
基于单个类器官的反应，算法识别正确字母的准确率为 61%；结合三个类器官的处理能力后，准确率提升至 83%。这种组合方法在应对人为引入的噪声时，也展现出更强的鲁棒性。研究证实，活组织能以保留有用模式的方式转换触觉信息。
需指出的是，这些类器官并非通过经验学习识别盲文，而是采用固定编码方式，由计算机算法对神经反应进行分类。但其他研究已表明，生物混合系统在与环境互动中具备通过学习提升性能的潜力。
具身神经计算框架
神经元对电输入的反应不如数字硬件可预测，这源于其复杂的生物动力学特性。为解决这一工程难题，" 具身神经计算框架 "（Embodied Neurocomputation Framework）应运而生，旨在系统优化输入神经网络的信息。
将在悉尼 NeurIPS 会议上展示的研究显示，墨尔本生物计算公司 Cortical Labs 与本田欧洲研究所合作，利用该框架取得了显著进展。团队使用 Cortical Labs 的 CL1 生物计算机，将活体神经网络连接到虚拟网格世界中的智能体上。
该智能体需根据模拟气味梯度导航寻找 " 食物 "。研究人员测试了约 1300 种电信号配置，积累了超过 4000 小时的实时交互数据。最终，12 种配置在多轮测试中表现出稳定的学习能力。在相同条件下，这批经过优化的生物智能体在导航任务上优于传统的强化学习基准。
从虚拟导航到实体控制
生物混合计算的核心吸引力在于其卓越的能量效率与可塑性。人脑仅消耗相当于一个灯泡的能量即可完成复杂信息处理，且神经元能根据经验调整连接，提供了一条区别于传统数值运算的学习路径。
在另一项演示中，Cortical Labs 利用生物神经网络中细胞发放的频率，成功指导机器狗在小空间内运动。尽管距离实战应用尚有差距，但这种神经编排建立了可适应的 " 湿件 " 与可编程执行器之间的关键联系。
Cortical Labs 联合创始人兼首席执行官 Brett Kagan 指出，传统机器人在物理控制上已非常强大，但在需要快速学习或适应条件变化的高级控制方面仍显吃力。" 行走、跑步令人惊叹，但确定何时何地采取行动仍是传统方法的挑战。"
前路与挑战
尽管进展显著，生物计算机短期内无法在亚马逊仓库或 Waymo 汽车中服役。主要障碍之一是维持组织存活：培养脑细胞需要严格控制的条件和持续养分供应。虽然神经元本身节能，但支持硬件的能耗使得实用系统的总能效评估变得复杂。
目前，该领域正超越简单的游戏演示，转向开发性能衡量框架、优化接口并测试结果的一致性。目标并非制造完全由脑组织构成的计算机，而是探索活体神经网络如何补充硅基技术，构建能在极端环境下高效学习和适应的系统。
【星途科讯 图文丨 LCC 首发于 ZAKER 科技，转载请注明出处】
