世界首个人类脑细胞计算机诞生！能编程还能活体计算，售价3万5美金

就在刚刚，世界上第一台「合成生物智能」生物计算机诞生了！

Cortical lab推出的这款计算机，是由人类神经元直接集成到硅芯片上，可以编程和自适应，甚至还能活体计算。

合成生物智能，再次创造奇迹。

CL1将于6月上市，售价约为35,000美元

所以，Cortical是从哪里获得神经元的呢？

研究者给出了出人意料的答案：从干细胞培养而成！

在CL1的硅芯片表面，有实验室培育的人类神经元。

这些神经元能够响应电信号，形成与生物大脑类似的信息处理网络。

这个系统被设计为允许双向通信，其中电脉冲刺激神经元，并记录和分析它们的反应。

为了维持神经元的活力，CL1配备了一个生命维持系统，该系统调节温度、气体交换和其他必要条件。

CL1不是一台普通的计算机——它没有 GPU、CPU或RAM，而是依靠真实的神经元形成动态连接，自适应调整，专为需要真实学习能力的生物计算任务设计。

突破传统硅基限制

传统硅基AI，存在着一种根本性限制：巨大的能源需求、僵化的结构和有限的适应性。

只就是为什么，今天的AI消耗了大量的计算资源，却仍然难以模仿人类智能。

但生物智能（BI），则彻底冲破了这些限制！

真实的神经元，天生具有着适应和学习的能力，有着极高的能量效率（约每单位30 瓦），是一种天然的自组织，还具有更多灵活性，因为经过数十亿年的进化而变得完美。

而这台生物计算机CL1，将神经元与高密度电极阵列融合，形成一个闭环系统，其中电极传递精确的电信号。

由神经元解读这些信号，形成新的连接，并在模拟环境中动态学习。

在训练诸如Pong之类的任务时，CL1神经元的表现已经优于当前最先进的AI模型（DQN、PPO）。

在仅五分钟的游戏过程中，这些生物神经元就能以更少的训练步数达到更高的性能，展现出远超AI模型的样本效率。

生物神经元计算复杂性，远超硅基计算

为什么CL1会更优越？

这是因为，它通过实时反馈回路，实现了快速的优化。

稳定的电信号反馈加速了学习过程，使预测效率和整体性能迅速提升。

在相同条件下，人体皮层神经元在Pong游戏中的连击次数（连续成功交互次数）相比硅基AI提高了约 30%，表现出更快的学习速度和更高的学习效果。

更重要的是，从初始游戏到最终游戏的过程中，生物神经元的相对提升幅度最高，凸显了其相比硅基AI更强的适应性和快速学习能力。

CL1证明：硅基计算并非天生优越！

一个惊人的事实是，生物神经元的计算复杂性远超硅基AI，同时功耗仅为其一小部分——每个CL1单元仅消耗约30瓦，而AI GPU则需要数百瓦。

这些生物神经元并非完整的大脑，但它们已经在适应性、实际应用价值和能源效率方面超越了当前的硅基技术，对医学和AI研究具有直接的影响。

促进医学突破，加速人机融合

这一技术，无疑会推动医学研究向前迈进，用更具相关性的人体数据取代动物实验，使人类与AI的无缝融合更进一步。

在未来，我们将见证医学突破将不断涌现，比如：

• 高级药物研发：基于人体神经元的实验平台，提升新药筛选效率
• 疾病建模：使用生物神经网络模拟疾病发展，优化治疗策略
• 个性化医疗：未来可用患者自身细胞培养神经元，预测个体化的药物反应，彻底变革医疗行业

并且，CL 1的影响并不仅限于医学，它还可能彻底改变机器人和人工智能。

想象一下，由生物神经元驱动的自适应机器人，能够灵活应对不可预测的任务，并具备类似人类的响应能力，超越传统的硅基自动化系统。

这是因为，CL1具备以下优势：

• 模块化设计：CL1单元可以堆叠，支持规模化部署
• 全球云端集成：可通过云计算远程访问和训练生物神经网络
• 低功耗高效率：30个CL1 单元堆叠后，总功耗仅约850瓦，远低于等效计算能力的硅基AI

注意，这一技术不是理论概念，而是现实可行的合成生物智能，在效率、适应性和学习速度方面都已超越传统硅基计算。纯硅计算的时代正在走向终结。

传统计算机，依赖的是固定的硅基电路，擅长执行精确的数值计算。而CL1采用生物神经元，更适用于自适应任务，比如疾病建模、个性化药物测试、实时学习和决策等。

而编程CL1并不依赖传统代码，而是设计自适应反馈回路。

重点不再是编写刚性算法，而是引导神经网络根据环境自行优化。

这种方式提供了更符合生物现实的计算模型，适用于快速构建自适应系统，推动高效学习，发展有机-硅基混合智能，在生物与技术创新之间架起桥梁。

如今，生物学与计算科学的融合正在重塑科技格局。

参考资料：

https://www.tomshardware.com/tech-industry/worlds-first-body-in-a-box-biological-computer-uses-human-brain-cells-with-silicon-based-computing

文章来自微信公众号 “ 新智元 ”