技术深度解析
实现活体神经计算的架构本质上是一个精密的控制论闭环系统。其核心是微电极阵列（MEA）——一种在玻璃或硅基底上制造的微型电极网格。现代高密度MEA（如MaxWell Biosystems或3Brain开发的产品）可集成数千个电极，能同时记录和刺激培养网络中数百至数千个独立神经元。神经元通常经解离后培养于阵列之上，在数日或数周内重建突触连接，形成自发活动的二维“芯片大脑”。
其计算范式属于储备池计算。培养的网络作为高维非线性动力系统（即“储备池”）存在。输入数据（例如转换为时序脉冲序列的音频波形）通过电极子集的电刺激注入网络，网络复杂的内部动力学特性将对此输入进行转换。随后，一个读出层（通常为基于软件的人工神经网络）被训练来解读电极阵列上产生的电活动模式，并将其解码为目标输出（如音素标签）。关键在于，训练过程仅调整读出层的权重，而非直接改变生物网络的突触——尽管新方法正探索通过闭环系统诱导神经可塑性。
关键算法涉及脉冲时序依赖可塑性（STDP）模拟。研究人员采用精确的电刺激协议来模拟自然的赫布学习法则（“一起放电的神经元会连接在一起”），旨在引导网络的自组织过程。该领域一个关键的开源工具是`MEArec`，这是一个用于模拟MEA上真实细胞外记录的GitHub代码库，对于在成本高昂的湿实验前开发和测试控制算法至关重要。另一个工具是`SpikeInterface`，这是一个用于峰电位排序的统一框架——这是从原始电极数据中识别单个神经元峰电位的关键预处理步骤。
性能指标虽处于早期阶段但颇具启发性。例如Cortical Labs（其“DishBrain”系统）和印第安纳大学冯果实验室的早期研究，展示了运行《Pong》游戏和语音识别等任务。基准测试主要关注准确率、训练速度（刺激周期数）和网络稳定性。
| 系统/研究 | 生物基质 | 任务 | 报告准确率 | 关键指标 |
|---|---|---|---|---|
| Cortical Labs DishBrain | 小鼠皮层神经元/人iPSC衍生神经元 | Pong游戏 | 不适用（得分提升） | 5分钟内学会目标导向行为 |
| 冯果实验室（2023） | 人iPSC衍生皮层神经元 | 日语元音分类 | ~78% | 超越随机基线（50%）及简单ANN基准 |
| 传统数字ANN | 硅基 | 相同元音任务 | ~95%+ | 功耗高出数个数量级 |
数据启示： 在标准化任务精度上，当前生物神经网络（BNNs）的表现仍落后于纯软件人工神经网络。然而，其核心价值主张并非原始精度，而是利用生物组织实现*功能性计算*、展示学习能力，并在理论上达到硅基系统无法比拟的能效。其比较基准并非GPT-4，而是旨在证明该基质本身的计算实用性。
关键参与者与案例研究
该领域由学术实验室、大胆的初创公司以及探索后硅基计算的大型科技公司日益增长的兴趣共同推动。
Cortical Labs（澳大利亚） 可以说是最受瞩目的初创公司。他们因教会神经元集群（包括小鼠和人类干细胞衍生的神经元）玩电子游戏《Pong》而备受关注。其“DishBrain”系统证明，当提供结构化的感觉反馈时，神经元能够自组织并表现出目标导向学习能力。Cortical Labs将其神经元定位为“活体AI”，聚焦于生物系统固有的智能。他们目前正致力于更复杂的问题解决和模式识别任务。
印第安纳大学伯明顿分校冯果实验室于2023年发表了题为“脑类器官计算”的标志性研究。该团队利用人类干细胞培育出脑类器官（3D神经元团块），并将其连接到电极阵列上。他们成功训练了这个名为“Brainoware”的系统执行非线性语音识别任务，从音频样本中分类日语元音。这项工作的意义在于使用了更复杂的3D类器官，并实现了明确的机器学习基准。
Koniku（美国） 是采用不同路径的先驱。与使用通用培养神经元不同，Koniku通过基因工程改造神经元，使其表达特定的嗅觉受体，从而创造出能够检测空气中化学物质的“赛博格”传感器。