忘记AI吧，人脑计算机才是最牛B的

想象一下，在某个清晨，身为打工人的你，睁开疲惫的双眼，不太情愿地起床，洗漱，挤地铁去上班，准备面对一天的会议、键盘敲击键声和海量的文件。

然而，这一切都只是计算机模拟出的景象，在现实中，你的大脑正作为一台生物计算机的核心，处理着各种复杂的信息。

依托高效的生物神经网络，你已经在短短一分钟内，完成了硅基计算机需要一星期才能达成的工作量。而你却对此浑然不知，仿佛缸中鱼游弋的鱼，对水外的世界一无所知。

最近，一家瑞士的初创企业FinalSpark，近期推出的全球首款生物处理器Neuroplatform，就是这样的例子。

这些处理器是由人脑类器官的生物神经元驱动的——说白了，就是在用活生生的人脑细胞进行计算。

在之前的实验中，FinalSpark 已经找到了一种可以在体外快速产生类脑器官的办法，而这些类脑器官，就相当于是一个个迷你的“缸中之脑”，通过提供电刺激，FinalSpark的研究人员，得以观察这些类脑器官不同的反应，从而一窥大脑是如何处理信息的。

在过去三年中，Neuroplatform 构建了超过 1000 个大脑类器官，收集了超过 18TB 的数据。为了方便人们使用，FinalSpark 还开发了一个专门的 API接口，可以直接通过 Python 库或使用交互式计算（如 Jupyter Notebooks）进行远程研究。

而人类之所以要煞费苦心地制造这样一种由人脑组成的“计算机”，最重要的原因，是以大脑为基础的生物计算机，与传统计算机相比，实在太香了。

01 人脑的优势

由人脑组成的计算机，最瞩目的一个优势，就是能耗低太多太多了。

随着新一代大模型（LLM）的兴起，人类对能源的消耗也与日俱增，例如，训练一个像GPT-3这样的LLM大约需要10 GWh也就是一千万度电——这能量，足够一辆特斯拉Model S长续航版绕地球赤道跑上一千圈。

相较之下，人类大脑有860亿个神经元在运行，但实际功率仅为20W，仅相当于一个灯泡。

其中的关键区别就在于，人脑传递信息，靠的是电信号+化学递质的组合，而硅基计算机，是纯电。

不过，这样的先天优势，还不是最绝的，最绝的是人脑这样的生物神经网络，具备所有传统计算机都不具备的并行计算优势。

传统电子设备内部，就像是一条条精心铺设的铁路线，列车（电子）只能沿着固定的轨道（电路），一站接一站地缓缓前行。

而相较之下，神经元的世界，则是一个错综复杂、四通八达的巨网，每个神经元都与其他成千上万个其他神经元紧紧相连。

当一个神经元接收到信号后，可以同时通过突触连接，将信号传递给多个下游神经元，从而实现大规模并行传输。

这就像是，如果你有一大堆信件需要分类，传统计算机的方法，是你自己一封封看，这样你一个人得忙很久，而且过程中一直开着的灯光、电脑等设备也会消耗不少电。

而生物神经网络的方式处理，这就像是有成百上千个帮手帮你分拣信件，这样一来，所有信件几乎是瞬间就被分类完毕。

在摩尔定律逐渐放缓的今天，而这种新的计算架构，可能是人类实现科技飞升，乃至通向AGI的关键。

毕竟，现在的芯片晶体管尺寸已经逼近物理的极限了，5纳米、3纳米（实际是10nm以上），甚至还想往更微观里钻，结果呢，物理法则开始发威了，量子隧穿啊，散热难题啊，一个个成了拦路虎。

更要命的是，晶体管再往小里缩，好像也不那么划算了。即使是台积电，从5纳米蹦到3纳米，成本嗖嗖涨了80%到100%，结果速度提升就那么一丢丢，10%到15%上下晃悠。

这性价比，真让人头大！

第二个比较关键的原因是，人类要想实现AGI，要想让AI达到和人一样的智能，就得让AI像人一样，具备在各种新环境下不断学习、泛化的能力。

而在生物神经网络中，由于神经可塑性的存在，神经元之间的连接强度（突触权重）是可以改变的。

换句话说，在面对需要持续适应和学习的任务时（如自动驾驶），它们能够像一个运动员那样，根据训练的需要，调整肌肉力量（突触权重），从而达到“越学越强”的效果。

而传统的计算机啊，硬件就像搭好的乐高积木，一旦成型，想改？难！

综上所述，能耗低、效率高，还能自适应学习，这些优势，让生物计算机这一概念，想想都让人眼馋。

不过，要想真正制造出一个能运行的生物计算机，最重要的一步，是得先在生物体外，培养出一个活生生的“大脑”。

02 现实版缸中之脑

说真的，想要在实验室里直接鼓捣出个完整的大脑来当计算机，不光是技术上难于上青天，伦理红线也是亮闪闪的，所以啊，科学家们想了个折中的招儿——不搞大的，咱先从小的玩起。

具体咋整呢？他们捣鼓起了干细胞，通过特定的生长因子和信号分子（某种营养液），引导它们变成大脑里的细胞，一小块一小块的，形成了人类神经的干细胞。

具体来说，大致的步骤可分为：播种—解离—重组—分化—体外续命。

播种阶段：

为了让这些“种子”（神经干细胞）健康快速地生长，就需要为它们准备一个理想的“土壤”——我们叫它培养基，

其中往往配备了多种“肥料”，例如增强版的维生素、刺激细胞分裂的生长激素等。

解离阶段：

在细胞达到一定的生长密度后，细胞间的接触抑制（Contact inhibition）现象会加剧，换句话说，细胞间离得太近，可能会抑制彼此向目标细胞类型的分化。——就像果园里小树苗挨得太近，不利于各自伸展枝桠。

这时，科学家就要使用一种叫做StemPro™ Accutase的特殊溶液（一种温和的细胞分离剂），来帮助这些细胞从原来长着的地方“松动”下来。

经过这样的步骤，科学家们小心翼翼地数出25万个这样的细胞，放到一个平板上的小格子里，以便进一步促进细胞的组织特性发育。

重组阶段：

接着，他们把这个平板密封好，再将其放到一个叫做轨道摇床的设备上。这个设备就像一个高科技的摇篮，它会以每分钟80次的速度来回摇晃。

就这么晃啊晃，这样细胞们就能在一个类似微重力的环境中慢慢长大，而不会沉积到底部。

如此一来，就能避免底部的细胞因为过于密集，相互竞争营养和空间，从而导致一些细胞无法获得足够的资源而死亡或生长不良。

分化阶段：

这一阶段，就相当于是“施肥与修枝”一类的过程，加入像重组蛋白这样的脑部发育助推剂，帮助细胞向大脑细胞的方向发展；

待这些小球进一步成长后，科学家便将其转到由50% Diff I和50% Neurobasal Plus（两种营养配方）组成的分化培养基中，继续培养3周。

这样，就能使其更成熟，更接近真实大脑的复杂结构和功能了。

体外续命阶段：

理论上，到了这时，这些长成人脑类器官的细胞，已经可以在多电极阵列（MEA）上进行实验了。

但问题是，光把细胞培育成型还不行，咱还得让这些娇嫩的小东西，在生物体外持续地活下去。

于是，科学家们打造了一种类似微型血液循环系统的微流体系统，为那些在实验盘上的迷你大脑组织持续不断地提供吃的和喝的，每分钟送5微升的营养液，确保它们持续存活。

控制这个液体流动速度的是一个叫做BT-100 2J的小泵，它就像心脏一样，能按需加速或减速，这样，液体送出去还能再循环回来，就像血液循环那样。

人脑计算机

在体外培育出一个活生生的“迷你大脑”后，接下来要做的，就是怎么捕捉这些小东西的活动信号，并尝试用它来进行计算、编程一类的操作。

首先，如果真的要将人脑的活动，转变成能被软件识别的信号，人类至少有两大门槛需要迈过去。

其一就是，人脑这玩意儿，电信号实在太弱了。

人脑的电信号，其实非常微弱，通常只有几微伏到几十微伏，这主要是由于，大脑中的“电流”源头是单个神经元细胞，其体积极小，大约只有10-20微米。源头小，产生的信号自然就小。

所以，如果真想用这玩意儿来当“计算机”，首先就得先捕捉，并将其信号放大。

这其中的关键，就在一个名叫MEA（微电极阵列）的东西上。

这些电极的尺寸通常在微米级别，可以精准地插入或紧邻细胞膜，而不对细胞造成损伤。

而这一“插入”的步骤，对捕捉信号极其重要。

因为神经元的电信号是在细胞膜上产生，通过细胞外液传播时，就会有较大的衰减。

唯有紧密地接触到细胞膜，或插入到细胞层，才能记录快速变化的神经活动。

当捕捉完毕，放大电信号之后，第二个关键门槛，就是将人脑的模拟信号，转换成数字信号。

与现在计算机中，信息主要都是以一堆“0”和“1”这样的二进制数字信号的传播机制不同，人脑这玩意儿，产生的是那种一条曲线似的，在连续变化的模拟信号。而不是“0”和“1”这样确定的值，其中可以有无限多的中间值。

用这样的信号来操控软件，就会遇到很奇葩且不可测的情况。

比如，你点击鼠标希望打开一个文件，但由于信号的“不确定性”，要么文件无响应，要么画面就像雪花屏一样模糊。

那怎么才能将模拟信号变成数字信号呢？

这就涉及到了一个叫做模数转换器的东西。简单点说，它大致是这么实现模拟—数字信号的转换的：

首先，模拟信号需要在时间上被周期性地“捕捉”，这个过程称为采样。就像用照相机拍照，不断地高频咔嚓，这样，连续的风景（模拟信号）就被分成了一张张静止的照片（离散的时间点）。

而这次的Neuroplatform，采样频率为30kHz，意味着系统每秒钟会对模拟信号进行30,000次采样。

拍好照片之后，我们要给它上色，不过这样的颜色（离散数值）却被限定了范围，比如说，只用256种颜色，这就把无限的颜色变化（模拟信号）简化成了有限的选择（数字信号）。

最后，这些被限定了颜色的照片，就会被进一步编号（转化成二进制），这样，每张照片就有了对应的数字代码，计算机就能理解并处理这些代码了。

操控性难题

成功读取大脑信号之后，接下来该面对的问题，就是怎么让这个类脑器官，像真正的计算机一样，按照人类的意志，执行各种程序和命令了。

而在这方面，之前已经有人做出了尝试，例如澳大利亚的初创公司Cortical Labs，之前就曾用大约100万个活体脑细胞，在培养皿中打造了一个“盘中脑”。名为“DishBrain”系统。

之后就将这活体脑细胞组成的操作系统，用来整天不停地在虚拟世界里玩复古的乒乓球游戏Pong。

在外界看来，这只是一块存活在小盘子里的脑组织，但对这个脑组织本身而言，它却认为自己“生活”在一个截然不同的世界，一个只有乒乓球游戏的世界，在游戏中，它相信自己就是那个球拍。

这简直就和《黑客帝国》里，沉浸在虚拟世界“母体”中的人类一样，不禁让人细思恐极。

可问题是，这种由脑细胞构成的生物神经网络，并不像电子计算机那样，可以直接通过调整参数或代码，来实现对具体命令的反馈，那Cortical Labs的团队，是怎么令其按照设想进行乒乓球游戏的呢？

如果这团脑细胞，是一个完整的生物，那人们就可以像巴甫洛夫的条件反射实验那样，做对了，就给它食物作为奖励，做错了，就电它一下作为惩罚。

但如果是一团没有五官、四肢和躯体的脑细胞呢？

这就不得不提到一个非常抽象的理论——自由能理论。

万物智能理论

这个理论是英国神经生物学大牛卡尔 · 弗里斯顿（Karl Friston）提出来的。虽然它本身十分艰深、晦涩，但如果简而言之，其核心的理念可以概括为：我们的大脑和身体，总是在努力减少“意外”或者不确定性。

举个例子：当你走进厨房闻到香味，你的大脑立刻开始预测：“啊，可能有人在烤饼！”这时，大脑降低了对其他可能性的考虑（比如刚喷了空气清新剂）。

该理论还认为，在这一机制的驱动下，当个体遭遇意外时，要么就修改预测，去接受意外度、容许错误、更新外部世界模型；要么就做出行动或改变，使预测成真。

而这套理论，比巴甫洛夫的条件反射理论高级的地方就在于：条件反射，只能作用在那些简单的，低级感官层面的行为，例如狗听到铃铛就会流口水之类的。

而对于那些需要复杂操作，或是需要一定适应性的任务，条件反射则很难发挥作用。

例如，在Cortical Labs的实验中，虽然乒乓球游戏的玩法、规则都是固定的，但每次球被弹回后，相应的落点和运动轨迹都不一样。

而脑组织扮演的“球拍”，必须准确预测球的落点，调整自身位置，以及在正确的时间移动，才能将球弹回去。

这一系列复杂、动态的操作，远超出了简单条件反射的范畴。

为了让脑组织完成这样的操作，Cortical Labs依据自由能原理，发现球拍移动正确的时候，给盘中之脑一个有规律的电刺激。

因为这个电刺激是有规律的，而有规律的东西，往往就意味着“确定性”，意味着更少的“意外”和“误差”。

而相反，如果球拍移动不正确，我们就给它一个杂乱无章的电刺激。

所以，为了追求这样的“确定性”，脑组织就会逐渐优化自己的行为策略，使自己更准确地击中乒乓球。

实际上，这和现实中人们骑自行车的例子很相似。

在骑车时，面对动态、复杂的路况，要想实现稳定骑行，大脑就要不断构建并优化对骑行环境的预测模型，减少预测误差。

最终，在实验中，这个盘中脑只用了5分钟，就学会了乒乓球游戏，而相较之下，AI则需要90分钟。

这意味着，一个以自由能原理驱动的生物神经网络，有远超传统计算机架构的学习、计算效率。

而这样的优势，也驱使着现在的FinalSpark，针对生物计算平台Neuroplatform 展开了一系列实验，以便探究生物神经网络更复杂的机制。

“开源”的力量

如果说Cortical Labs做那些自由能实验，就像是早期电脑时代的编程语言，刚教会了我们怎么给生物细胞下基本命令，那么Neuroplatform，则像是更全面的操作系统。

因为集成了更多的开发工具和框架，不仅让参与的研究者多了，能做的实验也更多了。

具体来说，在Neuroplatform中，连着类脑器官的MEA（多电极阵列），同时也连着计算机接口，而后者又与云端服务器相连。

这样，各地的研究人员，就能不受地域限制地远程执行实验，这对那些经费稀缺，设备不足的研究团队尤其重要。

具体操作时，研究人员可以先编写脚本，或使用图形用户界面（GUI）来设计实验方案，然后通过网络发送指令至实验平台上的控制系统。

接着，平台连接到高度自动化的实验装置，如多电极阵列（MEA）系统，可以自动施加电刺激、记录神经元活动，并进行液体处理等操作，无需人工直接干预。

而在这个“开源”平台上，作为创始者的FinalSpark，大致进行了这么几个实验：

修改自发活动

这个实验，就相当于在测试生物计算机的“可编程性”。

在实验中，研究者使用了一种快速的电脉冲方法，这种脉冲每秒钟发送20次，每次包含一个先负后正的短暂电击，这个电击非常微弱，大约只有2微安，并且每次持续的时间仅200微秒。

就像你的电脑在处理一个游戏或者大文件时，总有一块CPU区域特别忙碌，热得不行，那个地方就可以比作是神经元的“活动中心”。

研究者发现，通过这样的电刺激（“编程指令”），不但能让这个“处理器忙区”在电脑内部换个位置工作，还顺带更新了脑球体的“设置”（新的活动模式）。

闭环解笼过程

这相当于是在给生物计算机“优化系统”。

整个实验是这么做的：先用一套优化的算法，找到最佳的电刺激方案，比如用多少电量、怎样的电波和时间安排，能让神经细胞更活跃地放出电信号。

实验中发现，4微安的双阶段电击，每段持续100微秒，效果是最好的。

接着，这些设定好的电击在脑球体的不同电极上轮流进行，每换一个电极就等10毫秒。

找到最佳的电刺激法后，就用特定的紫外线，照在一种特殊的物质上，这种物质一遇到紫外光就会释放多巴胺（所谓的“解笼”）。

通过用多巴胺来当作奖励，从而让神经元更乐意保持在最佳电击下的状态。

整个过程，就相当于通过不断调整参数（电刺激）来让系统（神经元）的响应更快，运行效率更高。

上述实验，只是众多在Neuroplatform上进行的实验的冰山一角。

在这片新的研究天地中，还有对神经组织临界状态特性的深度剖析，以及利用自由能量原理和对神经元学习能力的创新性研究，更有基于人造触觉传感器数据，对生物组织的刺激尝试……

每次实验后，收集到的数据会立即被数字化，并通过网络传输，让全球范围内的团队访问和共享。

如此一来，世界各地的学者，就像是共同在为一台超大规模的生物计算机编写代码，每一个小程序（实验），都在为整体性能的提高贡献着力量。

从这个角度上来说，人类不仅是这个生物计算机的设计者，亦成了其核心组件。

理论上，只要掌握了人脑输入—输出的机制，人类可以像操控“缸中之脑”那样，通过几个简单的指令操控人脑神经元，并将其作为“活体计算元件”。

那既然如此，一个真正由生物体大脑组成的生物计算机，离我们到底还有多远？

展望

FinalSpark的论文中提到，Neuroplatform中的类脑器官，已经做到能在系统中存活100天。

考虑到它们最初只能存活几小时，这已经算是个很大的壮举了。

但问题是，为什么这样的类脑器官，能不能存活得再久一些？搞得再大一些？就像某些科幻片中那样，变成一个大脑组成的计算机？

讲真，这其中的难点挺多的。但从技术上来说，最关键的有两点：

首先一个，就是血管化的难题。

体外培养的类脑器官缺乏自然的血管系统，吃喝拉撒全靠外边的微流体系统，但问题是，只要器官尺寸一大，细胞一多，氧气和营养物质扩散到组织内部的能力就会减弱，中心区域就可能缺氧和营养不良。

虽然科学家们为了这事儿，也想了各种招数，比如拿个精细的3D打印机，打算给它打印一套微小的血管网。

但说到底，要完全模仿生物体的一套完整的血管系统，那工程量和精细度，还是比较头大的。

再一个，就是神经可塑性难题。

大脑发育的后期阶段，需要通过获取外部输入和体验刺激，实现大规模的突触修剪、加固和整合，最终形成复杂的认知功能回路。

换句话说，这个脑子，得有一个实体的身体，去现实里感知、实践，活动。唯有如此，才能实现神经元的精细连接。

然而，在人工培养环境下，这样的“缸中之脑”怎么才能获得类似的实际体验？

不过，除了技术问题外，一个更重要的问题是：万一这块培养皿里的脑组织，最后越长越大，以至于真的具有了某种意识，到了那时，我们是否要将它当成个有自由意志的个体来看待？

游戏《德军总部：新秩序》中，邪恶的纳粹将军“死颅”，为了进行变态的科学实验，将一个盟军士兵的大脑活活取出，制成了记忆装置并安装到一台战斗机甲内，并打算用这个人脑驱动的机甲来镇压反抗军的义士。

尽管最后机甲被摧毁，盟军士兵的大脑也被取出，但身处罐子中的他，还是希望自己昔日的战友可以终结他如今行尸走肉般的生命。

这样肆无忌惮地亵渎人体和自由意志，可以说着实很“邪恶”了。

可问题是，在科技进步的漫长之路上，人类真的能忍住对更强大智能的渴望，不去摘取这“邪恶”的禁果吗？