从人工智能到器官样品：如何通过生长大脑样结构来推进机器学习

人工智能（AI） 通常是用硅芯片和代码构建的。但是，科学家们现在正在探索一些非常不同的东西。在 2025 年，他们正在生长大脑 器官样品，这些器官样品是由人类干细胞制成的小型、活着的结构。这些器官样品表现得像简单的人脑版本。它们形成真正的神经连接并发送电信号。它们甚至表现出学习和记忆的迹象。

通过将器官样品与人工智能系统链接，研究人员正在开始探索新的计算方法。最近的研究表明，器官样品具有识别语音、检测模式和响应输入的能力。活着的大脑组织可能有助于创建比传统机器更快地学习和适应的人工智能模型。初步结果表明，基于器官样品的系统可能提供一种更灵活、更节能的智能形式。

脑器官样品和器官智能的出现

脑器官样品是小型、 三维的活着的大脑细胞簇，在实验室中生长。它们是由诱导性多能干细胞（iPSCs）开发的，这些细胞是科学家将成人细胞重新编程为类似于早期干细胞状态的细胞。有了特定的生长因子和信号分子的帮助，这些干细胞被引导分化为神经细胞。在八到十二周内，细胞开始组织成类似于人类大脑早期区域的结构，例如皮层和海马体。

为了生长这些器官样品，研究人员使用生物反应器，这些是控制系统，维持适当的温度、营养和无菌条件。随着器官样品的成熟，它们开始形成分层的神经元排列。这些神经元开始通过发送电信号（称为动作电位）进行通信。这种活动是使用微电极阵列检测的，这些阵列确认细胞正在形成类似于大脑的功能网络。尽管器官样品只有几毫米宽，但它们表现出合成、自发发射和基本记忆反应等行为，当受到刺激时。

现代成像工具，如共焦显微镜和钙成像，有助于研究人员观察器官样品如何对光脉冲或电信号做出反应。这些反应表明器官样品不是静态的；相反，它们根据输入调整神经活动。这种特性称为神经可塑性，是生物系统中学习和记忆的基本形式。

这些能力导致了一个新的领域的发展，称为 器官智能（OI）。器官智能背后的想法是利用活着的大脑组织与数字系统结合，执行学习和计算任务。与传统的人工智能不同，传统人工智能使用固定电路和预训练模型，器官样品可以随时间内部发生变化并继续学习。它们也是更节能的，因此需要的电力比硅芯片少得多。

研究人员现在正在设计系统，其中器官样品通过电或光信号接收输入。通过研究器官样品如何响应，科学家可以绘制输入和输出之间的模式。这使他们能够测试器官样品是否可以识别信号、解决问题或存储信息。在 印第安纳大学布卢明顿分校 进行的一项实验使用这种方法训练器官样品以识别语音命令。仅仅几天，系统的准确率从 51% 提高到 78%。这种快速改进表明器官样品可以通过传统模型难以实现的方式促进适应性学习。

使用活细胞进行计算仍处于初期阶段，但这些结果是有前途的。器官样品的自然学习能力、可塑结构和节能性使它们成为未来人工智能系统的令人兴奋的新平台。

器官智能的最新发展

在过去的几年中，研究人员进行了实验，以调查器官样品如何在连接到数字系统时执行特定任务。一个主要目标是确定活着的神经组织是否可以超越生物模拟并为实时计算做出贡献。朝着这一方向迈出的一步是 Brainoware 项目，该项目使用器官样品来处理语音输入和解决基本的数学问题。结果表明，经过反复交互，器官样品开始产生更稳定和可识别的神经模式，这与预期结果相符。这表明它们不仅仅是在反应，而是逐渐调整内部活动以响应反馈。

另一个重要发展来自 Cortical Labs。他们的团队设计了一个设置，其中器官样品被训练来玩视频游戏 Pong。代表球位置的输入信号被发送到器官样品，其神经活动被计算机系统读取，并将信号转换为挡板运动。经过几次会话，器官样品正确响应的能力明显提高。这一性能提升凸显了活着的神经系统通过强化和交互来改进的潜力。

这些结果为生物系统如何在实际计算环境中发挥作用提供了新的见解。通过适应外部输入并表现出可衡量的改进，器官样品展示了一种生物学习的形式，这种形式在非活体系统中很难复制。这些实验为开发更响应和更灵活的人工智能系统奠定了基础，这些系统不仅可以从数据中学习，还可以从交互中学习。

器官样品如何推进机器学习和实现混合智能

脑器官样品正在帮助研究人员了解生物系统中的学习和记忆如何工作。这些小型的大脑样结构表现出自然行为，包括神经尖峰、可塑性和基本记忆形成。科学家们正在使用这种行为来改进机器学习模型。

一个例子是 脉冲神经网络（SNN）。这些模型的设计类似于真正的大脑电路。它们随时间处理数据，而不是一次性处理所有数据。这种事件驱动的方法可以实现更高的能效，与传统的人工神经网络相比，尤其是在使用类脑硬件时。最近的一项研究表明，基于 SNN 的系统，特别是在类脑硬件上部署时，可以显著降低能耗。例如，一个 高级 SNN 对象检测框架 已经证明了与传统模型相比，能耗降低了多达 82.9%。

器官样品研究现在显示出实际应用。 在医疗保健领域，患者来源的脑器官样品正在帮助科学家研究罕见的神经系统疾病，例如 UBA5 相关的脑病。最近，在 圣裘德儿童研究医院 进行的一项研究使用了皮层器官样品来识别与早期癫痫相关的发育问题和异常的大脑信号。虽然这还不能预测几天后会发生癫痫，但这是朝着早期诊断和个性化治疗迈出的一步。

在 自然语言处理 和机器人领域，受器官样品启发的模型仍处于初期阶段。然而，最近的实验已经表明，在实验室中生长的微型大脑可以通过反馈从人工智能系统中学习和适应。这表明了基于上下文的学习和增强决策的新方法。

器官样品正在帮助开发混合智能系统。这些系统连接活着的大脑细胞与人工智能模型。在这种设置中，人工智能向大脑器官样品发送信号。器官样品用神经活动响应，这些活动被记录并用于改进人工智能。这创建了一个循环，其中人工智能和器官样品共同学习。

尽管仍处于初期阶段，但 FinalSpark 和 Cortical Labs 等团队的工作显示出希望。他们的研究表明，将生物学习与机器学习系统结合可以在模式识别、语音理解和自适应决策等任务中产生更好的结果。这表明了一个未来，活着的大脑细胞和人工智能将共同解决医疗保健、机器人和计算等领域的复杂问题。

社会影响、伦理问题和未来展望

器官智能正在从实验室研究转向潜在的实际应用。一个显著的好处是能效。这些系统比传统的人工智能模型需要更少的电力。这可以减少数据中心和机器学习的环境影响。

在医疗保健领域，脑器官样品正在帮助医生和研究人员更密切地研究疾病。它们可以用于测试药物和了解特定脑部疾病的发展。这种方法可以带来更个性化的治疗。然而，随着器官样品变得更加先进，伦理问题也随之出现。一些器官样品表现出类似大脑的活动。这引发了关于同意、隐私和可能的道德地位的担忧。

也存在技术问题。器官样品在不同实验室中并不总是表现出一致的行为。它们很难生长，需要无菌条件和受过训练的工作人员。这使得它们昂贵且在大规模上使用时复杂。

一些团体，例如 WHO、NIH 和 EU，正在制定政策来指导这项研究。这些政策包括关于捐赠者权利、数据保护和研究透明度的规则。但是，目前尚无全球协议，特别是在可能的双重用途风险方面，例如使用器官样品用于军事或监视目的。

尽管存在这些问题，人们对这一领域的兴趣正在增长。研究实验室正在研究如何将器官样品与类脑或量子计算系统集成。到 2030 年，结合活着的细胞和人工智能的混合模型可能会被用于机器人、医疗保健和人机交互等领域。

结论

器官智能是一个正在发展的领域，它以新的方式将生物学和计算机科学结合起来。虽然仍处于实验阶段，但它已经帮助研究人员了解脑部疾病、测试药物和探索数字人工智能的替代方案。这些活着的系统可以适应、学习和对反馈做出反应，为智能机器的未来提供了一个展望。

然而，它们的使用也带来了重要的伦理和技术挑战，这些挑战必须通过明确的政策和国际合作来解决。随着研究的进展，基于器官样品的模型可能会支持更个性化的医疗、更智能的机器和更深入的人机交互。通过仔细开发和监督，器官智能可能会以更可持续和以人为本的方式塑造人工智能的下一个阶段。