从人工智能到器官样：如何通过生长类似大脑的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 ，这些器官样是由人类干细胞制成的小型、活着的结构。这些器官样表现得像人类大脑的简单版本。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。

通过将器官样与人工智能系统连接起来，研究人员正在开始探索新的计算方法。最近的研究表明，器官样具有识别语音、检测模式和响应输入的能力。活着的脑组织可能有助于创建比传统机器更快地学习和适应的 AI 模型。早期结果表明，基于器官样的大脑的系统可能提供更灵活和节能的智能形式。

脑器官样和器官样智能的出现

脑器官样是小型的、 三维的活着的大脑细胞簇，在实验室中生长。它们是从诱导性多能干细胞（iPSCs）发展而来，这些细胞是成人细胞，科学家将其重新编程为类似于早期干细胞的状态。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，研究人员使用生物反应器，这些是控制温度、营养和无菌条件的系统。随着器官样成熟，它们开始形成神经元的分层排列。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中那些的功能网络。尽管器官样只有几毫米宽，但它们表现出行为，如突触形成、自发性和基本的记忆反应，当受到刺激时。

现代成像工具，如共焦显微镜和钙成像，帮助研究人员观察器官样如何对光脉冲或电信号做出反应。这些反应表明器官样不是静态的；相反，它们根据输入调整神经活动。这种特性，被称为神经可塑性，是学习和记忆的基本形式，也是生物系统的关键优势之一。

这些能力导致了一个新领域的发展，称为 器官样智能（OI） 。器官样智能背后的想法是利用活着的脑组织与数字系统相结合来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的电路和预训练模型，器官样可以在内部发生变化，并随着时间的推移继续学习。它们还更节能，因此比硅芯片需要的功率要少得多。

研究人员现在正在设计系统，其中器官样通过电信号或光信号接收输入。通过研究器官样如何响应，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识别语音命令。仅仅几天内，该系统的准确率从 51% 提高到 78% 。这种快速改进表明器官样如何促进适应性学习的方式是传统模型难以实现的。

使用活细胞进行计算仍处于初期阶段，但这些结果很有希望。器官样天然的学习能力、可塑结构和节能性使它们成为未来人工智能系统的一个令人兴奋的新平台。

器官样智能的最新发展

在过去的几年中，研究人员进行了实验，以调查器官样在连接到数字系统时如何执行特定任务。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。 Brainoware 项目 是一个重要的步骤，该项目使用器官样处理语音输入和解决基本数学问题。结果表明，随着重复的交互，器官样开始产生更稳定和可识别的神经模式，这些模式与预期的结果相匹配。这表明它们不仅仅是在反应，而是逐渐根据反馈调整内部活动。

另一项重要发展来自 Cortical Labs 。他们的团队设计了一个设置，其中器官样被训练来玩视频游戏 Pong 。输入信号代表球的位置被发送到器官样，其神经活动被计算机系统读取并转换为挡板运动。经过几次会话，器官样正确响应的能力明显改善。这类性能提升凸显了活着的神经系统随着时间的推移通过强化和交互而改进的潜力。

这些结果为生物系统如何在实践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。

器官样如何推进机器学习和实现混合智能

脑器官样正在帮助研究人员了解生物系统中的学习和记忆如何运作。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。科学家正在利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。它们随着时间的推移处理数据，而不是一次性处理所有数据。这种事件驱动的方法允许比传统的人工神经网络更高的能效。最近的一项研究表明，基于 SNN 的系统，特别是当部署在类脑硬件上时，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% 。

器官样研究现在正在展示现实世界的益处。在医疗保健领域，患者来源的脑器官样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来识别与早期癫痫相关的发展问题和异常脑信号。虽然这还不能预测癫痫发生几天前，但这是朝着早期诊断和定制治疗迈出的一步。

在 自然语言处理 和机器人领域，器官样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使用来自人工智能系统的反馈进行学习和调整。这表明了基于上下文的学习和实时决策的新方法。

器官样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，人工智能向脑器官样发送信号。器官样用神经活动做出响应，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都一起学习。

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，将生物学习与机器系统相结合可以在模式识别、语音理解和适应性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、机器人和计算中的复杂问题。

社会影响、伦理问题和未来展望

器官样智能正在从实验室研究转向潜在的现实世界应用。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的功率要少得多。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。这可以带来更个性化的治疗。然而，随着器官样变得更加先进，伦理问题也出现了。一些器官样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。

还有技术问题。器官样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，需要干净的条件和受过训练的员工。这使得它们在大规模使用时变得昂贵和复杂。

一些团体，例如世卫组织、美国国家卫生研究院和欧盟，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定。但是，特别是关于潜在的双重用途风险（例如，使用器官样进行军事或监视目的），还没有全球协议。

尽管存在这些问题，但人们对这一领域的兴趣正在增长。研究实验室正在调查如何将器官样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在机器人、医疗保健和人机交互等领域得到应用。

结论

器官样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相结合。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节能替代品。这些活着的系统可以适应、学习和对反馈做出响应，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，基于器官样的大脑模型可能会支持更个性化的医学、更智能的机器和更深入的人机交互。通过仔细的开发和监督，器官样智能可能会以更可持续和以人为中心的方向塑造人工智能的下一个阶段。