公众号记得⭐️，第一时间看推送不会错过。
内容 编译自 IEEE 。
随着生成式人工智能系统的进步，其对能源的需求也日益增长。训练和运行大型语言模型会消耗大量电力。预计未来五年，人工智能的能源需求将翻一番，占全球总电力消耗的3%。但如果人工智能『芯片』能够更像人脑一样运作，以最小的能量处理复杂的任务，那会怎样呢？越来越多的科学家和『工程师』认为，关键或许在于类器官智能。
今年7月，在日内瓦举行的联合国“人工智能造福人类”峰会上，人工智能爱好者们首次接触到“类脑『芯片』”的概念。约翰·霍普金斯大学化学与生物分子工程教授戴维·格拉西亚斯在会上发表了演讲，探讨了他领导的生物『芯片』及其在人工智能领域的应用的最新研究成果。格拉西亚斯的研究团队专注于纳米技术、智能系统和生物工程，是首批构建功能性生物『芯片』的团队之一。该『芯片』将神经类器官与先进硬件相结合，使『芯片』能够在活体组织上运行并与其互动。
类器官智能是一个新兴领域，它将实验室培养的神经元与机器学习相结合，创造出一种全新的计算形式。（“类器官智能”一词由约翰·霍普金斯大学的研究人员提出，其中包括托马斯·哈通。）这些神经元被称为类器官，更具体地说，是实验室培养的脑细胞的三维簇，可以模拟神经结构和功能。一些研究人员认为，所谓的生物『芯片』——将活脑细胞整合到硬件中的类器官系统——在效率和适应性方面有可能超越CPU和GPU等硅基处理器。专家表示，如果生物『芯片』实现商业化，它有可能降低当今人工智能系统惊人的能源需求，同时增强其学习能力。
随着生成式人工智能系统的进步，其对能源的需求也日益增长。训练和运行大型语言模型会消耗大量电力。预计未来五年，人工智能的能源需求将翻一番，占全球总电力消耗的3%。但如果人工智能『芯片』能够更像人脑一样运作，以最小的能量处理复杂的任务，那会怎样呢？越来越多的科学家和『工程师』认为，关键或许在于类器官智能。
今年7月，在日内瓦举行的联合国“人工智能造福人类”峰会上，人工智能爱好者们首次接触到“类脑『芯片』”的概念。约翰·霍普金斯大学化学与生物分子工程教授戴维·格拉西亚斯在会上发表了演讲，探讨了他领导的生物『芯片』及其在人工智能领域的应用的最新研究成果。格拉西亚斯的研究团队专注于纳米技术、智能系统和生物工程，是首批构建功能性生物『芯片』的团队之一。该『芯片』将神经类器官与先进硬件相结合，使『芯片』能够在活体组织上运行并与其互动。
类器官智能是一个新兴领域，它将实验室培养的神经元与机器学习相结合，创造出一种全新的计算形式。（“类器官智能”一词由约翰·霍普金斯大学的研究人员提出，其中包括托马斯·哈通。）这些神经元被称为类器官，更具体地说，是实验室培养的脑细胞的三维簇，可以模拟神经结构和功能。一些研究人员认为，所谓的生物『芯片』——将活脑细胞整合到硬件中的类器官系统——在效率和适应性方面有可能超越CPU和GPU等硅基处理器。专家表示，如果生物『芯片』实现商业化，它有可能降低当今人工智能系统惊人的能源需求，同时增强其学习能力。
“这是对形成计算机的另一种方式的探索，”格拉西亚斯说。
生物『芯片』如何模拟大脑？
传统『芯片』长期以来局限于二维布局，这会限制信号在系统中的传输方式。随着『芯片』制造商正在开发3D『芯片』架构以提升其设备的处理能力，这种模式正在开始转变。
同样，生物『芯片』的设计也是为了模拟大脑自身的三维结构。人脑可以支持多达20万个连接的神经元——格拉西亚斯表示，这种互联程度是平面硅『芯片』无法达到的。这种空间复杂性使得生物『芯片』能够跨多个轴传输信号，从而实现更高效的信息处理。
Gracias 的团队开发了一种 3D脑电图( EEG ) 外壳，它可以包裹类器官，从而实现比传统平面电极更丰富的刺激和记录。该外壳与类器官的曲面贴合，为刺激和记录电活动创造了更好的界面。
为了训练类器官，该团队采用了强化学习。将电脉冲施加到目标区域。当产生的神经活动与预期模式匹配时，大脑的天然奖励化学物质『多巴胺』会对其进行强化。随着时间的推移，类器官会学会将某些刺激与结果联系起来。
一旦学习到一种模式，它就可以用来控制物理动作，例如通过策略性放置的电极来操控微型『机器人』️汽车。这展现了神经调节——即类器官产生可预测反应的能力。这些一致的反应为更高级的功能奠定了基础，例如刺激辨别，这对于面部识别、决策和广义人工智能推理等应用至关重要。
格拉西亚斯的团队正处于开发由生物『芯片』控制的微型自动驾驶汽车的早期阶段：这证明了该系统可以充当控制器。这项实验性工作预示着未来其在『机器人』️、假肢以及与人体组织进行通信的生物集成植入物领域将发挥重要作用。
这些系统在疾病建模和药物测试方面也前景广阔。Gracias 的研究小组正在开发模拟帕金森病等『神经系统』疾病的类器官。通过观察这些患病组织对各种药物的反应，研究人员可以在培养皿中测试新的治疗方法，而不仅仅依赖动物模型。他们还可以发现当前人工智能系统无法模拟的认知障碍的潜在机制。
由于这些『芯片』是活的，它们需要持续的照料：调节温度、补充营养、清除废物。格拉西亚斯的团队通过持续监测，使集成生物『芯片』保持活力并正常运行长达一个月。
生物『芯片』技术扩展面临的挑战
然而，重大挑战依然存在。生物『芯片』脆弱且维护成本高，目前的系统依赖于庞大的实验室设备。将其缩小到实际应用需要能够自主管理生命支持功能的生物相容性材料和技术。神经延迟、信号噪声以及神经元训练的可扩展性也为实时AI推理带来了障碍。
“有很多生物学和硬件问题，”格拉西亚斯说。
与此同时，一些公司正在试水。瑞士初创公司FinalSpark声称，其生物『芯片』可以将数据存储在活体神经元中——该公司科学家兼战略顾问Ewelina Kurtys表示，这一里程碑被该公司称为“生物比特”。这表明，生物系统有朝一日可以执行传统上由硅硬件处理的核心计算功能。
FinalSpark 的目标是在大约十年内开发出用于通用计算的远程访问生物『服务器』。其目标是在性能上匹敌数字处理器，同时实现指数级的节能。“最大的挑战是对神经元进行编程，因为我们需要找到一种全新的方法，”Kurtys 说。
然而，从实验室到产业的转变需要的不仅仅是技术突破。“我们有足够的资金来维持实验室的运转，”格拉西亚斯说。“但要让研究起步，需要硅谷提供更多资金。”
生物『芯片』是否会增强或取代硅『芯片』还有待观察。但随着人工智能系统对功耗的需求越来越大，能够像大脑一样思考并消耗能量的『芯片』的想法正变得越来越有吸引力。
对于格拉西亚斯来说，这项技术可能比我们想象的更快投入市场。 “我认为在实施过程中不会遇到任何重大阻碍，”他说。
https://spectrum.ieee.org/biochip-organoid-intelligence-ai-processor?utm_source=homepage&utm_medium=hero&utm_campaign=2025-08-09&utm_content=hero2
