人类开始打造“活体计算机”

你有没有想过，当你与手机上的AI助手对话时，它背后消耗的能量可能相当于你家中几十盏灯泡同时点亮？这就是当前AI发展面临的巨大困境：它们的“智商”越来越高，“食量”也越来越大。训练一个顶尖AI模型的耗电量，甚至超过了一个小城市一年的用电量。为了打破这个困境，科学家把目光投向人类大脑。

计算机的发展历史一直是“更大算力、更低能耗”的竞争。而在能效这个领域，人类大脑早就达到了“天花板级别”。人脑功率约20瓦，算力却达到了10¹⁸次/秒。而要达到类似的算力，计算机的功率得是人类的100万倍。你没听错，虽然在算力上，计算机已经全面超过人脑，但是在能效上，人脑甩计算机不知道几条街。

基于人脑“吃草挤奶”高能效的特性，科学家们正在尝试用活体脑细胞构建一种全新的计算系统——湿件计算（wetware computing）。如果成功，它的能效将远远超过任何超级计算机，甚至可能开启一种完全新的人工智能。

01为何人脑和电脑有能效差距

第一，计算方式不同。

我们用的电脑绝大多数都是数字串行。简单来说，计算机执行指令依赖时钟脉冲，逐步执行，每个运算步骤都要耗能。而人脑神经元是模拟电信号，千亿神经元同时处理信息，不需要时钟脉冲，同一团神经网络在一瞬间完成决策。

第二，存算架构不同。这也是电脑人脑能效差距这么大的主要原因之一。

电脑是“存算分离”。简单来说，CPU计算时得先从内存里把数据读出来，算完，再把结果写回内存，下一步再读，再写。CPU与内存之间数据搬运，本身就是巨大的能耗黑洞。GPU（图形处理器）、TPU（张量处理器）尤其如此，大模型训练的80–90%能耗都花在“搬数据”。

而人脑是“存算一体”。信息就储存在突触的强度变化里，神经元在“存储”和“处理”之间没有界限。信号传递的同时，计算和记忆同步进行。也就是说，大脑每做一次计算，不需要来回搬数据。

第三，能量使用机制不同。

电脑得“全程付费”。工作时，电脑芯片即使只有一个晶体管在工作，也需要整片电路维持电压。也就是说，即使实际计算只占其中5%，整个GPU也必须保持马力全开。而且，即使没在干活，时钟信号也需要不断刷新所有晶体管。

而人脑是“按需付费”。神经元不发放脉冲时能耗接近于零，真正耗能的是“放电瞬间的离子泵”。神经元不需要每毫秒维持系统一致性，只有用到的部分会消耗能量，没被激活的突触几乎不耗电。

除此之外，电脑和人脑的驱动方式以及计算单元材料组成不同也是两者能效有巨大差距的重要原因。

02生物计算机的两个发展方向

参考了人脑节能的方式之后，科学家决定从两个方向构建生物计算机。2025年11月13日，《自然》杂志发表了一篇名为《用人脑细胞打造计算机》（BUILDING COMPUTERS OUT OF BRAIN CELLS）的文章，介绍了生物计算机的两个发展方向。

一个方向是用硅模仿大脑。

这个技术相对来说更容易实现，也是目前的主流方向。我们国家已经研制出世界上首款面向人工通用智能的异构融合类脑计算芯片——天机芯。

和传统芯片相比，根据不同的任务类型，类脑芯片的功耗能降低10到100倍。在最佳场景下，类脑细胞的能效提升甚至可以提升千倍以上。不过，虽然提升很大，但这个技术只是模仿神经元的结构和放电方式，使用的还是硅和电路，能效还达不到生物级别。

另一个方向则是真正的生物计算——直接用活细胞来算。

早在20世纪九十年代，科学家就开始研究生物计算。1994年，美国计算机科学家伦纳德·阿德尔曼（Leonard Adleman），首次展示了使用DNA计算，成功解决了一个具有7个顶点的有向哈密顿路径（Hamiltonian Path）问题。

DNA计算是一种是用DNA（以及其它核酸/分子反应）作为“开关与信息载体”，通过分子之间的互补配对、置换、折叠或酶促反应来实现逻辑运算、存储和信息处理的一类分子计算方法。它把“比特”换成“寡核苷酸（短DNA链）”或更复杂的DNA构件，让化学反应完成计算步骤。

另一项生物计算技术就是“人脑计算机”，用人类神经细胞构建的、具有信息处理能力的活体计算系统。

要让细胞“帮我们算账”，第一步就是搞到大量、可控、能稳定放电的人类神经细胞。怎么来？科研人员会从志愿者的皮肤细胞或血液细胞开始，把它们“逆向重编程”成iPS细胞——也就是诱导多能干细胞。这种细胞就像回到“婴儿状态”，你让它变什么，它就能变什么。接下来再诱导它们分化成我们真正需要的那批队友：神经元、星形胶质细胞等组成大脑的核心成员。

有了神经元还不够。大脑之所以能算，是因为神经元之间形成了庞大的网络。所以科学家需要让这些细胞“抱团”，构成能执行任务的网络结构。目前“搭建大脑”主要通过下面两种方式：

一是培养一个3D脑类器官——微型“人造脑团块”。

科学家把数万个神经元培养成一个直径只有几毫米的三维小球，就像一个缩小了上百万倍的“迷你大脑”。

可别小看它的体积：里面密密麻麻全是活生生的人类神经元，而且它们一点也不依赖外部指令——自己生长、自己连线、自己放电，甚至会形成类似脑波的节律。这意味着，这个微小的脑团块天生就具备了某种生物级别的信息处理能力。换句话说，它虽然只有拇指大小，但功能却几乎是完整的大脑模型，只是极度迷你化。

另一个是铺一个2D平面神经网络——井式“神经芯片”。

03如何让“迷你大脑”“听懂人话”和“说出想法”

为了让这些“迷你大脑”真的能算东西，科学家必须先让它们能“听懂人话”和“说出自己的想法”。

怎么做到呢？

研究人员会把类器官或神经元网络放到一种叫MEA——多电极阵列的芯片上。你可以把它想象成一张盖满了小麦克风和小扬声器的“神经基座”：这些电极既能对神经元说话：发出不同节奏、不同强度的电脉冲，就像给它们发送信息。也能听神经元说话：实时记录它们的放电活动，捕捉每一次“嘀”的动作电位。

这一步是整个生物计算的核心突破，因为它让“活细胞”和“电子设备”之间第一次真正连上了网，让科学家能看见细胞在想什么、怎么想，甚至可以一步步教它们处理任务。

那它们是怎么“说话”的呢？

神经元的语言其实和大脑一样——电信号。当一个刺激到来时，神经元内外的离子会重新分布，当刺激强到某个阈值，它就会突然“啪”地放出一个动作电位。这是一种全或无的信号，就像开关一样，只有两种状态：放电，或不放电。

而所谓的“计算”，就是大量这样的神经元一起按照自己的方式放电、联动、同步，然后形成可解读的电活动模式。科学家再用算法把这些模式翻译回来，就能判断：

它们是不是学会区分一种输入？是不是形成了记忆？是不是完成了某个任务？

也就是说，这张MEA芯片就是生物计算机的鼠标、键盘和显示器，让我们第一次能真正与一团活细胞建立双向对话。

3D脑类器官的优势在于3D结构更接近真实大脑的微环境，细胞间连接更复杂，理论上计算潜力更大。挑战是培养难度大，个体差异显著，结果可重复性低，且难以精确控制和观测内部活动。

2D平面神经网络的优势在于细胞几何结构、拓扑连接更可控，实验可重复性高，便于系统化扩展。缺点是结构过于简化，可能限制了其处理复杂任务的天花板。

目前，在“用活细胞做计算”这条线上，科学家已经做出了几项非常让人震惊的实验成果。

英国布里斯托大学的研究团队做了一个具有里程碑意义的实验。

他们培养了一个大约1万个神经元组成的微型类器官，然后让它干了一件你绝对想不到的事情——识别盲文字母。

流程是这样的：

第一步，研究人员先让一台装着触觉传感器的机器人去“摸一摸”盲文。它相当于用手指读盲文，把每个字母的凸点纹路都感受一遍。

第二步，机器人把摸到的触觉，转换成一段段独特的电脉冲节奏——你可以把它理解成：“把触觉翻译成电的摩斯密码。”

第三步，这些“摩斯密码”会通过8个电极发送给类器官，就像把一条讯息打进这个微型大脑里。

第四步，类器官收到信号以后，会用它自己的方式“回话”——也就是产生一套独特的放电模式，代表它对这个字母的反应。

然后研究人员分析它的电活动，结果让人眼前一亮：

单个类器官能 61% 的概率对同一个字母做出同样的电活动回应。如果把 三个类器官 的回应融合，准确率提升到 83%

这说明哪怕是最简单的细胞网络，也能识别模式。这已经是“计算”的基本能力了。

别忘了，这可不是程序写出来的，而是活生生的神经元自己学会的。

另一家公司，澳大利亚的 Cortical Labs，则让神经元玩起了经典游戏《Pong》。

他们把一团神经元接入到虚拟球场里，让它们控制屏幕上的小球拍。当神经元放电时，屏幕上的球拍就会动。

科学家给这团设计了“奖惩机制”：

接到球 → 给它一个有序、整齐的电信号作为奖励；

没接到球 → 给它一段混乱的“白噪声”电刺激作为惩罚；

这就像在训练宠物，但对象是一堆细胞。

随着不断地刺激和反馈，神经元网络逐渐学会了：“哦，原来这样放电就能接到球，并获得奖励。”接下来，球拍的动作开始变得稳定、有策略、越来越像“有意识的控制”。

这背后的理论其实就是神经科学里的经典规则：“一起激活的神经元会连得更紧。（赫布可塑性）”。可预测的奖励刺激会强化某些神经通路，从而形成最原始的“目标导向学习”。

无论是识别盲文，还是玩《Pong》，这些实验都证明：只要给神经元合适的输入、反馈和训练方式，它们就能学会处理信息。这正是“活体计算机”迈出的关键一步。

尽管活体计算机的构想很吸引人，但它仍处于非常早期的阶段，并面临几个严峻的挑战：

首先是稳定性难题：活体计算机的“硬件”是活的细胞，目前其寿命仍然有限。类器官平均能存活100天左右，而Cortical Labs的细胞培养物有用寿命约为六个月。如何长期维持类器官的健康和功能是一大难题。

其次是能力质疑：有科学家认为，目前展示的所谓“学习”能力，可能只是生物系统对刺激的简单反馈，而非真正的计算。

最后是伦理争议：这是该领域无法回避的问题。当使用人脑细胞进行计算时，这些细胞团块是否可能具备某种程度的“感知”或“意识”？许多科学家对此深感担忧，并警告过度的炒作可能引发严格的监管，反而会阻碍包括疾病研究在内的正当科学研究。

生物计算机仍处于早期阶段，距离实用化尚需数十年。然而，它代表了一种根本性的技术范式转变：从“制造机器”到“利用生命”。

生物计算机不仅是技术的突破，更是对“计算”本质的重新定义。它迫使我们思考：什么是意识？什么是生命？人类是否能与自己创造的生物系统共存？

或许，未来的计算革命不会诞生于硅晶圆的实验室，而是孕育在培养皿中的神经元网络里。它或许能彻底颠覆我们对人工智能、能源效率乃至生命本质的认知。