繼 2021 年澳洲團隊用腦細胞玩電腦遊戲乒乓，
前天發表在《Nature Electronics》上的論文，
《Brain organoid reservoir computing for artificial intelligence》
能使用體外活體腦細胞仿生體進行兩項機器學習的任務：語音識別和非線性方程預測。
https://www.nature.com/articles/s41928-023-01069-w
論文線上看: https://is.gd/oTHJxH
ˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍˍ
以下文章為二手訊息，非論文原作者報導
使用 ChatGPT 機翻
source: https://newatlas.com/computers/hybrid-brain-organoid-computing/
¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
具有活體腦器官的半機械電腦在機器學習測試中表現出色
由洛茲·布萊恩（Loz Blain）撰寫
https://i.imgur.com/QSF1Pmp.jpg
「Brainoware」系統使用一個由自我組織的、活體人類腦細胞組成的球體，安裝在一個電
極晶片上。
科學家們利用人類幹細胞培養出一個類似大腦的微小器官，將其連接到一台電腦上，並展
示了它作為一種有機機器學習晶片的潛力，顯示它能夠快速學習語音識別和數學預測。
儘管機器學習近年來取得了驚人的進展，但人工智慧在某些重要方面仍遠遠落後於人類大
腦。例如，大腦每天只需消耗約20瓦的能量預算，就能快樂地學習和適應，而一個相當強
大的人工神經網絡則需要約800萬瓦的能量才能達到類似的效果。
此外，人類大腦的神經可塑性，也就是它生長新的神經組織和擴展現有的連接通道的能力
，使其能夠從嘈雜、低質量的數據流中學習，只需進行最少的訓練和能量消耗。人工智能
系統通過強大的力量和大量的能量來實現的事情，人腦卻能以毫不費力的優雅方式達成。
這要歸功於數十億年來的高風險試錯，使人類大腦發展到今天的狀態，主要用於在上廁所
時觀看大量其他人跳舞。
但如果大腦是一台強大的學習電腦，而它在我們的頭骨中所做的只是對來自感官的電信號
做出反應，為什麼不把這個該死的東西連接在一個罐子裡，看看它是否能取代神經機器學
習芯片呢？嗯，大多數人需要他們的大腦 - 其餘的你們知道自己是誰 - 但大腦細胞可以
很容易地由多能幹細胞在培養皿中製造出來，它們有自然的傾向自我組織並分化成有用的
結構，就像你在發育中的大腦中所找到的那樣。
實驗設置能夠將電信號傳送到小腦中並讀取神經元活動作為輸出
https://i.imgur.com/bcM6QzN.jpg
因此，我們現在生活在生物電腦的時代，這是一種矽和活體組織混合的類似半機械人的混
亂。去年九月，我們曾與Cortical Labs交談，他們在2022年令世界震驚，將80多萬個腦
細胞生長在矽基板上，並教會了這個名為"DishBrain"的電腦玩乒乓球等遊戲。
現在，印第安納大學的研究人員採取了一種稍微不同的方法，他們培養了一個腦部「器官
樣本」並將其安裝在矽晶片上。這個差異可能看似學術性的，但通過讓幹細胞自組織成三
維結構，研究人員假設結果的器官樣本可能會更聰明，如果它們被允許像正常情況下那樣
自行排列，神經元可能會展示出更多的「複雜性、連接性、神經可塑性和神經生成」。
所以他們培養了一個小腦球器官，直徑不到一奈米，並將其安裝在高密度多電極陣列上 -
一個能夠向腦球器官發送電信號，並讀取由神經活動產生的電信號的晶片。
他們稱之為「腦智軟體」(Brainoware) - 這可能是指與硬體和軟體相關的東西，但對於
我敏感的口味來說，聽起來太接近「腦感知」，並喚起了其中一個東西完全變得有感知並
理解自己命運的永恆噩夢。
然後，他們開始將它視為一個神經機器學習芯片，將其放入一個"儲水計算"框架中。這是
神經網絡計算中一種非常奇怪的"黑盒子"概念，根據維基百科的說法，其中一個"儲水池"
（可以是任何東西，從虛擬軟件系統到激光，甚至是一個字面上的水桶）被用來通過固定
的非線性系統的動態將輸入信號映射到更高維度的計算空間中。
有趣的是，在訓練開始之前，Brainoware系統能夠以令人驚訝的準確度辨別出八個聲音中
的哪一個是在說話的
https://i.imgur.com/GFwQa7H.jpg
你和我都不需要假裝理解那是什麼意思，所以我們可以放鬆並無罪地繼續進行。研究人員
將Brainoware器官細胞晶片連接到系統中，將其視為一個「適應性生活儲存庫」，確保迷
你大腦對電氣輸入作出適當的非線性反應，確認其具有某種記憶效應，找出如何以網格陣
列輸入空間數據，然後開始一些無監督學習測試。
他們專注於兩個領域：首先是語音識別；將約240段成年男性講日語的音頻片段轉換為電
信號後，餵入Brainoware芯片。令人驚訝的是，在第零天，這個器官樣品能夠僅僅通過一
個元音聲音，以約51%的準確率分辨出八個不同的人在說話。兩天後，這一準確率提高到
了78%。
然後他們轉向數學，使用Brainoware芯片來“預測Hénon映射，這是一個具有混沌行為的
典型非線性動態系統。”這涉及到一個額外的抽象層，因為每個由200個點組成的2D Hé
non映射必須轉換為一維的時空電信號，以供輸入到腦組織中。在兩天內，它將預測某一
點的準確度從0.356提高到0.812。
這個半機械人電腦在兩天內大幅提升了它的數學預測能力
https://i.imgur.com/cI441Gw.jpg
為了向矽谷團隊炫耀，他們也將同樣的問題交給一些人工神經網絡，發現它「明顯優於沒
有長短期記憶單元的ANN」，並且「顯示出稍微較低的準確度，但訓練時間減少了超過90%
」。
團隊得出結論，這樣的三維人類腦器官樣品確實可以形成功能性神經網絡，並作為一種新
型機器學習硬體運作，同時自然地解決了人工機器學習晶片所面臨的時間、能源消耗和熱
量產生的挑戰。他們對於將這個想法升級，使用植入到器官樣品腦組織中的軟針狀電極感
到興趣，這將使更多的神經元能夠進行輸入/輸出，而目前的設備只能與腦細胞球的外部
接觸。
然而，當處理活體組織時，有一些限制，你可以想像到。首先，你必須找到一種方法來大
量培養它們，並保持它們的生命力和健康，這並不是Nvidia需要擔心的事情。它們也可能
彼此非常不同，這引出了一個有些恐怖的問題，即從神經科學家的幹細胞中培養出來的腦
細胞是否比從Sexy Red粉絲俱樂部成員那裡取得的腦細胞更有效。
團隊還指出，雖然器官芯片在運作時消耗的能量非常少，但生命維持系統卻消耗了一些節
能效益 - 雖然研究人員相信，如果這種技術得到推廣，這些系統可以迅速發展。
最後，就像Cortical Labs的團隊一樣，這個團隊對於利用人類神經元創造微型腦並將其
連接到活體機器人的倫理問題並沒有明確的想法。團隊寫道："隨著這些器官樣系統的複
雜性增加，社群有必要檢視與整合人類神經組織的生物計算系統所涉及的眾多神經倫理問
題。" "可能需要數十年才能創造出一般的生物計算系統，但這項研究很可能會產生對學
習機制、神經發展以及神經退化疾病的認知影響的基礎性洞察。"
這確實是我們進入的奇異水域，隨著科技在2023年似乎超越了所有控制。天曉得2030年會
是什麼樣子，更不用說2050年了。
這篇論文可以在《自然電子學》期刊上找到。