芯片上的脑细胞球可以学习简单的语音识别和数学

一个微小的脑细胞球位于电极阵列的顶部，嗡嗡作响。 在两天的时间里，它会接受一种电击模式，每次刺激都编码了八个人的言语特征。 到了第三天，它就可以区分说话者了。

该系统被称为 Brainoware，通过利用 3D 大脑类器官或“迷你大脑”，提高了生物计算的门槛。 这些模型通常由人类干细胞生长而成，可迅速扩展为编织成神经网络的各种神经元。

与它们的生物对应物一样，这些斑点会发出电活动火花，这表明它们具有学习、存储和处理信息的潜力。 长期以来，科学家们一直将它们视为一种有前途的类脑计算硬件组件。

这一周， 一个团队 印第安纳大学伯明顿分校的 Brainoware 将理论变为现实。 他们将一个类似于皮质的大脑类器官（支持高级认知功能的大脑最外层）连接到一个密集排列着电极的晶圆状芯片。

迷你大脑的功能就像超级计算机的中央处理单元和存储器。 它接收电击形式的输入，并通过神经活动输出计算结果，随后由人工智能工具进行解码。

当接受一群人的声音片段（转化为电击）训练时，Brainoware 最终学会了辨别特定人的“声音”。 在另一项测试中，该系统成功解决了一个对人工智能来说具有挑战性的复杂数学问题。

该系统的学习能力源于迷你大脑中神经网络连接的变化，这与我们大脑每天的学习方式类似。 尽管这只是第一步，Brainoware 为日益复杂的混合生物计算机铺平了道路，可以降低能源成本并加快计算速度。

该装置还允许神经科学家进一步揭示我们大脑的内部运作机制。

“当计算机科学家试图建造类脑硅计算机时，神经科学家则试图了解脑细胞培养物的计算，” 写 博士。 约翰·霍普金斯大学的 Lena Smirnova、Brian Caffo 和 Erik C. Johnson 没有参与这项研究。 Brainoware 可以为我们如何学习、大脑如何发育提供新的见解，甚至可以帮助测试大脑衰退时的新疗法。

神经形态计算的转变

人脑拥有 200 亿个神经元，形成数百万亿个连接，可能是已知最强大的计算硬件。

它的设置本质上与传统计算机不同，传统计算机具有单独的数据处理和存储单元。 每项任务都需要计算机在两者之间传输数据，这大大增加了计算时间和精力。 相比之下，这两种功能在大脑的同一物理点上结合在一起。

这些结构称为突触，将神经元连接成网络。 突触通过改变它们与他人的联系强度来学习——增强与帮助解决问题的合作者的联系强度，并将知识存储在同一位置。

这个过程可能听起来很熟悉。 人工神经网络是一种席卷全球的人工智能方法，它大致基于这些原则。 但所需的能量却截然不同。 大脑的运行功率为 20 瓦，大约相当于一个小型台式风扇运行所需的功率。 比较人工神经网络消耗 八百万瓦。 大脑还可以轻松地从几个例子中学习，而众所周知，人工智能依赖于海量数据集。

科学家们试图在硬件芯片中重现大脑的处理特性。 这些神经形态芯片由随温度或电力改变特性的奇异组件制成，将处理和存储结合在同一位置。 这些芯片可以为计算机视觉提供动力并识别语音。 但它们很难制造，而且只能部分捕获大脑的内部运作。

与其用计算机芯片来模仿大脑，为什么不直接使用它自己的生物成分呢？

聪明的计算机

请放心，该团队并没有将活体大脑连接到电极上。 相反，他们转向了大脑类器官。 在短短两个月内，由人类干细胞制成的迷你大脑就发育成一系列神经元类型，这些神经元类型在电活性网络中相互连接。

研究小组小心地将每个迷你大脑放到一个挤满微小电极的邮票状芯片上。 该芯片可以记录来自 1,000 多个通道的脑细胞信号，并同时使用近三打电极来攻击类器官。 这使得精确控制刺激并记录迷你大脑的活动成为可能。 使用人工智能工具，抽象的神经输出可以在普通计算机上转化为人类友好的响应。

在语音识别测试中，团队录制了 240 个人说话的 8 个音频片段。 每个剪辑捕获一个独立的元音。 他们将数据集转化为独特的电刺激模式，并将其输入新生长的迷你大脑。 在短短两天内，Brainoware 系统就能够以近 80% 的准确率区分不同的说话者。

研究小组使用流行的神经科学测量方法，发现电击“训练”了迷你大脑，以加强某些网络，同时修剪其他网络，这表明它重新连接了其网络以促进学习。

在另一项测试中，Brainoware 与 AI 进行了一项具有挑战性的数学任务，该任务可以帮助生成更强的密码。 尽管比具有短期记忆的人工智能准确度稍低，但 Brainoware 的速度要快得多。 在没有人类监督的情况下，它只用了人工智能 10% 的时间就达到了几乎兼容的结果。

“这是使用大脑类器官[用于计算]的首次演示，”研究作者冯果博士 告诉 科技创业.

机器人计算机？

这项新研究是探索混合生物计算机的最新研究——神经元、人工智能和电子学的结合。

早在2020， 一个团队 将人工神经元和生物神经元合并到一个网络中，使用大脑化学物质多巴胺进行通信。 最近， 近百万个神经元平放在盘子里，通过电击学会玩乒乓球游戏。

Brainoware 是一个潜在的进步。 与孤立的神经元相比，类器官更好地模仿人脑及其复杂的神经网络。 但他们并非没有缺点。 与深度学习算法类似，迷你大脑的内部过程并不清晰，因此很难解码它们的计算方式以及它们保留记忆的时间的“黑匣子”。

还有“湿实验室”问题。 与计算机处理器不同，迷你大脑只能承受狭窄的温度和氧气水平，同时始终面临致病微生物感染的风险。 这意味着它们必须使用专门的设备在营养肉汤中小心地生长。 维持这些文化所需的能量可能会抵消混合计算系统的收益。

然而，通过更小、更高效的系统（包括那些内置记录和切换功能的系统），迷你大脑越来越容易培养。 更难的问题不是技术挑战，而是技术挑战。 相反，它是关于使用人脑作为计算元件时可接受的程度。 人工智能和神经科学正在迅速突破界限，大脑人工智能模型可能会变得更加复杂。

斯米尔诺瓦、卡福和约翰逊写道：“对于社区来说，研究围绕包含人类神经组织的生物计算系统的无数神经伦理问题至关重要。”

图片来源： 正在发育的大脑类器官 / 美国国立卫生研究院国家过敏和传染病研究所

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://singularityhub.com/2023/12/14/a-ball-of-brain-cells-on-a-chip-can-learn-simple-speech-recognition-and-math/