來(lái)源：DeepTech深科技

運(yùn)營(yíng)/排版：何晨龍

2026 年 2 月底，澳大利亞生物科技公司 Cortical Labs 在 YouTube 上發(fā)布了一段視頻。視頻里，大約 20 萬(wàn)個(gè)活體人類(lèi)神經(jīng)元正在玩 1993 年的經(jīng)典第一人稱(chēng)射擊游戲《毀滅戰(zhàn)士》（Doom）。屏幕上，Doomguy 跌跌撞撞地穿行在走廊中，偶爾開(kāi)槍?zhuān)紶栟D(zhuǎn)向，偶爾撞墻。

觀感更像一個(gè)從未碰過(guò)電腦的新手在胡亂摸索。但操控這一切的確實(shí)不是人手，也不是傳統(tǒng)意義上的 AI 算法，而是一團(tuán)培養(yǎng)在多電極陣列（Multi-Electrode Array, MEA）上的人體神經(jīng)細(xì)胞。

圖丨CL1（來(lái)源：Cortical Labs）

Cortical Labs 和它的 CL1 生物計(jì)算機(jī)，讀者可能已有所了解——這家公司 2022 年憑借“DishBrain”實(shí)驗(yàn)成名，當(dāng)時(shí)他們讓培養(yǎng)在芯片上的約 80 萬(wàn)個(gè)神經(jīng)元學(xué)會(huì)了玩 Pong。

那篇與倫敦大學(xué)學(xué)院 Karl Friston 教授合作的論文發(fā)表在《

Neuron

從 DishBrain 到商用的 CL1，電極從 8 個(gè)升至 59 個(gè)，延遲降到亞毫秒級(jí)，內(nèi)置了完整的生命維持系統(tǒng)，神經(jīng)元可存活最多六個(gè)月。單機(jī)售價(jià) 35,000 美元，30 臺(tái)機(jī)架版單臺(tái) 20,000 美元，整架功耗不到 1,000 瓦。首批 115 臺(tái)設(shè)備 2025 年開(kāi)始出貨。

讓神經(jīng)元從 Pong 跳到 Doom，難度有質(zhì)的飛躍。Pong 是二維的，空間關(guān)系簡(jiǎn)單直接。Doom 是三維迷宮，有敵人、武器、彈藥、走廊拐角，信息密度完全不在一個(gè)量級(jí)。CTO David Hogan 在視頻中解釋了基本原理：獨(dú)立研究者 Sean Cole 把游戲畫(huà)面轉(zhuǎn)化為電刺激模式輸入神經(jīng)元，神經(jīng)元的放電活動(dòng)被解碼為游戲操作指令，特定模式對(duì)應(yīng)射擊，另一種模式對(duì)應(yīng)移動(dòng)。

Cole 通過(guò) Cortical Labs 的 API，在不到一周內(nèi)完成了 Doom 版本的編寫(xiě)。Cortical Labs 將這種協(xié)作框架命名為“皮層云”（Cortical Cloud），允許全球開(kāi)發(fā)者通過(guò) Python 接口遠(yuǎn)程訪問(wèn) CL1 上的神經(jīng)元。

（來(lái)源：Cortical Labs）

盡管它玩得磕磕絆絆，如 Kagan 所說(shuō)：“它是電競(jìng)冠軍嗎？絕對(duì)不是。”但他強(qiáng)調(diào)的重點(diǎn)是：Cortical Labs 已經(jīng)解決了“接口問(wèn)題”，即如何實(shí)時(shí)地與生物神經(jīng)元進(jìn)行雙向通信，并訓(xùn)練和塑造它們的行為。

如果只看官方視頻和多數(shù)媒體報(bào)道，我們可能會(huì)對(duì)這件事的技術(shù)實(shí)質(zhì)產(chǎn)生一種偏樂(lè)觀的認(rèn)知。但值得注意的是，隨演示一同發(fā)布在 GitHub 上的代碼倉(cāng)庫(kù)里，Sean Cole 在 README 中記錄了一個(gè)關(guān)鍵問(wèn)題：他編寫(xiě)的解碼器（把神經(jīng)元放電信號(hào)映射為游戲動(dòng)作的 PyTorch 模型）有一種趨勢(shì)，會(huì)逐漸變成一個(gè)“策略頭”（policy head）。也就是說(shuō)，運(yùn)行在普通硅基硬件上的軟件模塊可能正在學(xué)習(xí)繞過(guò)神經(jīng)元，自己獨(dú)立完成游戲決策。

整個(gè)系統(tǒng)的架構(gòu)是：游戲畫(huà)面被翻譯為電刺激傳給神經(jīng)元，神經(jīng)元的脈沖計(jì)數(shù)送入 PyTorch 解碼器，解碼器輸出游戲操作。而 PPO（Proximal Policy Optimization，近端策略?xún)?yōu)化）智能體、CNN 編碼器、整個(gè)獎(jiǎng)勵(lì)循環(huán)，全部運(yùn)行在外部的普通計(jì)算機(jī)上。Cole 在代碼注釋中表示：CL1 設(shè)備“不執(zhí)行任何計(jì)算”，只負(fù)責(zé)接收刺激指令、施加到神經(jīng)元、把脈沖計(jì)數(shù)發(fā)回來(lái)。

所以，CL1 作為硬件接口工作正常，雙向通信的延遲和穩(wěn)定性已達(dá)到可用水平。但 20 萬(wàn)個(gè)人類(lèi)神經(jīng)元到底在多大程度上承載了游戲策略，還是僅僅在“搭便車(chē)”，這個(gè)問(wèn)題的答案我們不得而知。

因此我們有必要從兩個(gè)層面來(lái)區(qū)分 Cortical Labs 此次的成就。工程層面：他們建造了一套可商用的、能讓活體神經(jīng)元在閉環(huán)系統(tǒng)中實(shí)時(shí)參與計(jì)算的硬件平臺(tái)，這在生物計(jì)算領(lǐng)域是獨(dú)一無(wú)二的。認(rèn)知和計(jì)算層面：神經(jīng)元是否在執(zhí)行某種真正的策略推理或目標(biāo)導(dǎo)向?qū)W習(xí)。

Cole 在 GitHub 倉(cāng)庫(kù)的 FAQ 中部分回應(yīng)了這個(gè)疑問(wèn)：視頻中展示的游戲畫(huà)面是用零偏置線性解碼器錄制的，也就是說(shuō)，游戲動(dòng)作完全是 CL1 輸出脈沖的線性函數(shù)；當(dāng)切換到消融模式（隨機(jī)脈沖或零脈沖）時(shí)，學(xué)習(xí)效果消失。這個(gè)回應(yīng)有一定說(shuō)服力，但還算不上鐵證。

線性解碼器加零偏置的設(shè)計(jì)確實(shí)限制了解碼器端的自主學(xué)習(xí)能力，但整個(gè)編碼器（那個(gè)決定以什么模式刺激神經(jīng)元的 CNN）仍然是通過(guò) PPO 策略梯度在硅基端訓(xùn)練的。換句話說(shuō)，哪怕神經(jīng)元確實(shí)在對(duì)信號(hào)做出有意義的響應(yīng)，當(dāng)前系統(tǒng)中“智能”的歸屬權(quán)仍然是模糊的：是神經(jīng)元在學(xué)習(xí)玩游戲，還是硅基端的強(qiáng)化學(xué)習(xí)算法在學(xué)習(xí)如何利用神經(jīng)元？

官方宣傳傾向于暗示前者，但 GitHub 上的證據(jù)顯示這一點(diǎn)遠(yuǎn)未驗(yàn)證。曼徹斯特大學(xué)計(jì)算機(jī)科學(xué)教授 Steve Furber 在接受采訪時(shí)也指出，我們目前還不完全理解神經(jīng)元如何在玩這個(gè)游戲、它們?nèi)绾巍爸馈北黄谕鍪裁础?/p>

Cortical Labs 將自己的技術(shù)路線命名為“合成生物智能”（Synthetic Biological Intelligence, SBI），刻意與“人工智能”區(qū)分。背后有一個(gè)技術(shù)假設(shè)：真實(shí)神經(jīng)元的自組織能力、樣本效率和能量效率，可能在某些維度上是硅基模擬神經(jīng)網(wǎng)絡(luò)難以企及的。

DishBrain 實(shí)驗(yàn)中五分鐘出現(xiàn)學(xué)習(xí)信號(hào)的數(shù)據(jù)，在樣本效率上給出了初步支撐。但從 Pong 到 Doom 再到真實(shí)世界任務(wù)，中間隔著可擴(kuò)展性、可靠性和可重復(fù)性的巨大鴻溝。20 萬(wàn)個(gè)神經(jīng)元聽(tīng)起來(lái)很多，但人類(lèi)大腦有約 860 億個(gè)。

一臺(tái) CL1 的神經(jīng)元數(shù)量，大致相當(dāng)于一只果蠅大腦的規(guī)模。而在這條賽道上，瑞士的 FinalSpark 也在做基于人類(lèi)神經(jīng)元的計(jì)算平臺(tái)，采用多巴胺等化學(xué)獎(jiǎng)勵(lì)信號(hào)來(lái)訓(xùn)練。Kagan 評(píng)價(jià)這種方法在實(shí)驗(yàn)室可行，但擴(kuò)展性有限。兩條路徑誰(shuí)更有前途，目前沒(méi)有定論。

那么這次演示到底證明了什么？它證明了 CL1 的硬件接口和通信協(xié)議有效，活體神經(jīng)元可以在實(shí)時(shí)閉環(huán)系統(tǒng)中被穩(wěn)定地刺激和讀取，而且這套流程已經(jīng)開(kāi)放到了第三方開(kāi)發(fā)者可以在一周內(nèi)完成復(fù)雜游戲適配的程度。這是一個(gè)扎實(shí)的工程進(jìn)展。

它同時(shí)產(chǎn)生了一個(gè)比它自身更重要的問(wèn)題：在這樣的系統(tǒng)中，生物層到底在做什么？是在真正參與決策，還是作為一個(gè)被數(shù)字系統(tǒng)繞過(guò)的中繼節(jié)點(diǎn)？Cole 的消融測(cè)試為回答這個(gè)問(wèn)題提供了方法論工具，但答案還尚未被揭曉。

參考資料：

1.https://github.com/SeanCole02/doom-neuron

2.https://youtu.be/yRV8fSw6HaE

3.https://gizmodo.com/a-dish-of-neurons-playing-doom-is-the-wildest-thing-ive-seen-in-ages-2000727674

閱讀最新前沿科技趨勢(shì)報(bào)告，請(qǐng)?jiān)L問(wèn)歐米伽研究所的“未來(lái)知識(shí)庫(kù)”

https://wx.zsxq.com/group/454854145828

未來(lái)知識(shí)庫(kù)是“ 歐米伽 未來(lái)研究所”建立的在線知識(shí)庫(kù)平臺(tái)，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級(jí)智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類(lèi)風(fēng)險(xiǎn)等等領(lǐng)域的前沿進(jìn)展與未來(lái)趨勢(shì)。目前擁有超過(guò)8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問(wèn)https://wx.zsxq.com/group/454854145828進(jìn)入。