導語：身處人類肩上的大腦擁有1000億個神經(jīng)元，每個神經(jīng)元連接著1萬個其他神經(jīng)元。這復雜的結(jié)構(gòu)被譽為已知宇宙中最復雜的物體。然而，數(shù)字電子原理構(gòu)建的大多數(shù)腦啟發(fā)硅芯片在完全模擬大腦功能方面存在局限。最近的研究表明，通過連接到微電極陣列的自組織腦小器官，可以改變其功能，形成神經(jīng)網(wǎng)絡，被稱為器官小器官神經(jīng)網(wǎng)絡（ONNs）。這些ONNs展現(xiàn)了無監(jiān)督學習的潛力，正是人工智能基于的原理。當這些微小的器官與適當?shù)挠布噙B接時，甚至可以被訓練用于語音識別。

腦啟發(fā)計算硬件，或稱為“Brainoware”，可能彌補當前人工智能硬件在時間、能源消耗和熱量產(chǎn)生方面存在的不足。這些ONNs可能具有足夠的復雜性和多樣性，以模仿人腦，從而激發(fā)更復雜、更類似人類的人工智能系統(tǒng)的發(fā)展。

Brainoware是在印第安納大學布盧明頓分校的郭鋒博士和辛辛那提兒童醫(yī)學中心的顧明霞博士的實驗室中開發(fā)的。相關(guān)研究成果已經(jīng)發(fā)表在《自然電子學》雜志上，題為“用于人工智能的腦小器官水庫計算”。

腦小器官神經(jīng)網(wǎng)絡

Brainoware的第一作者蔡洪偉及其同事試圖通過生物學的方式解決水庫計算的問題。水庫計算以其處理復雜的時間和序列數(shù)據(jù)的獨特方式而聞名。它使得能夠從時間序列中提取復雜的模式和關(guān)系，確?？焖儆柧?，并強調(diào)能源效率，使其成為環(huán)保人工智能解決方案的可行選擇。

水庫計算已在各種應用中展現(xiàn)出有望的結(jié)果，包括時間序列預測、語音識別、語言建模以及處理復雜的非線性動力系統(tǒng)。其獨特的架構(gòu)和訓練方法為有效管理序列和時間數(shù)據(jù)提供了創(chuàng)新性的替代方案，這使其在機器學習和人工智能研究領(lǐng)域成為有價值的工具。

未來計算機會由大腦組成嗎？

盡管Brainoware不需要大量的電力消耗，但它仍然依賴于培養(yǎng)箱等設(shè)備，以及訓練有素的細胞培養(yǎng)技術(shù)人員或自動系統(tǒng)來維護細胞培養(yǎng)。此外，器官小器官的生成仍然是相對不受控制的，包括死亡和存活的多種細胞類型混合體。最近的工程努力改善器官小器官分化和生長條件，以及改變它們的微環(huán)境，可能使得制備和保持大量標準化的器官小器官成為可能。

數(shù)據(jù)管理和分析是另一個技術(shù)挑戰(zhàn)。仍然需要改進來自多個來源和模態(tài)的數(shù)據(jù)的解釋、提取和處理，以優(yōu)化從Brainoware到數(shù)據(jù)的編碼和解碼。除非開發(fā)新的算法和方法來分析和可視化數(shù)據(jù)，否則Brainoware的潛力將無法充分發(fā)揮。

盡管可能需要幾十年才能開發(fā)出普遍的生物計算系統(tǒng)，但這項研究可能會為學習機制、神經(jīng)發(fā)育以及神經(jīng)退行性疾病的認知影響提供基礎(chǔ)性的見解。它還有助于開發(fā)認知障礙的臨床前模型，用于測試新的治療方法。

參考文獻：“Brain organoid reservoir computing for artificial intelligence”

編輯：周敏

排版：李麗