布里斯托大学的科学家们证明，实验室培养的人类脑细胞簇能够可靠地接收、处理和传递触觉信息——使用盲文字母表作为测试信号。这项研究发表在《人工智能前沿》杂志上，被认为是迈向将活体神经组织与电子传感器结合起来的生物混合计算机的关键一步。
这项研究解决了类器官智能的一个看似简单的核心问题：一块微小的、部分形成的脑组织能否忠实地传递它接收到的信息？为了找到答案，由第一作者、博士生刘天一和资深作者本杰明·沃德-切里尔博士领导的布里斯托尔团队将大脑类器官连接到一个真正的触觉传感器，并询问是否可以在另一侧恢复有意义的信息。 更多相关背景，请参阅我们的AI行业报道。
“我们可以从真实的触觉传感器获取信息，将其转化为活体神经网络可以接收的形式，然后从类器官反应中恢复有意义的信息，”刘在该大学的研究结果公告中说。 “这为我们提供了一种将人工传感器与生物神经系统连接起来的实用方法，这是实现更节能计算的一条非常有趣的可能途径。”
如何读取一团单元格
实验中心的类器官远非微型大脑。每个直径不到一毫米，缺乏人类大脑中的许多结构，并包含大约 10,000 个神经元和支持细胞——以人类前脑为模型。它们位于系统内的多电极阵列上，该系统使组织保持活力，同时监测其电反应，使研究人员能够刺激和记录神经活动。
测试方案遵循从触摸到组织再到分类的信号。首先，该团队将触觉传感器应用于盲文字母表的 26 个字母，记录每个字母产生的数据。这些数据被转换成电刺激模式，然后传递到类器官。研究人员随后检查了由此产生的神经活动是否可以揭示出哪个字母已被呈现——实际上，组织是否已经“读取”了它所发出的信号。
解码由支持向量机完成，这是一种简单的机器学习算法，可以对神经活动模式进行排序并将其与特定字母进行匹配。单个类器官在大约 61% 的时间内持续产生可解码信号。当三个类器官的输出结合起来时，准确率上升到约 83%。
三种类器官打败一种类器官——没有人知道为什么
整体结果是最有趣的发现之一。研究人员还不能完全解释为什么三种类器官优于一种类器官，尽管他们怀疑答案在于自然变异：没有两种类器官沿着完全相同的路径发育。
“不同的类器官可能具有略有不同的网络连接、发育状态和持续活动，因此相同的输入可以产生相似但不相同的反应，”刘说。 “将这些反应结合起来可能会给我们提供补充信息，这是我们无法从单个类器官中获得的。同时，如果每个类器官的行为不同，那么显然会更难建立一个可预测的标准化系统。”
该团队还强调了组织的输出。当科学家们在盲文信号中添加人工噪声时，从类器官的反应中进行解码被证明比用相同的算法直接解码退化信号更难欺骗。经过类器官处理后，数据保留了足够的结构，使分类器能够比原始噪声输入更稳健地挑选出正确的字母。
“经过类器官处理后，触觉数据仍然包含足够的信息来准确地对盲文字母进行分类，”沃德-切里尔说。 “结合几种类器官的输出也显示出性能的提高。”
为什么生物计算吸引研究人员
动力就是能量。人脑在执行计算时的运行功耗约为 20 瓦，这需要传统硬件增加几个数量级的电力——随着人工智能数据中心的倍增，这一差距不断扩大。神经形态芯片试图捕捉大脑在硅中的效率，而类器官智能代表了同一赌注的更激进版本：使用实际的神经元而不是模仿它们。
潜在的应用集中在机器人和自主系统上，其中每一瓦特都很重要，触觉传感至关重要。一种可以将信号处理任务转移给活神经元的传感器——或者有一天与它们形成一个闭环——可以重塑需要实时感知和反应的机器的功率预算。
在头条新闻消失之前请注意
布里斯托尔团队明确指出了实验未显示的内容。类器官没有学习；它们没有学习。它们对刺激有反应，但研究人员没有证明组织的长期变化。该任务是单一触觉任务，使用固定的编码方案和相对简单的神经活动测量。
“我们表明触觉信息可以通过类器官进行编码、处理和解码，但我们没有证明类器官的学习或长期变化，”刘说。
该团队表示，下一步将超越盲文。研究人员对更丰富的触觉输入（例如纹理和边缘）感兴趣，并最终对闭环任务感兴趣，在闭环任务中，类器官从其自身输出的结果中接收反馈——这种配置将开始测试活体组织是否能够适应任务，而不仅仅是通过任务进行传输。
目前，这一结果已成为工程证明：来自物理世界的信号可以进入活的神经组织，并在另一侧返回以可识别。这距离生物混合计算机还有很长的路要走，但它是一种不起眼的里程碑——可靠的转导、可测量的准确性、诚实的误差线——早期的计算革命也是建立在其基础上的。
---
掌握AI最新动态获取最新的AI新闻、分析和突破——尽在一处。
阅读更多AI新闻 →
