Cortical Labs 聯機 15 臺生物計算機：活體神經元協同，跑贏傳統 AI

如果你的電腦裡裝的不是矽基晶片，而是一群泡在營養液裡、隨時可能因為心情不好而罷工的活體腦細胞，你敢拿它來跑演算法嗎？

澳大利亞初創公司 Cortical Labs 給出的答案是：一個腦細胞群靠不住，那就把 15 個連成一片。

在華盛頓特區舉辦的首屆類器官智慧國際會議上，Cortical Labs 正式展示了一套名為 HIVE 的系統。他們把 15 臺已經商業化的 CL1 生物計算機聯成網路，組成了一個微型的生物版「蜂群思維」。

活體腦細胞組團，把強化學習甩在身後

每臺 CL1 內部，都有一套微型的機載生命維持系統，維持著大約 100 萬個生長在矽基電極上的活體人類神經元。

單打獨鬥的時候，這些生物腦其實沒那麼穩。在虛擬網格導航測試中，單臺 CL1 的得分只能達到滿分的 40%。這個成績雖然略高於傳統強化學習模型 Deep Q-Network 的 32%，但隨時面臨生物活性波動的問題。

但把 15 臺機器聯成 HIVE 之後，奇蹟出現了。在同一個導航任務裡，叢集得分直接跳到了約 70%。如果讓不同的生物計算單元專門負責不同的子任務，整體得分甚至能衝到 80%。

在另一個符號識別測試中，僅僅將 7 臺生物計算機聯機，識別準確率就從單機的約 80% 暴漲到了 99%。

最讓研究人員意外的是，團隊並沒有教這些神經元怎麼配合。當它們被連入同一個網路後，這群生長在矽片上的細胞自己摸索出了分工機制，各自負責任務的一部分，自發找到了最高效的解題路徑。

解決生物活體的「星期一綜合徵」

生物計算過去最大的痛點就是不穩定。正如 Cortical Labs 科學家 Johnson Zhou 所說，活細胞今天可能狀態爆棚，明天可能就集體擺爛。

但大自然解決這個問題的方法從來不是讓單個神經元變得完美，而是靠數量和分工。大腦分出不同腦區，蜂群分出不同工種。

把 15 臺機器連起來，相當於給系統上了 15 重保險。只要有一個細胞群斷線或者狀態不佳，其他單元就會自動補位，平抑掉個體的生理差異。

而且比起傳統的深度強化學習，這套活體網路在樣本效率和容錯韌性上展現出了驚人的優勢。它不需要像矽基大模型那樣先啃下幾百億 token 的語料，而是能在極短時間內根據物理電訊號反饋調整自身連線。

為什麼重要

我們認為，HIVE 最關鍵的意義在於它把生物計算從「培養皿裡的科學演示」，往前推到了真正的「分散式系統架構」。

一直以來，矽基晶片最大的短板就是能耗。現在的大模型動輒消耗幾座變電站的電力，而人類大腦運轉只消耗約 20 瓦功率。如果生物計算機能通過網路化解決穩定性和擴充套件性問題，哪怕先用來分擔邊緣裝置裡小規模的決策或模式識別任務，也會對目前的能耗格局產生巨大沖擊。

當然，現在普通開發者還很難直接買一臺回來部署。雖然 CL1 已經是商業化硬體，但維持神經元存活的耗材、溫控以及定製化電極介面，門檻依然非常高。

而且必須指出的是，目前的測試基準依然相當初級，拿來對比的也是相對早期的深度 Q 網路。活體神經元之間究竟是通過怎樣的電訊號模式在機器間通訊並形成反饋，團隊自己也還沒完全拆解明白。

但這第一步走得足夠漂亮。它向行業證明了生物硬體不用追求單點完美，只要規模組網，活體神經元天生的學習韌性就能被成倍放大。