想像一下，在某個清晨，身為打工人的你，睜開疲憊的雙眼，不太情願地起床，洗漱，擠地鐵去上班，準備面對一天的會議、鍵盤敲擊鍵聲和海量的文件。然而，這一切都只是計算機模擬出的景象，在現實中，你的大腦正作為一台生物計算機的核心，處理著各種複雜的信息。
依託高效的生物神經網絡，你已經在短短一分鐘內，完成了矽基計算機需要一星期才能達成的工作量。而你卻對此渾然不知，仿佛缸中魚游弋的魚，對水外的世界一無所知。
這種「缸中之腦」的想像，聽著細思恐極，但現在，已經有人將它部分變成了現實。
最近，一家瑞士的初創企業FinalSpark，近期推出的全球首款生物處理器Neuroplatform，就是這樣的例子。
這些處理器是由人腦類器官的生物神經元驅動的——說白了，就是在用活生生的人腦細胞進行計算。
在之前的實驗中，FinalSpark已經找到了一種可以在體外快速產生類腦器官的辦法，而這些類腦器官，就相當於是一個個迷你的「缸中之腦」，通過提供電刺激，FinalSpark的研究人員，得以觀察這些類腦器官不同的反應，從而一窺大腦是如何處理信息的。
在過去三年中，Neuroplatform構建了超過1000個大腦類器官，收集了超過18TB的數據。為了方便人們使用，FinalSpark還開發了一個專門的 API接口，可以直接通過 Python庫或使用互動式計算（如 Jupyter Notebooks）進行遠程研究。
而人類之所以要煞費苦心地製造這樣一種由人腦組成的「計算機」，最重要的原因，是以大腦為基礎的生物計算機，與傳統計算機相比，實在太香了。
01 人腦的優勢
由人腦組成的計算機，最矚目的一個優勢，就是能耗低太多太多了。
隨著新一代大模型（LLM）的興起，人類對能源的消耗也與日俱增，例如，訓練一個像GPT-3這樣的LLM大約需要10 GWh也就是一千萬度電——這能量，足夠一輛特斯拉Model S長續航版繞地球赤道跑上一千圈。
相較之下，人類大腦有860億個神經元在運行，但實際功率僅為20W，僅相當於一個燈泡。
其中的關鍵區別就在於，人腦傳遞信息，靠的是電信號+化學遞質的組合，而矽基計算機，是純電。
不過，這樣的先天優勢，還不是最絕的，最絕的是人腦這樣的生物神經網絡，具備所有傳統計算機都不具備的並行計算優勢。
傳統電子設備內部，就像是一條條精心鋪設的鐵路線，列車（電子）只能沿著固定的軌道（電路），一站接一站地緩緩前行。
而相較之下，神經元的世界，則是一個錯綜複雜、四通八達的巨網，每個神經元都與其他成千上萬個其他神經元緊緊相連。
當一個神經元接收到信號後，可以同時通過突觸連接，將信號傳遞給多個下游神經元，從而實現大規模並行傳輸。
這就像是，如果你有一大堆信件需要分類，傳統計算機的方法，是你自己一封封看，這樣你一個人得忙很久，而且過程中一直開著的燈光、電腦等設備也會消耗不少電。而生物神經網絡的方式處理，這就像是有成百上千個幫手幫你分揀信件，這樣一來，所有信件幾乎是瞬間就被分類完畢。
在摩爾定律逐漸放緩的今天，而這種新的計算架構，可能是人類實現科技飛升，乃至通向AGI的關鍵。
畢竟，現在的晶片電晶體尺寸已經逼近物理的極限了，5奈米、3奈米（實際是10nm以上），甚至還想往更微觀里鑽，結果呢，物理法則開始發威了，量子隧穿啊，散熱難題啊，一個個成了攔路虎。
更要命的是，電晶體再往小里縮，好像也不那麼划算了。即使是台積電，從5奈米蹦到3奈米，成本嗖嗖漲了80%到100%，結果速度提升就那麼一丟丟，10%到15%上下晃悠。
這性價比，真讓人頭大！
第二個比較關鍵的原因是，人類要想實現AGI，要想讓AI達到和人一樣的智能，就得讓AI像人一樣，具備在各種新環境下不斷學習、泛化的能力。
而在生物神經網絡中，由於神經可塑性的存在，神經元之間的連接強度（突觸權重）是可以改變的。
換句話說，在面對需要持續適應和學習的任務時（如自動駕駛），它們能夠像一個運動員那樣，根據訓練的需要，調整肌肉力量（突觸權重），從而達到「越學越強」的效果。
而傳統的計算機啊，硬體就像搭好的樂高積木，一旦成型，想改？難！
綜上所述，能耗低、效率高，還能自適應學習，這些優勢，讓生物計算機這一概念，想想都讓人眼饞。
不過，要想真正製造出一個能運行的生物計算機，最重要的一步，是得先在生物體外，培養出一個活生生的「大腦」。
02 現實版缸中之腦
說真的，想要在實驗室里直接鼓搗出個完整的大腦來當計算機，不光是技術上難於上青天，倫理紅線也是亮閃閃的，所以啊，科學家們想了個折中的招兒——不搞大的，咱先從小的玩起。
具體咋整呢？他們搗鼓起了幹細胞，通過特定的生長因子和信號分子（某種營養液），引導它們變成大腦里的細胞，一小塊一小塊的，形成了人類神經的幹細胞。
具體來說，大致的步驟可分為：播種—解離—重組—分化—體外續命。
播種階段：
為了讓這些「種子」（神經幹細胞）健康快速地生長，就需要為它們準備一個理想的「土壤」——我們叫它培養基，
其中往往配備了多種「肥料」，例如增強版的維生素、刺激細胞分裂的生長激素等。
解離階段：
在細胞達到一定的生長密度後，細胞間的接觸抑制（Contact inhibition）現象會加劇，換句話說，細胞間離得太近，可能會抑制彼此向目標細胞類型的分化。——就像果園裡小樹苗挨得太近，不利於各自伸展枝椏。
這時，科學家就要使用一種叫做StemPro™ Accutase的特殊溶液（一種溫和的細胞分離劑），來幫助這些細胞從原來長著的地方「鬆動」下來。
經過這樣的步驟，科學家們小心翼翼地數出25萬個這樣的細胞，放到一個平板上的小格子裡，以便進一步促進細胞的組織特性發育。
重組階段：
接著，他們把這個平板密封好，再將其放到一個叫做軌道搖床的設備上。這個設備就像一個高科技的搖籃，它會以每分鐘80次的速度來回搖晃。
就這麼晃啊晃，這樣細胞們就能在一個類似微重力的環境中慢慢長大，而不會沉積到底部。
如此一來，就能避免底部的細胞因為過於密集，相互競爭營養和空間，從而導致一些細胞無法獲得足夠的資源而死亡或生長不良。
分化階段：
這一階段，就相當於是「施肥與修枝」一類的過程，加入像重組蛋白這樣的腦部發育助推劑，幫助細胞向大腦細胞的方向發展；
待這些小球進一步成長後，科學家便將其轉到由50% Diff I和50% Neurobasal Plus（兩種營養配方）組成的分化培養基中，繼續培養3周。
這樣，就能使其更成熟，更接近真實大腦的複雜結構和功能了。
體外續命階段：
理論上，到了這時，這些長成人腦類器官的細胞，已經可以在多電極陣列（MEA）上進行實驗了。
但問題是，光把細胞培育成型還不行，咱還得讓這些嬌嫩的小東西，在生物體外持續地活下去。
於是，科學家們打造了一種類似微型血液循環系統的微流體系統，為那些在實驗盤上的迷你大腦組織持續不斷地提供吃的和喝的，每分鐘送5微升的營養液，確保它們持續存活。
控制這個液體流動速度的是一個叫做BT-1002J的小泵，它就像心臟一樣，能按需加速或減速，這樣，液體送出去還能再循環回來，就像血液循環那樣。
人腦計算機
在體外培育出一個活生生的「迷你大腦」後，接下來要做的，就是怎麼捕捉這些小東西的活動信號，並嘗試用它來進行計算、編程一類的操作。
首先，如果真的要將人腦的活動，轉變成能被軟體識別的信號，人類至少有兩大門檻需要邁過去。
其一就是，人腦這玩意兒，電信號實在太弱了。
人腦的電信號，其實非常微弱，通常只有幾微伏到幾十微伏，這主要是由於，大腦中的「電流」源頭是單個神經元細胞，其體積極小，大約只有10-20微米。源頭小，產生的信號自然就小。
所以，如果真想用這玩意兒來當「計算機」，首先就得先捕捉，並將其信號放大。
這其中的關鍵，就在一個名叫MEA（微電極陣列）的東西上。
這些電極的尺寸通常在微米級別，可以精準地插入或緊鄰細胞膜，而不對細胞造成損傷。
而這一「插入」的步驟，對捕捉信號極其重要。
因為神經元的電信號是在細胞膜上產生，通過細胞外液傳播時，就會有較大的衰減。唯有緊密地接觸到細胞膜，或插入到細胞層，才能記錄快速變化的神經活動。
當捕捉完畢，放大電信號之後，第二個關鍵門檻，就是將人腦的模擬信號，轉換成數位訊號。
與現在計算機中，信息主要都是以一堆「0」和「1」這樣的二進位數位訊號的傳播機制不同，人腦這玩意兒，產生的是那種一條曲線似的，在連續變化的模擬信號。而不是「0」和「1」這樣確定的值，其中可以有無限多的中間值。
用這樣的信號來操控軟體，就會遇到很奇葩且不可測的情況。
比如，你點擊滑鼠希望打開一個文件，但由於信號的「不確定性」，要麼文件無響應，要麼畫面就像雪花屏一樣模糊。
那怎麼才能將模擬信號變成數位訊號呢？
這就涉及到了一個叫做模數轉換器的東西。簡單點說，它大致是這麼實現模擬—數位訊號的轉換的：
首先，模擬信號需要在時間上被周期性地「捕捉」，這個過程稱為採樣。就像用照相機拍照，不斷地高頻咔嚓，這樣，連續的風景（模擬信號）就被分成了一張張靜止的照片（離散的時間點）。
而這次的Neuroplatform，採樣頻率為30kHz，意味著系統每秒鐘會對模擬信號進行30,000次採樣。
拍好照片之後，我們要給它上色，不過這樣的顏色（離散數值）卻被限定了範圍，比如說，只用256種顏色，這就把無限的顏色變化（模擬信號）簡化成了有限的選擇（數位訊號）。
最後，這些被限定了顏色的照片，就會被進一步編號（轉化成二進位），這樣，每張照片就有了對應的數字代碼，計算機就能理解並處理這些代碼了。
操控性難題
成功讀取大腦信號之後，接下來該面對的問題，就是怎麼讓這個類腦器官，像真正的計算機一樣，按照人類的意志，執行各種程序和命令了。
而在這方面，之前已經有人做出了嘗試，例如澳大利亞的初創公司Cortical Labs，之前就曾用大約100萬個活體腦細胞，在培養皿中打造了一個「盤中腦」。名為「DishBrain」系統。
之後就將這活體腦細胞組成的作業系統，用來整天不停地在虛擬世界裡玩復古的桌球遊戲Pong。
在外界看來，這只是一塊存活在小盤子裡的腦組織，但對這個腦組織本身而言，它卻認為自己「生活」在一個截然不同的世界，一個只有桌球遊戲的世界，在遊戲中，它相信自己就是那個球拍。
這簡直就和《黑客帝國》裡，沉浸在虛擬世界「母體」中的人類一樣，不禁讓人細思恐極。
可問題是，這種由腦細胞構成的生物神經網絡，並不像電子計算機那樣，可以直接通過調整參數或代碼，來實現對具體命令的反饋，那Cortical Labs的團隊，是怎麼令其按照設想進行桌球遊戲的呢？
如果這團腦細胞，是一個完整的生物，那人們就可以像巴甫洛夫的條件反射實驗那樣，做對了，就給它食物作為獎勵，做錯了，就電它一下作為懲罰。
但如果是一團沒有五官、四肢和軀體的腦細胞呢？
這就不得不提到一個非常抽象的理論——自由能理論。
萬物智能理論
這個理論是英國神經生物學大牛卡爾·弗里斯頓（Karl Friston）提出來的。雖然它本身十分艱深、晦澀，但如果簡而言之，其核心的理念可以概括為：我們的大腦和身體，總是在努力減少「意外」或者不確定性。
舉個例子：當你走進廚房聞到香味，你的大腦立刻開始預測：「啊，可能有人在烤餅！」這時，大腦降低了對其他可能性的考慮（比如剛噴了空氣清新劑）。
該理論還認為，在這一機制的驅動下，當個體遭遇意外時，要麼就修改預測，去接受意外度、容許錯誤、更新外部世界模型；要麼就做出行動或改變，使預測成真。
而這套理論，比巴甫洛夫的條件反射理論高級的地方就在於：條件反射，只能作用在那些簡單的，低級感官層面的行為，例如狗聽到鈴鐺就會流口水之類的。
而對於那些需要複雜操作，或是需要一定適應性的任務，條件反射則很難發揮作用。例如，在Cortical Labs的實驗中，雖然桌球遊戲的玩法、規則都是固定的，但每次球被彈回後，相應的落點和運動軌跡都不一樣。
而腦組織扮演的「球拍」，必須準確預測球的落點，調整自身位置，以及在正確的時間移動，才能將球彈回去。
這一系列複雜、動態的操作，遠超出了簡單條件反射的範疇。
為了讓腦組織完成這樣的操作，Cortical Labs依據自由能原理，發現球拍移動正確的時候，給盤中之腦一個有規律的電刺激。
因為這個電刺激是有規律的，而有規律的東西，往往就意味著「確定性」，意味著更少的「意外」和「誤差」。
而相反，如果球拍移動不正確，我們就給它一個雜亂無章的電刺激。
所以，為了追求這樣的「確定性」，腦組織就會逐漸優化自己的行為策略，使自己更準確地擊中桌球。
實際上，這和現實中人們騎自行車的例子很相似。
在騎車時，面對動態、複雜的路況，要想實現穩定騎行，大腦就要不斷構建並優化對騎行環境的預測模型，減少預測誤差。
最終，在實驗中，這個盤中腦只用了5分鐘，就學會了桌球遊戲，而相較之下，AI則需要90分鐘。
這意味著，一個以自由能原理驅動的生物神經網絡，有遠超傳統計算機架構的學習、計算效率。
而這樣的優勢，也驅使著現在的FinalSpark，針對生物計算平台Neuroplatform展開了一系列實驗，以便探究生物神經網絡更複雜的機制。
「開源」的力量
如果說Cortical Labs做那些自由能實驗，就像是早期電腦時代的程式語言，剛教會了我們怎麼給生物細胞下基本命令，那麼Neuroplatform，則像是更全面的作業系統。
因為集成了更多的開發工具和框架，不僅讓參與的研究者多了，能做的實驗也更多了。
具體來說，在Neuroplatform中，連著類腦器官的MEA（多電極陣列），同時也連著計算機接口，而後者又與雲端伺服器相連。
這樣，各地的研究人員，就能不受地域限制地遠程執行實驗，這對那些經費稀缺，設備不足的研究團隊尤其重要。
具體操作時，研究人員可以先編寫腳本，或使用圖形用戶界面（GUI）來設計實驗方案，然後通過網絡發送指令至實驗平台上的控制系統。
接著，平台連接到高度自動化的實驗裝置，如多電極陣列（MEA）系統，可以自動施加電刺激、記錄神經元活動，並進行液體處理等操作，無需人工直接干預。
而在這個「開源」平台上，作為創始者的FinalSpark，大致進行了這麼幾個實驗：
修改自發活動
這個實驗，就相當於在測試生物計算機的「可編程性」。
在實驗中，研究者使用了一種快速的電脈衝方法，這種脈衝每秒鐘發送20次，每次包含一個先負後正的短暫電擊，這個電擊非常微弱，大約只有2微安，並且每次持續的時間僅200微秒。
就像你的電腦在處理一個遊戲或者大文件時，總有一塊CPU區域特別忙碌，熱得不行，那個地方就可以比作是神經元的「活動中心」。
研究者發現，通過這樣的電刺激（「編程指令」），不但能讓這個「處理器忙區」在電腦內部換個位置工作，還順帶更新了腦球體的「設置」（新的活動模式）。
閉環解籠過程
這相當於是在給生物計算機「優化系統」。
整個實驗是這麼做的：先用一套優化的算法，找到最佳的電刺激方案，比如用多少電量、怎樣的電波和時間安排，能讓神經細胞更活躍地放出電信號。
實驗中發現，4微安的雙階段電擊，每段持續100微秒，效果是最好的。
接著，這些設定好的電擊在腦球體的不同電極上輪流進行，每換一個電極就等10毫秒。
找到最佳的電刺激法後，就用特定的紫外線，照在一種特殊的物質上，這種物質一遇到紫外光就會釋放多巴胺（所謂的「解籠」）。
通過用多巴胺來當作獎勵，從而讓神經元更樂意保持在最佳電擊下的狀態。
整個過程，就相當於通過不斷調整參數（電刺激）來讓系統（神經元）的響應更快，運行效率更高。
上述實驗，只是眾多在Neuroplatform上進行的實驗的冰山一角。
在這片新的研究天地中，還有對神經組織臨界狀態特性的深度剖析，以及利用自由能量原理和對神經元學習能力的創新性研究，更有基於人造觸覺傳感器數據，對生物組織的刺激嘗試……
每次實驗後，收集到的數據會立即被數位化，並通過網絡傳輸，讓全球範圍內的團隊訪問和共享。
如此一來，世界各地的學者，就像是共同在為一台超大規模的生物計算機編寫代碼，每一個小程序（實驗），都在為整體性能的提高貢獻著力量。
從這個角度上來說，人類不僅是這個生物計算機的設計者，亦成了其核心組件。
理論上，只要掌握了人腦輸入—輸出的機制，人類可以像操控「缸中之腦」那樣，通過幾個簡單的指令操控人腦神經元，並將其作為「活體計算元件」。
那既然如此，一個真正由生物體大腦組成的生物計算機，離我們到底還有多遠？
展望
FinalSpark的論文中提到，Neuroplatform中的類腦器官，已經做到能在系統中存活100天。
考慮到它們最初只能存活幾小時，這已經算是個很大的壯舉了。
但問題是，為什麼這樣的類腦器官，能不能存活得再久一些？搞得再大一些？就像某些科幻片中那樣，變成一個大腦組成的計算機？
講真，這其中的難點挺多的。但從技術上來說，最關鍵的有兩點：
首先一個，就是血管化的難題。
體外培養的類腦器官缺乏自然的血管系統，吃喝拉撒全靠外邊的微流體系統，但問題是，只要器官尺寸一大，細胞一多，氧氣和營養物質擴散到組織內部的能力就會減弱，中心區域就可能缺氧和營養不良。
雖然科學家們為了這事兒，也想了各種招數，比如拿個精細的3D印表機，打算給它列印一套微小的血管網。
但說到底，要完全模仿生物體的一套完整的血管系統，那工程量和精細度，還是比較頭大的。
再一個，就是神經可塑性難題。
大腦發育的後期階段，需要通過獲取外部輸入和體驗刺激，實現大規模的突觸修剪、加固和整合，最終形成複雜的認知功能迴路。
換句話說，這個腦子，得有一個實體的身體，去現實里感知、實踐，活動。唯有如此，才能實現神經元的精細連接。
然而，在人工培養環境下，這樣的「缸中之腦」怎麼才能獲得類似的實際體驗？
不過，除了技術問題外，一個更重要的問題是：萬一這塊培養皿里的腦組織，最後越長越大，以至於真的具有了某種意識，到了那時，我們是否要將它當成個有自由意志的個體來看待？
遊戲《德軍總部：新秩序》中，邪惡的納粹將軍「死顱」，為了進行變態的科學實驗，將一個盟軍士兵的大腦活活取出，製成了記憶裝置並安裝到一台戰鬥機甲內，並打算用這個人腦驅動的機甲來鎮壓反抗軍的義士。
儘管最後機甲被摧毀，盟軍士兵的大腦也被取出，但身處罐子中的他，還是希望自己昔日的戰友可以終結他如今行屍走肉般的生命。
這樣肆無忌憚地褻瀆人體和自由意志，可以說著實很「邪惡」了。
可問題是，在科技進步的漫長之路上，人類真的能忍住對更強大智能的渴望，不去摘取這「邪惡」的禁果嗎？
