导语：身处人类肩上的大脑拥有1000亿个神经元，每个神经元连接着1万个其他神经元。这复杂的结构被誉为已知宇宙中最复杂的物体。然而，数字电子原理构建的大多数脑启发硅芯片在完全模拟大脑功能方面存在局限。最近的研究表明，通过连接到微电极阵列的自组织脑小器官，可以改变其功能，形成神经网络，被称为器官小器官神经网络（ONNs）。这些ONNs展现了无监督学习的潜力，正是人工智能基于的原理。当这些微小的器官与适当的硬件相连接时，甚至可以被训练用于语音识别。
脑启发计算硬件，或称为“Brainoware”，可能弥补当前人工智能硬件在时间、能源消耗和热量产生方面存在的不足。这些ONNs可能具有足够的复杂性和多样性，以模仿人脑，从而激发更复杂、更类似人类的人工智能系统的发展。
Brainoware是在印第安纳大学布卢明顿分校的郭锋博士和辛辛那提儿童医学中心的顾明霞博士的实验室中开发的。相关研究成果已经发表在《自然电子学》杂志上，题为“用于人工智能的脑小器官水库计算”。
脑小器官神经网络
Brainoware的第一作者蔡洪伟及其同事试图通过生物学的方式解决水库计算的问题。水库计算以其处理复杂的时间和序列数据的独特方式而闻名。它使得能够从时间序列中提取复杂的模式和关系，确保快速训练，并强调能源效率，使其成为环保人工智能解决方案的可行选择。
水库计算已在各种应用中展现出有望的结果，包括时间序列预测、语音识别、语言建模以及处理复杂的非线性动力系统。其独特的架构和训练方法为有效管理序列和时间数据提供了创新性的替代方案，这使其在机器学习和人工智能研究领域成为有价值的工具。
未来计算机会由大脑组成吗？
尽管Brainoware不需要大量的电力消耗，但它仍然依赖于培养箱等设备，以及训练有素的细胞培养技术人员或自动系统来维护细胞培养。此外，器官小器官的生成仍然是相对不受控制的，包括死亡和存活的多种细胞类型混合体。最近的工程努力改善器官小器官分化和生长条件，以及改变它们的微环境，可能使得制备和保持大量标准化的器官小器官成为可能。
数据管理和分析是另一个技术挑战。仍然需要改进来自多个来源和模态的数据的解释、提取和处理，以优化从Brainoware到数据的编码和解码。除非开发新的算法和方法来分析和可视化数据，否则Brainoware的潜力将无法充分发挥。
尽管可能需要几十年才能开发出普遍的生物计算系统，但这项研究可能会为学习机制、神经发育以及神经退行性疾病的认知影响提供基础性的见解。它还有助于开发认知障碍的临床前模型，用于测试新的治疗方法。
参考文献：“Brain organoid reservoir computing for artificial intelligence”
编辑：周敏
排版：李丽
评论 (0)