美国类器官智能研究 秒杀人工智能的存在

寂静回声

最近大火的ChatGPT让人们切身意识到，机器可以表现出与人类相似的智能行为。在一些领域，机器甚至已经超越人类。例如在2016年，电子计算机程序AlphaGo击败了围棋世界冠军李世石。AI最近取得的成功主要由人工神经网络（ANNs）的发展推动，这些网络使用硅计算芯片处理大型数据集。而在当前的 AI 计算硬件上训练人工神经网络是耗能、耗时的，且数据与数据处理单元是物理分离的，即存在冯·诺伊曼瓶颈。

以人工智能（AI）硬件为驱动的人工神经网络需要约 800 万瓦的能量。人脑的结构、功能和效率为发展 AI 硬件提供了灵感——人脑在生物神经网络（BNNs）中融合了数据存储和处理，自然地避免了冯·诺伊曼瓶颈的问题。而人脑只需要约 20 瓦。通过神经可塑性和神经发生，大脑还能够以极小的训练成本有效地处理和学习嘈杂数据，从而避免高精度计算方法的高能耗需求。受到人脑结构功能的启发，美国印第安纳大学伯明顿分校、佛罗里达大学、辛辛那提儿童医院医学中心以及辛辛那提大学的研究人员共同发明了一个机器-类器官混合计算系统——Brainoware。


该系统包括传统计算硬件和大脑类器官，可以执行语音识别和非线性方程预测等任务。另外，该系统能够灵活地在电刺激反应中进行变化和重组，有望应对当前 AI 硬件在时间和能源消耗以及热量产生方面的挑战。
相关研究论文以“Brain organoid reservoir computing for artificial intelligence”为题，已发表到 Nature 子刊 Nature Electronics 上。

论文作者提到，大脑类器官只是该系统的一部分，更复杂的人工神经网络尚有待演示。

在一篇同时发表的“新闻与观点”文章中，美国约翰斯·霍普金斯大学的副教授 Lena Smirnova 和同事写道，“随着这些类器官系统的复杂性不断增加，学术界对涉及人类神经组织的生物计算系统的研究面临着诸多神经伦理问题，这变得愈发重要。虽然创造通用生物计算系统可能还需要数十年的时间，但这项研究有望为我们提供关于学习、神经发育以及神经退行性疾病等机制的基础性见解。”


受 BNNs 的启发，科学家们尝试开发高效且低成本的神经形态芯片，例如使用忆阻器（memristors）。然而，当前的神经形态芯片只能部分模仿大脑功能，提高其处理能力很重要。对此，该研究介绍了一种利用人脑类器官神经网络（ONNs）的储备池计算（reservoir computation）和无监督学习能力的 AI 硬件，该硬件嵌入在类器官中。这种方法能够处理时空信息，并通过类器官的神经可塑性实现无监督学习。

与当前的二维体外神经元培养和神经形态芯片相比，因为类器官可以提供 BNNs 的复杂性、连接性、神经可塑性和神经发生，以及低能耗和快速学习，所以 Brainoware 可以为 AI 计算提供更多的见解。
得益于类器官较高的可塑性和适应性，Brainoware 能够灵活地在电刺激反应中进行变化和重组，凸显了其进行自适应储备计算的能力。
研究证明，该方法能够显示出非线性动力学、衰退记忆和空间信息处理等物理储备属性，还可以进行语音识别和非线性方程预测。此外，研究还证明了此方法能够通过重塑 ONNs 的功能连接性从训练数据中学习。

上述关于 Brainoware 的研究只是科学家在类器官方向上的一次尝试，作为研究焦点之一，类器官是指一种能在体外环境培养的具有三维结构的微器官，拥有真实器官类似的复杂结构，能够部分模拟真实器官的生理功能。2009 年，荷兰 Hubrecht 研究所的 Hans Clevers 团队成功地将成体干细胞培养成小肠隐窝和绒毛结构，标志着类器官技术的起步。

类器官在器官移植和药物筛选上颇具前景，同时，类器官为创建人类疾病的细胞模型提供了机会，可以在实验室中进行研究，以更好地了解疾病的原因并确定可能的治疗方法。类器官在这方面的力量首先被用于小头畸形的遗传形式，其中患者细胞被用来制造大脑类器官，这些类器官更小，并且在早期神经元中显示出异常。
2021 年，来自维也纳奥地利科学院的科研团队，使用人类多能干细胞成功培养出全球首个体外自组织心脏类器官模型，该模型可自发形成空腔，自主跳动，无需支架支持。同时，这种心脏类器官在受伤后可以自主动员心脏成纤维细胞迁移修复损伤。



美国约翰·霍普金斯大学发布消息称，如果我们不尝试让 AI 更像大脑，而是直奔源头会怎么样？

人脑在处理简单信息（如算术）方面比机器慢，但在处理复杂信息方面却远远超过机器。从以下几个事例中可以看出人脑非凡的处理能能力：
1）2013年，世界第四大计算机花了40分钟才模拟了1%的人类大脑活动；
2）人脑拥有860-1000亿个神经元、1015个神经连接，其存储容量估计为2500TB。
从表面上来看，人类大脑和人工智能都构建了外在世界的内部表示，以提高它们在执行任务时的表现。然而，生物学习和机器学习在实现机制和目标上的根本差异导致了两种截然不同的效率。
首先，人脑的学习效率更高。例如，人类通常使用大约10个训练样本就可以学习一个简单的“相同与不同”任务。相比之下，在2011年，即使有106个样本，机器也无法学习这些区别，而在2018年，107个样本仍然不足。这表明，即使是简单的认知任务，机器学习也难以胜任，而人脑在这方面无疑是更高效的。

其次，人脑在解决计算问题时消耗的能量要少得多。例如，一个成年人每日消耗的能量相当于100瓦的电量，其中大脑消耗占20%。相比之下，世界第一超级计算机Frontier的功耗为21兆瓦，而人脑的运算速度估计与之相同，但功耗只有20瓦。换句话说，人脑在能源利用效率上远远超过计算机！
由此可见，相比基于计算机的人工智能，人脑在任务学习上具有两个十分突出的优点——效率高、能耗低。这些观察结果为基于人脑的生物智能创造了很高的期望，作为实现人类智能时代的另一个发展方向，生物智能在计算速度、处理能力、数据效率和存储能力等方面具有非凡潜力。

多个学科的科学家正在努力创造革命性的“生物计算机”，以脑细胞的三维培养物（称为类脑器官）用作硬件。值得注意的是，实现生物计算机十分具有挑战性，大多数研究仍处于起步阶段。迄今为止，术语“生物计算”主要用于描述DNA数据存储技术。除此之外，便是“合成生物智能”（SBI）来描述使用合成生物学通过脑定向计算来生成智能系统，但仅使用简单的二维单层脑细胞培养作为概念证明，难以复现真实大脑的复杂性。



在过去的十年中，脑细胞培养发生了一场革命，从传统的单层培养转向更像器官的、有组织的3D培养——即大脑类器官。对此，约翰·霍普金斯大学动物实验替代方案中心已经生产出这种具有高度标准化和可扩展性的大脑类器官。这些大脑类器官的直径在500 μm以下，由不到10万个细胞组成，大约是人类大脑体积的300万分之一，理论上相当于拥有800MB的内存。此外，其他研究小组也报道了平均直径为3-5毫米的大脑类器官，其培养寿命可超过1年。

有趣的是，虽然仍处于初期阶段，但这些大脑类器官展现出了在生物计算方面的巨大潜力。
首先，这些3D培养的大脑类器官具有与真实大脑相似的细胞密度，远高于此前的单层二维培养。
其次，这些大脑类器官大多表现出自发的电生理活动和对电刺激的反应，证实了活跃突触的存在，甚至表现出与人类早产儿脑电图（EEG）相当脑电波模式。
再者，这些大脑类器官中约40%的轴突髓鞘化，与人脑（50%）接近，髓鞘的形成将导电性提高了大约100倍，这有望提高大脑类器官的生物计算性能。最后，这些大脑类器官可以富含参与生物学习的各种细胞类型，即少突胶质细胞、小胶质细胞和星形胶质细胞，进一步提高其学习和记忆能力。
得益于新技术的发展，使得基于大脑类器官开创生物智能技术用于复杂任务的认知、学习和记忆成为可能。基于此，Thomas Hartung 教授创造了术语“类器官智能”（Organoid Intelligence，OI）来描述这一新兴领域，旨在将类器官智能（OI）建立为一种真正的生物计算形式，释放脑类器官在生物智能上的巨大潜力！

研究人员在国际学术期刊《人工智能前沿》（ Frontiers in Artificial Intelligence）杂志上发表标题为《建立类器官智能社区的首个类器官智能 (OI) 研讨会》（First Organoid Intelligence (OI) workshop to form an OI community）文章，描述了实现这一愿景的路线图。
“我们将这个新的跨学科领域称为‘类器官智能’(OI)，”上述文章的通讯作者、美国约翰·霍普金斯大学布隆伯格公共卫生学院教授Thomas Hartung表示。上述文章称，意识到类器官研究的巨大潜力后，美国约翰·霍普金斯大学于 2022年2月22日至-24 日组织了第一个类器官智能研讨会，由此形成了一个类器官智能（OI ）研究社区，并通过了探索类器官智能的巴尔的摩宣言。
该宣言呼吁国际科学界探索基于人脑的类器官细胞的潜力，促进我们对大脑的理解，并探索生物计算新形式，同时认识到和解决相关的伦理问题。会议的参与者以与术语“人工智能”(AI，Artificial Intelligence)一词一致的方式，创造了“类器官智能”(OI，Organoid Intelligence)一词来描述这种研究和开发方法。
“人工智能”被用于描述计算机能够执行通常需要人类智能的任务。OI具有广泛而深远的应用潜力，可以造福人类和我们的星球。该宣言称，OI有望阐明人类认知功能（如记忆和学习）的生理学。它为生物和混合计算提供了改变游戏规则的机会，可以克服硅基计算的重大限制。它提供了在大脑和机器之间的接口方面取得空前进步的前景。最后，OI可以在建模和治疗痴呆症和其他神经生成性疾病方面取得突破，这些疾病会在全球范围内造成巨大且不断增长的疾病负担。实现OI改变世界的潜力需要科学突破。 我们需要人类干细胞技术和生物工程的进步，以重建大脑结构，并模拟其潜在的伪认知能力。我们需要突破接口技术，让我们能够向类器官传递输入信号，测量输出信号，并采用反馈机制来模拟学习过程。我们还需要新的机器学习、大数据和人工智能技术，来让我们了解大脑类器官。除了应对这些科学和技术挑战外，我们还需要（尽可能）预见并解决与这项研究相关并且很大程度上未被探索的伦理挑战。我们必须警惕类器官发展出意识的形式或方面的任何可能性，并减轻和防范这种情况。我们呼吁科学界加入我们的旅程。只有通过合作，我们才能充分发挥 OI 推动科学、技术和医学发展的潜力。



上述研究计划的领导者之一、Thomas Hartung教授认为，计算和人工智能一直在推动技术革命，但它们正在达到天花板。因此，早在2012年，Hartung实验室就开始将人类皮肤样本细胞重编程为胚胎干细胞样状态，培养脑细胞并组装成功能性类器官。每个这样的类器官包含约5万个细胞。
研究团队表示，一种由人脑细胞驱动的“生物计算机”可能在我们有生之年被开发出来。这些脑类器官只有笔尖大小。
脑类器官是一种实验室培养的细胞培养物。尽管它不是“迷你大脑”，但拥有大脑功能和结构的关键方面，例如拥有神经元和其他对学习和记忆等认知功能至关重要的脑细胞。此外，虽然大多数细胞培养物是扁平的，但类器官具有三维结构，这使其细胞密度增加了1000倍，意味着脑类器官中的神经元可以形成更多的连接。“虽然硅基计算机在数字方面更好，但大脑更擅长学习”，Hartung解释说。大脑不仅是优秀的学习者，它们也更节能。例如，训练 AlphaGo 所花费的能量，超过维持一个活跃的成年人十年所需的能量。
Hartung补充道，“我们正在达到硅基计算机的物理极限，因为我们无法将更多的晶体管封装到一个微型芯片中。但是大脑的连接方式完全不同。它有大约1000亿个神经元。”神经元通过大量的连接点相连，“与我们目前的技术相比，有巨大的功率差异。”“大脑还具有惊人的信息存储能力，估计为 2500TB（注：1TB=1024GB）。


根据Hartung的说法，目前的大脑类器官太小了，“每个包含大约 50,000 个细胞。对于OI，我们需要将这个数字增加到1000万。”他解释道。
与此同时，作者们也在开发与类器官交流的技术：换句话说，向它们发送信息，并读出它们的“想法”。
作者设想，最终 OI 将整合不同的刺激和记录工具，以及类器官网络的交互，实现更复杂的计算。
“有了OI，我们也可以研究神经系统疾病的认知方面，”Hartung说。“例如，我们可以比较来自健康人和阿尔茨海默氏症患者的类器官的记忆形成，并尝试修复相对缺陷。我们还可以使用OI来测试某些物质（例如杀虫剂）是否会导致记忆或学习问题。”
尽管OI仍处于起步阶段，但该文章的署名作者之一、署名单位为澳大利亚皮质实验室的Brett Kagan博士最近发表的一项研究提供了概念证明。他的团队发表论文称，正常的、扁平的脑细胞培养物可以学习玩电子游戏Pong。



当然，从技术层面上，想要构建一个实用的类器官智能（OI）系统仍需要完善许多具体细节，发展和应用新技术是其中的关键。
首先，通过微流控灌注系统模拟真实大脑的结构和培养环境。人脑的复杂结构很大一部分得益于致密、丰富的脉管系统，因此，如何在大脑类器官中复刻这一系统对于其功能十分重要。对此，集成微流控灌注系统可以支持可扩展的、持久的培养，同时通过3D时空控制来传递化学信号，这些将保证大脑类器官的内稳态和生存能力，允许其拥有更高的细胞密度、更丰富的胶质细胞和更加可调控的基因表达。


其次，通过3D微电极阵列记录高分辨率的时空电生理信号。在此，科学家们正在开发专门为类器官设计的新型3D微电极阵列接口，类似于记录头皮脑电模式的脑电图帽。此外，Thomas Hartung 教授还设想了更为先进的高分辨率植入式电生理记录设备，允许探测器进入类器官内部以进一步提高信号分辨率。这些新型设备可以在类器官的整个表面甚至内部进行多通道刺激和时空记录，以此探索脑类器官的功能，概括学习和记忆形成的分子机制，并最终揭示其计算潜力。

再者，通过人工智能（AI）分析、关联类器官智能（OI）系统的输入与输出。OI系统的运行将产生大量的数据，如此庞大的数据集只有AI才能处理分析。具体来说，Thomas Hartung 教授认为必须探索以下两个路径将OI输入与输出联系起来：通过AI算法量化脑类器官的功能和结构变化；通过多元因果模型将量化的类器官变化与输出变量联系起来
最后，构建服务于类器官智能（OI）系统的大数据存储基础设施，创建OI社区。研究OI所需的大数据生态系统需要：实验数据和元数据的标准化，建立在现有的标准，例如BIDS或NWB；稳定、可重复、标准化的处理管道，可扩展到大型电生理数据集；高效、可访问和开放的数据存储，可能利用现有的云存档，如OpenNeuro或DANDI；多模态OI数据集的潜在发展，为社会建立标准、参考数据集。


值得注意的是，实现类器官智能（OI）系统需要将计算机、类器官和外界环境有机地整合到一起，其中，类器官可以作为外界环境与计算机的实体介质，这将需要优化类器官与计算机（或AI）相互作用的算法。

由此看来，AI与OI的关系并不是对立的，而是互补的，AI的目标是使计算机更像人脑，而OI研究探索如何使3D脑类器官更像计算机。AI和OI相辅相成，AI的进步有助于更好地理解脑类器官的学习和记忆过程，而OI的发展也有可能解锁新的神经模拟AI算法，克服当前AI的限制，并帮助开发新的脑机接口技术。
OI的发展需要不断探索、应用和完善神经系统学习框架理论。到目前为止，已经提出了许多理论来解释在基本层面上神经系统是如何处理和响应信息的：第一个分支的理论侧重于神经系统是如何在结构和功能上组织的，这些理论旨在解释大脑中难以置信的复杂组织如何导致其最终功能，为优化OI输入和解码输出提供了机会。第二个“优化”理论类别通常关注系统或代理如何在动态环境中保持稳态。
OI系统还需要评估自身智力的方法——即理解开环和闭环环境中类器官智能行为的计算方法：开环包括将信息输入细胞并测量反应，而闭环扩展了开环环境，包括对神经系统关于系统活动结果的反馈。


不仅如此，为了构建更复杂的OI系统，可以将脑类器官与各种类型的输入输出刺激和记录接口相结合，如视网膜类器官，形成一个复杂的类器官网络。这将使我们了解OI系统的实时控制潜力。

除此之外，合理利用突触可塑性分子生物学的进展对于优化OI系统至关重要。首先需要了解介导突触传递的神经递质受体的编码基因，类器官的神经递质传递机制将是理解学习所必需的信号级联和突触可塑性的重要组成部分。其次，类器官表达IEGs是很重要的，它介导对记忆巩固至关重要的突触过程，并在成人神经元处理信息时迅速转录。这些机制将为OI建立生物学基础，并解决有关类器官发育状态的不确定性及其作为信息处理记忆单元的潜在用途的问题。



值得一提的是，在胎儿发育12周时，其大脑的重量约为3g，体积约为3.5ml，在胎儿端脑的新皮层部分有3×109个细胞。相比之下，目前大脑类器官的培养直径在500μm以下，细胞数量不到10万个。然而，人为添加生长因子加速了大脑类器官的成熟，因此在培养10周时，大脑类器官显示出一些早于正常发育进程的特征，如髓鞘形成。此外，信息输入的刺激可能导致非常不同的类器官发育，而且类器官的训练需要更长的培养时间，这些都可能增强认知能力。
大脑类器官研究引起的伦理问题主要集中在创造可能表现出意识的实体的问题上。类器官能感受到疼痛吗？如果是的话，它们会产生“痛苦”这种感觉吗？即使只是最基本的痛苦？这些担忧将在OI的发展过程中持续增加，因为随着OI系统的发展，作为其核心的脑类器官在结构上会变得更加复杂，它们是否会在不断接受信息输入、产生结果输出的过程中建立原始记忆，甚至产生自我意识？这些都有待进一步评估和验证。



来源：内容由半导体行业观察（ID：icbank）编译自allaboutcircuit。
最近，瑞士初创公司FinalSpark 推出了 Neuroplatform，一种利用湿件计算和类器官智能进行“生物处理”的先锋方法。
研究人员首次可以使用在线远程平台对生物神经元进行实验。瑞士生物计算初创公司 FinalSpark 推出了 Neuroplatform 项目，该项目利用 16 个人类脑类器官开发所谓的世界上第一个活体处理器，也称为生物处理器。与传统处理器非常相似，这些生物处理器可以学习和处理信息，但消耗的电量却少了一百万倍。
这项研究属于湿件计算类别，该类别结合了硬件、软件和生物学。湿件一词来自“湿软件”，指的是生物体内的软件，即 DNA 中包含的指令。与湿件计算类似，类器官智能是一个专注于使用人类脑细胞的 3D 培养物进行生物计算的领域。
FinalSpark 的研究涉及湿件计算和类器官智能，因为它使用活体神经元进行计算。虽然该概念与当今计算中使用的人工神经网络 (ANN) 非常相似，但必须为这些生物系统开发新方法。
FinalSpark 的远程生物计算平台依靠硬件来维持体内平衡、监测环境参数并进行电生理实验。用户可以使用图形用户界面 (GUI) 或通过 Python 脚本与硬件交互。仔细观察硬件，FinalSpark 的Neuroplatform系统使用四个多电极阵列 (MEA) 来捕获细胞活动的实时测量值。它还包括刺激和记录彼此之间电活动的电极。闭环微流体系统提供神经元培养基以维持 MEA 上类器官的生命。该平台还利用每个 MEA 的摄像头来捕捉静态图像或视频录制。最后，Neuroplatform 使用紫外线控制的笼状系统释放具有特定波长的光的分子，当分子笼中含有神经活性分子时，这些分子笼会破裂。
尽管 FinalSpark 的神经平台中的材料与传统计算不同，但两者之间的许多概念仍然相同。
FinalSpark 神经平台中的电极和传统处理器中的晶体管都是处理电信号传输的基本组件。在处理器中，晶体管打开和关闭以创建二进制数据，而 MEA 系统中的电极则记录和刺激生物物质中的电活动。MEA 系统可以测量和记录实时细胞活动，类似于处理器处理实时数据的方式。这两个系统都会收集数据、处理数据，并可能根据数据采取行动。

用于维持类器官的闭环微流体系统有点类似于传统处理器中的冷却系统。这两个系统对于维持各自计算主机的最佳运行条件都是必不可少的。
Neuroplatform 系统中的摄像头可以捕捉图像或视频，这可以被视为一种诊断工具，类似于监控软件跟踪计算机处理器性能的方式。虽然 FinalSpark 的 Neuroplatform 和传统数字处理器在使用电信号和实时数据处理能力方面有一些相似之处，但它们的构造、用途和操作机制有所不同。
数字处理器和生物处理器之间的一个鲜明对比是它们的可持续性和降低功耗的潜力。虽然单个 LLM（例如 GPT-3）需要 10 GWh（相当于欧洲公民年消耗量的 6,000 倍），但人脑以大约 860 亿个神经元运作，仅消耗 20 W 的功率。这表明，如果有一天生物处理器可行，它可以作为 ANN 的可持续替代品。
Neuroplatform 的访问对于研究目的而言是免费的。这允许参与者对生物网络进行实时实验并在自己的实验室中复制结果。FinalSpark 的基础设施目前仅允许七个研究小组同时使用该平台，但该公司正在扩大硬件以容纳更多用户。这种拥有数百或数千个用户的系统的可扩展性尚不清楚。
https://www.allaboutcircuits.com ... t-living-processor/