培养皿里还可以打乒乓球？！

万圣节之际，我在 X 上刷到 Alex Ksendzovsky 的一条帖子。他帖子里说的「我们」，指的是一家叫 The Biological Computing Co.（下文简称 TBC）的公司：

for four years, we've been brewing real brain cells on electrodes to understand how they compute. now, we've turned those discoveries into a video model anyone can use.

（四年来，我们一直在电极上培养真实的脑细胞，想弄明白它们怎样计算。现在，我们把这些发现变成了一个人人都能用的视频模型。）

这条帖子的最后写着「biocompute is real, commercial and this is just the beginning（生物计算是真的，已经商业化了，而这只是开始）」，再后面跟了一句 happy halloween。

看到 biocompute 这个词儿，我想起来的是自己早前欠下的一篇文章。去年十一月，我在公众号写过一篇《未来的操作系统会是什么模样？》，结尾顺手给自己立了个 flag：

之后我会写一写我所了解到的「生物计算」是个啥玩意儿，和 CPU、RAM 有直接关系，就在这儿先给自己立个 Flag！

去年十一月初，跟 Gemini 聊到生物计算的时候，我对它几乎一无所知，只是好奇，于是一路追着问下去：「生物计算，具体是什么呢？」「所以，第一台生物计算机出现了吗？」「为什么这样的产品能源消耗更低呢？」「那用户交互的界面是什么样的？」「世界上真正占大头的是普通人，生物计算对他们而言意味着什么呢？」…后来我忙着做别的事情，脑子里已经想好怎么写的想法也没来得及记下来，就这样，这个 flag 被我晾了快一年。

今天，我把当年的问题一个个捞回来，去翻原始的论文、公司自己写的技术文章，还有行业报告，甚至研究者们在 X 上留下的争论…合计着来做一个系列，预计会有三篇。那这第一篇先来回答我最开始好奇的那个问题，生物计算到底是什么；以及，活的细胞要在什么条件下，才能参与一次计算。

01 同一个词儿之下的几条路

同一个「生物计算」之下，其实有几条很不一样的研究路线。

第一条路线，是让活的神经元直接参与到计算里去。研究者把神经细胞培养在布满电极的芯片上，用电刺激把信息送进去，再从它们的电活动里把反应读出来，这样一来，细胞本身就成了计算的一部分。2022 年那个让神经元玩乒乓球的 DishBrain 实验就是这么做的，今年 2 月加州大学圣克鲁兹分校让类器官去平衡一根虚拟杆子，也是这么做的；瑞士公司 FinalSpark 更进一步，把这样的实验做成了远程平台，澳大利亚公司 Cortical Labs 则干脆把它做成一台可以买回实验室的机器，叫 CL1。还有印第安纳大学的团队，2023 年做过一个叫 Brainoware 的系统，他们把一团脑类器官放在电极上，输入的信号会在它内部激起一阵复杂、还带着短暂余波的电活动，研究者并不去管里面发生了什么，只在外面训练一个读出层，把这些活动翻译成答案，这种做法叫储备池计算（reservoir computing），他们拿它做了语音识别和预测混沌方程的概念验证。

第二条路线，是 TBC 这样的做法。神经元只在实验室里被观察，研究者去测量它们怎样处理信息，并从中归纳出一些规律，再写进普通的 AI 软件。所以 Alex 帖子里那个「人人都能用的视频模型」，生成视频的时候并不会经过任何一个活细胞，这背后相关的内容…后续的文章里会细说。

第三条路线，走得比前两条路都要早得多，它用的是分子。1994 年，计算机科学家 Leonard Adleman 在试管里用 DNA 解了一道题，题目是在一张有 7 个顶点的图里，找出一条恰好经过每个点一次的路径。他的办法是让代表不同路段的 DNA 片段在溶液里自己拼接，拼出所有可能的路线，再一步步把不符合条件的筛掉。论文里写，这次计算大约花了 7 天的实验室工作，光是用磁珠分离那一步，就在实验台前站了一整天。而三十多年后的今年 9 月，《Nature》上发表了一台「支架式 DNA 计算机」，跑通了 10 个程序，其中一个是把两个 25 位二进制数相加，小规模的计算一分钟之内就能完成，同一套材料还能重复用上几十次。

这几条路之外，还有一个常被拿来讨论的例子。2000 年，日本学者中垣俊之把一种叫多头绒泡菌的黏菌放进迷宫，在入口和出口各放一点食物，黏菌的身体先是铺满整个迷宫，过一阵子，又收缩成连接两处食物的最短通路。它没有神经元，也谈不上「想」，可它确实解出了一道最短路径的题——「计算」这个词儿，在这里被拉宽到了一种身体形态的变化上。

02 一张并排摆开的时间表

把这些探索 / 研究工作按年份整理一一排列下来，或许有人会把它们当成一条一路升级的技术路线，但其实它们更像是各自回答着不同的问题，只是被同一个词儿串到了一起。

最早把大脑和计算机放在一起说道的，是冯·诺依曼。1958 年，他的遗作《The Computer and the Brain》（计算机与人脑）出版，那是他为一次讲座准备、却没能来得及讲的稿子。他在书里写过一个类比，人脑大约耗能 10 瓦，摊到上百亿个神经元头上，每个神经元只有十亿分之一瓦左右，而一根真空管要 5 到 10 瓦，一个晶体管也要零点几瓦；按他当时的估算，天然的元件在能耗上领先人造元件八九个数量级，人造元件则在速度上领先四五个数量级。这些数字放到今天已经不能直接拿来用了，可大脑「省电但慢」、机器「快但费电」的这个印象，从那时起就一直被人提起。

之后的几十年里，几条路各走各的。1994 年 Adleman 用 DNA 做了计算，2000 年黏菌走出了迷宫；到了 2013 年，奥地利科学院分子生物技术研究所的 Madeline Lancaster 等人在《Nature》上发表了用干细胞培养大脑类器官的方法，那时候他们是为了研究人脑发育和小头症，和计算机还没有什么关系。再往后，2022 年，DishBrain 让一盘神经元玩起了乒乓球；2023 年，约翰斯·霍普金斯大学的研究者提出了「类器官智能（organoid intelligence）」的研究 roadmap（路线图），同一年有了 Brainoware，也有了围绕 DishBrain 的那场争论；2024 年，FinalSpark 发表了他们远程平台的论文；2025 年 3 月，Cortical Labs 在巴塞罗那发布 CL1，据当时的报道，单价约 3.5 万美元。而到了 2026 年，平衡杆实验、新加坡国立大学用 20 台 CL1 搭起来的研究原型、DNA 计算机和 TBC 的视频模型——在这一年里先后出现。

03 怎样和一群神经元「说话」

上面几条路线里，我最好奇的是第一条路线。一盘细胞，到底要怎样才能参与计算？带着这个问题，我去读了 DishBrain 的原论文。

研究者把小鼠胚胎皮层的神经元，或者由人类干细胞分化出来的神经元，培养在一块高密度的微电极阵列上。这些电极既能给细胞施加电刺激，也能记录细胞自己放出的电信号，「说」和「听」的通道就这样都有了。

接下来，就是开头所说的让神经元玩乒乓球了。准确地来说，是最古老的电子游戏之一 Pong——屏幕两边各有一块板子，来回接一个球。芯片上划出一小片区域当作「感觉区」，一共 8 个电极，球在哪里、离板子多远，就转换成这几个电极上不同位置、不同频率的刺激，这一步叫编码；另外还划出两片「运动区」，哪一片的电活动更强，屏幕上的板子就往上或往下移动，这一步叫解码。

至于怎么告诉神经元打得好不好，靠的是反馈。板子接住了球，所有电极会同时收到一阵很短、频率固定、可以预料的刺激；没接住球，神经元收到的就是一段持续 4 秒、毫无规律的刺激，然后球再从一个随机的方向重新发出来。这个设计来自论文作者之一、神经科学家 Karl Friston 提出的「自由能原理」，大意是说，神经系统会倾向于让自己接收到的输入变得更可预测，那么如果「没接住」球总会带来一阵混乱的输入，一群神经元也许会慢慢调整自己的活动，多去接住几个球。

为了说明变化真是来自这套闭环，论文设了好几组对照，有只放培养液、没有细胞的芯片，也有细胞照样控制板子、却收不到球的位置信息的「休息」组，还有用随机噪声驱动板子的纯电脑模拟组，此外也比较了有反馈和没有反馈的不同对照。论文报告中有写，五分钟之内——就观察到了它所说的 apparent learning（表观上的学习），有反馈的培养物——接球的表现比对照组提升得更明显。

04 论文发表后的那几天

论文的标题叫〈In vitro neurons learn and exhibit sentience when embodied in a simulated game-world〉（体外神经元在被嵌入模拟游戏世界时会学习并表现出感知能力）。我请 Grok 去 X 上翻了翻当年的讨论，才知道论文发表后的那几天，争论就已经在研究者之间展开了。

最先发声的，是研究意识的神经科学家 Anil Seth，他发了一串帖子，说自己非常欣赏这项工作，却担心标题里的 exhibit sentience，因为大多数人会把它解读成某种最低限度的意识；他写道，「There is no reason to suppose that … DishBrain experiences anything at all（没有任何理由认为 DishBrain 体验到了任何东西）」。哲学家 David Chalmers 在和论文作者的对话里也说，大多数人读到的是标题，而不是作者在论文中给出的定义。

过了几天，NeuroAI 研究者 Patrick Mineault 又从另一个角度提出批评，他关心的则不是用词，而是证据本身，「The effect size is tiny, the experimental controls are pretty barebones（效应量很小，实验对照相当简陋）」。在他看来，对照组只用了「不刺激」，更有意义的做法是去改变噪声或奖励的结构，那样才更能说明细胞到底在对什么作出反应。论文的通讯作者——Cortical Labs 的 Brett Kagan 就直接在他的帖子下回复说，「There were five distinct control groups（我们有五个不同的对照组）」，还反问他觉得漏掉了哪些必要的对照。不过对照组有几组，和这些对照能不能排除某一种具体的替代解释，其实是两个问题，如果读了论文会更明白些。

到了第二年春天，一群神经科学家在《Neuron》上联名发表了一封批评信，Kagan 团队也在同一期写了回应，说他们是在某种有所限制的意义上使用 sentience 这个词儿的，并没有想夸大实验的结论；同领域的研究者 Nicolas Rouleau 则在 X 上替论文说话，认为那封批评信严重误解了这项工作。

把这些帖子和那封信放到一起来解读，其实是——这项实验被不同的人同时往几个方向扯开来推敲。有人有担忧，这个词儿会被公众读成什么；有人提出疑问，这些对照够不够排除别的解释；还有作者的回答，对照组其实有五组…这些争论最终没有一个简单粗暴的结论，可它们让「一盘细胞学会了接球」这句话的边界变得更清楚了一些，它说的是在这套闭环和这些指标下，那些细胞的表现发生了符合学习特征的变化，至于细胞「懂不懂」游戏、有没有体验，实验还没有给出答案。

后来，Kagan 团队的合作者 Adeel Razi 在 2024 年的一篇预印本里，拿培养神经元和几种深度强化学习算法做比较，在大约 70 局（游戏）、20 分钟的同等条件下，培养神经元的表现更好。不过论文自己也说，这 70 局游戏对这些算法来说远远不够，延长训练之后，算法也都学会了；能耗也没有测过，只留了一句「difficult to directly compare energy consumption（很难直接比较能耗）」。

05 学会了，却记不住

今年 2 月发表在《Cell Reports》上的平衡杆实验，换了一种细胞、一种任务，也把「学会」这件事说得更细节了。

加州大学圣克鲁兹分校的团队用小鼠干细胞培养出一团团三维的皮层类器官，让它们去平衡一根虚拟的杆子，就像把一把尺子竖在手心里，不让它倒下。杆子倾斜的角度被编码成电刺激送进类器官，类器官的电活动又被解码成推向小车的力。和 DishBrain 不同的是，类器官在平衡杆子的过程中收不到任何训练信号，只有当一局游戏结束、而且最近几局游戏的表现都没有进步时，才会让强化学习算法介入，由它决定该刺激哪几个神经元，然后给它们送去一组训练信号。论文的第一作者 Ash Robbins 把这个算法比作一位在旁边提醒「你做得不对，往这边调一点」的教练。

在几种训练方式轮流进行的实验中，有这位教练挑选信号时，达到熟练标准的训练周期占 23.1%，随机给信号的是 4.5%，什么都不给的是 2.3%；另一组只用教练、连续训练的实验里，这个比例达到了 46.4%。要注意的是，这里的百分比指的是达到熟练标准的「训练周期」占了多少，并不是说有多少个类器官学会了平衡杆子。

只是这份进步，撑不过一次休息——实验的节奏是训练 15 分钟、休息 45 分钟。学校的新闻稿里写，休息过后，类器官的表现又回到了基线，刚才练出来的那点进步，就这么昙花一现了。团队里的 David Haussler 推测，也许要用更复杂的类器官，比如包含了大脑里多个和学习有关的区域，才能像动物那样把学到的东西给保留下来；他也特意说明，团队的目标是推进大脑研究和神经疾病的治疗，并不打算用实验室里长出来的动物脑组织去替代机器人控制器或者别的计算机。

「记不住」之外，还有「每一盘都不一样」。FinalSpark 在论文里回顾，他们的平台运行了四年，换了 250 多次类器官，前后测试了一千多个；最初一个类器官只能活几个小时，改进了培养液的循环系统之后，最好的能活到 100 天左右。而且，一个类器官自发的电活动会随着它的寿命变化，想让它放电，所需的最小电流也会越来越大。对一台普通计算机来说，同样的输入每次都给出同样的输出，是理所当然的事情。可活细胞不一样，同一盘细胞，今天和昨天的反应就可能有差别，换一盘，又是另一番样子。

06 类器官不是一颗小脑袋

看到「脑类器官」这几个字，我会联想到一颗缩小版的大脑，泡在培养皿里思考。不过，类器官是由干细胞在三维培养中自己长出来的一小团组织，虽然会形成某些和大脑相似的细胞类型和层次结构，但它通常只有几毫米大，没有血管，没有来自眼睛、耳朵和身体的输入，也没有一个完整大脑里各个区域之间的连接。Lancaster 当年培养它，就是为了在培养皿里观察人脑发育早期发生了什么，比如前文提到的小头症，研究患者的大脑为什么会长得比较小。

培养皿和大脑之间的差别，研究者自己也常常提起。Rouleau 去年 12 月在 X 上写过，培养皿里的单层神经元和类器官常常会整片同时放电，这种齐发的放电在培养皿里非常典型，放在动物的大脑里，却是病理性的，「There, we call them seizures（在那里，我们把它叫做癫痫发作）」。所以在他看来，想用培养皿研究大脑，就得想办法让这些细胞重新拥有某种「身体」，也就是获取持续的输入和反馈。

细胞的来源也各不相同，DishBrain 同时用了小鼠和人类来源的神经元，平衡杆实验用的是小鼠干细胞培养出的类器官，而 CL1 用的，据报道是由成年捐献者的皮肤或血液细胞重新编程得到的人类神经元。研究者和伦理学者至今还在讨论，这样的组织复杂到什么程度时，才需要我们认真考虑它有没有某种体验——这个话题留到本系列中的第三篇再做展开。

综上，当年我好奇的第一个问题算是有了一些答案。生物计算是一组形式各一的尝试，有的让活细胞直接参与计算，有的只从细胞身上取经，有的干脆绕开细胞、用分子来算。那在让活细胞参与计算的那一条路上，一组二维培养的神经元在闭环反馈里，几分钟内就出现了表观上的学习；而另一组三维类器官在教练的帮助下，平衡杆子的表现有了短时的进步，可这份进步也没能撑过 45 分钟的休息。这么说来，要让一盘活细胞参与计算，需要电极、编码、解码、反馈规则，还需要一整套让它活下去的条件。

OK，一个新的问题又冒出来了，既然它这么难伺候，为什么这几年越来越多人开始研究它，甚至有人认真地把它做成了商品呢？下一篇，我想从电这个日常得不能再日常的事物说起。