在這個AI技術突飛猛進的時代，人工智能已經能夠完成寫詩、作畫、下棋等復雜任務。但你知道嗎？科學家們正在嘗試一種全新的AI研發(fā)路徑——讓體外培養(yǎng)的“迷你大腦”來參與智能系統(tǒng)的構建！這就是最近引發(fā)轟動的“腦類器官智能（也稱為芯上腦）”研究。

近日，由國科溫州研究院帥建偉團隊與復旦大學馬麗香、賽音賀西格、劉靂宇團隊以及溫州醫(yī)科大學李校堃院士、王周光團隊聯合攻關，在bioRxiv發(fā)表文章"MAIS: an in-vitro sandbox enables adaptive neuromodulation via scalable neural interfaces"，在芯上腦研究領域取得重大突破。

為什么選擇體外培養(yǎng)的“迷你大腦”？
科學家們發(fā)現，傳統(tǒng)計算機雖然在計算速度和精確度上遠超人類，但在某些領域，比如學習、適應和創(chuàng)造性思維——仍然難以匹敵生物大腦。于是，一種全新的研究方向應運而生：利用實驗室培養(yǎng)的“迷你大腦”（腦類器官，圖1-2）來構建更接近人類智能的系統(tǒng)。

圖1. 腦類器官的體外培養(yǎng)過程（圖引自：
Yang Q, Hong Y, Zhao T, et al. What Makes Organoids Good Models of Human Neurogenesis? Front Neurosci. 2022.）

圖2. 體外培養(yǎng)的“迷你大腦”（腦類器官）（圖來源：https://edition.cnn.com/2021/02/11/americas/brain-organoids-neanderthal-study-scn/index.html）

這些由干細胞培育而成的微型神經組織，雖然只有幾毫米大小，卻擁有令人驚嘆的三大優(yōu)勢： 

1. 超強學習能力：自我優(yōu)化的生物神經網絡
人腦最神奇的特性之一就是“神經可塑性”——它能根據經驗不斷調整神經連接，優(yōu)化信息處理方式。比如，當你學習一項新技能（比如騎自行車）時，大腦會通過強化相關神經通路來提升熟練度。“迷你大腦”保留了這種能力，能夠在電刺激或外界信息的引導下自主調整突觸連接，實現類似"學習"的過程。 

相比之下，傳統(tǒng)AI依賴預設算法和海量數據訓練，一旦遇到超出訓練范圍的情況就可能“死機”。而“迷你大腦”則能像生物大腦一樣，在動態(tài)環(huán)境中自我適應，在復雜任務中表現出更強的適應能力。 

2. 超低能耗：生物計算的節(jié)能奇跡
人類大腦的能耗極低——僅約20瓦，相當于一盞節(jié)能燈的功率，卻能完成語言、推理、情感等復雜認知功能。相比之下，訓練一個大型AI模型（如GPT-3）可能消耗數百萬倍的能量。腦類器官繼承了這種高效能特性，其神經元通過離子通道和化學信號傳遞信息，而非依賴硅基芯片的電子運算，因此在執(zhí)行相同任務時能耗極低。 

這一優(yōu)勢對未來AI發(fā)展至關重要。隨著算力需求爆炸式增長，傳統(tǒng)計算機的能耗問題日益嚴峻，而腦類器官可能提供一種可持續(xù)的替代方案。

3. 直覺判斷：處理模糊信息的天然優(yōu)勢
人類大腦擅長在信息不全的情況下做出合理推斷（比如識別人臉、理解模糊語言），而傳統(tǒng)AI遇到此類問題往往需要大量標注數據和復雜算法。腦類器官的神經網絡具有生物系統(tǒng)固有的隨機性和非線性特性，能夠更靈活地處理不確定性。 這種“直覺式”決策能力，在醫(yī)療診斷、自動駕駛等現實場景中極具價值——畢竟，真實世界充滿噪聲和意外，而生物智能恰恰擅長應對這種復雜性。 

“迷你大腦”潛力無限
“迷你大腦”具有電子計算機無法比擬的三大優(yōu)勢：
⚫ 自我學習
⚫ 超低能耗
⚫ 直覺判斷

這些無可替代的特征使“迷你大腦”成為下一代AI研究的理想載體。雖然目前技術仍處于早期階段，但這項突破已經證明，生物神經網絡與電子系統(tǒng)的融合，可能開啟一個全新的“混合智能”時代。

芯上腦的研究進展
“芯上腦”指的是在芯片上培養(yǎng)“迷你大腦”所形成的系統(tǒng)，它既具備生物學的動態(tài)性，又具備半導體技術的可控性，可以實現神經電活動的實時監(jiān)測與調控，模擬大腦的神經網絡功能，為研究腦科學、開發(fā)腦機接口及類腦智能提供實驗平臺。近年來，芯上腦智能研究取得了一系列進展。

2022年一篇轟動性的論文發(fā)表于Neuron雜志，在這一工作中，研究人員僅用了5分鐘時間就讓培養(yǎng)的人源iPSC神經元學會了玩打乒乓球的經典電子游戲《Pong》（圖3），比硅基的AI系統(tǒng)快了17倍。

圖3. 經典電子游戲《Pong》

該研究首次證實體外神經元可在模擬游戲環(huán)境中展現學習能力和感知特性。（見公眾號往期報道——人腦細胞在培養(yǎng)皿中5分鐘學會打游戲，缸中之腦還是黑客帝國？）

Neuron文章中用到的神經組織是2D的培養(yǎng)神經元，而在2024年發(fā)表于Nature Electronics的論文中，來自另一個團隊的研究人員使用了3D的腦類器官來構建他們的AI系統(tǒng)。文章中使用的是從人類多能干細胞誘導的大腦類器官，包含多種類型的神經細胞，并具有和大腦類似的組織結構和功能。研究人員將這種“迷你大腦”種植于Maxwell 高密度微電極陣列芯片上（圖4），該“芯上腦”系統(tǒng)通過電極陣列向“迷你大腦”施加精確的電刺激作為輸入信號，同時實時記錄“迷你大腦”神經網絡產生的動作電位作為輸出響應。

圖4. 芯片上的“迷你大腦”（芯上腦）

研究發(fā)現，該芯上腦展現出獨特的計算能力，可以實現語音識別，且學習效率顯著高于已有的人工神經網絡。（高密度MEA上的人工智能——從2D到3D的迷你大腦）

2025年bioRxiv研究則首次在Maxwell芯片上種植了三個大腦類器官（圖5），并且成功讓這三個“迷你大腦”聯網，實現從“單機模式”到“聯網模式”的升級。經過兩周的“電擊訓練”，它們的信號解碼能力顯著提升。（三個“迷你大腦”聯手更聰明——HD-MEA上的多類器官網絡研究）

圖5. Maxwell芯片上同時種植三個“迷你大腦”

在這三篇論文中，Maxwell的高密度微電極陣列（high-density microelectrode array, HD-MEA）扮演了重要角色。它既能夠同時讀取大量神經元的放電信號作為信息輸出，即讀取“腦”發(fā)出的信號。也能夠給予神經元電刺激作為信息輸入來調控神經元的活動，即將信號傳輸給“腦”。

Maxwell HD-MEA
Maxwell HD-MEA的很多特點使得它受到計算神經科學家及人工智能科學家們的青睞：
3265 electrods/mm²的高密度電極
Maxwell MEA芯片上（圖6）有26400個電極。這樣的密度使其可以記錄2D培養(yǎng)物中幾乎每一個活細胞；而對于3D類器官更為關鍵，因為類器官與芯片接觸面積通常比較小，如此高的密度提供了足夠的記錄位點獲取大量神經元信息。

圖6. Maxwell MEA 芯片

可放在培養(yǎng)箱內進行記錄
這使得在記錄過程中細胞能夠維持良好的生理狀態(tài)，支持反復長期的檢測。
低本底噪音，高信噪比
僅為2.4微伏的本底噪音保證了高質量的讀取信號，使得AI系統(tǒng)獲得足夠豐富的輸出信息。
電極可作為刺激電極
在2萬多個電極中每一個電極都可作為刺激電極給出刺激，這在構建的AI系統(tǒng)中成為重要的信息輸入的媒介。在此，高電極密度也為這種信息輸入提供了高空間分辨率的特性。
可開放API，實現快速實時反饋系統(tǒng) 
 Maxwell HD-MEA可開放API，允許其它軟件的操控，靈活地設計輸入輸出模式，能夠在輸入與輸出間建立實時的反饋。

總結上述芯上腦智能研究的發(fā)展過程，可以清晰地分為三個關鍵發(fā)展階段：
科學家們成功構建了基于二維神經元網絡的初級芯上腦系統(tǒng)，實現了2D芯上腦；

隨后，科學家們突破性地開發(fā)出3D芯上腦模型，更真實地模擬了大腦組織的立體神經網絡結構；

之后，研究取得重大進展，實現了多個3D芯上腦的協(xié)同集成與功能強化，標志著類腦計算技術邁入全新發(fā)展階段。

有趣的問題是，多個3D芯上腦之間能否像人類那樣交流呢？

國科溫州研究院帥建偉團隊與復旦大學馬麗香、賽音賀西格、劉靂宇團隊以及溫州醫(yī)科大學李校堃院士、王周光團隊等通過合作，創(chuàng)新性地開發(fā)了多個腦類器官智能體交互系統(tǒng)（multi-agent interactive system, MAIS），實現了多個芯上腦之間的相互交流，開發(fā)出高速動態(tài)神經信息解碼架構，首次實現實時追蹤與匹配大腦動態(tài)神經編碼，成功構建全球首個自演化腦類器官融合智能生命體研究系統(tǒng)。

圖7. 融合智能生命體示意圖

該系統(tǒng)通過自適應神經調控技術，實現了多個腦類器官的穩(wěn)定互聯與協(xié)同決策。突破了單腦類器官研究的局限，建立了多腦類器官交互的研究范式，為發(fā)展復雜生物智能系統(tǒng)提供了關鍵技術平臺，標志著腦類器官研究從單腦單元向多腦網絡協(xié)作的重要跨越。

MAIS平臺是如何構建的呢？
MAIS平臺由高密度微電極陣列和多個“迷你大腦”共同組成，其構建過程如下：
1、“迷你大腦”的培養(yǎng)：將人誘導多能干細胞（hiPSC）經過定向分化，50天形成具備神經元網絡的“迷你大腦”——皮質類器官（hCO）（圖8a）。通過免疫熒光顯示MAP2（樹突）、SIM312（軸突）陽性，表明其具備生物大腦的結構（圖8b）。
 

圖8. (a)“迷你大腦”的培養(yǎng)示意圖; (b)免疫熒光結果

2、MaxOne芯片與“迷你大腦”連接，構建芯上腦平臺：將hCO進行切片，種植在MaxOne高密度微電極陣列之上（圖9），上半部是類腦種植在多電極陣列之上的示意圖，下半部左圖是類腦切片種植在芯片的顯微陣列圖，右圖是是左圖放大部分，顯示類腦與陣列整合的顯微圖片。

圖9. 類腦種植在MaxOne上

其中Maxone芯片含26,400個鉑電極（間距17.5 µm），支持1024通道同步記錄。既能夠實現單神經元的放電記錄（輸出），也能夠實現神經元的刺激（輸入），從而形成閉環(huán)調控。

動態(tài)實時反饋通路的形成：圖10展示hCOs通過硅基底與MEA芯片連接，可以將hCOs產生的神經信號通過MEA芯片接收并傳輸至外部計算模塊處理。計算芯片中預編程的指令隨后傳回MEA芯片，向hCOs施加靶向刺激，形成實時反饋環(huán)路。而且通過對智能體中的神經元活動演化可塑性的快速實時跟蹤，設計了一種動態(tài)刺激電極方案，該方案可根據人腦類器官動態(tài)生長演化的電生理狀態(tài)進行實時配準，解決了人工靜態(tài)編解碼與生物神經網絡動態(tài)編解碼不匹配的問題，確保了人工與生物的閉環(huán)實時擾動的相容性。
 

圖10. “迷你大腦”hCOs通過硅基底與MEA芯片連接

3、單個智能體強化學習訓練：在單個芯上腦基礎上，作者構建了基于空間強化學習的“紙牌游戲”閉環(huán)決策系統(tǒng)，其架構包含三大核心模塊：
⚫ 刺激編碼將卡牌信息轉化為精準電信號
⚫ 響應解碼實時解析神經元放電特征
⚫ 自適應反饋通過獎懲機制動態(tài)優(yōu)化決策

實驗表明，同步獎勵刺激能誘導神經連接增強（類LTP效應），而隨機懲罰刺激則削弱網絡同步性（類LTD效應），契合赫布學習法則。通過“裁判-玩家”雙角色訓練框架，“迷你大腦”在該游戲中能靈活適應規(guī)則反轉（如“大牌勝”轉為“小牌勝”），并隨著訓練輪數增加腦類器官的勝率逐漸提升。腦類器官神經網絡功能連接分析進一步證實，訓練后神經通路強連接數量增長超百倍。

卡牌游戲規(guī)則：在這個規(guī)則中，“迷你大腦”hCO作為智能體，MEA和計算機構成環(huán)境，hCO在與環(huán)境的互動中產生的spike作為“執(zhí)行的動作”，將電極的不同位置編碼為不同的卡牌（紅2>紅1>黑2>黑1，圖11），根據hCO不同決策，通過MaxOne發(fā)放獎勵（50 Hz規(guī)律脈沖）或懲罰（隨機電擊），訓練hCO決策。
 

圖11. 卡牌游戲規(guī)則

結果：13天后，高相關連接（STTC>0.4）從6條激增至1430條，證明了神經網絡的可塑性（圖12）。

圖12. 網絡可塑性

4、多智能體交互：最后，針對“紙牌游戲”，該團隊創(chuàng)新性地將計算機裁判替換為“迷你大腦”裁判，構建了世界上首個智能體數目可擴展的MAIS。

通過不同設計的交互場景，該團隊驗證了 MAIS 系統(tǒng)能夠實現從單個智能體演化、兩個智能體互作到三個智能體協(xié)作的穩(wěn)定擴展（圖13）。
 

圖13. Solo模式（單智能體模式）→Triple模式（三智能體模式）(a)Solo：單hCO通過最大放電選擇卡牌;(b)Dual：兩hCO競爭，計算機裁決勝負;(c)Triple：引入第三hCO作為“生物裁判”，其放電差異直接決定獎懲

該團隊發(fā)現，在MAIS系統(tǒng)上，相比于帶有精確計算機裁判的雙機智能體互作系統(tǒng)，帶有隨機性的生物智能體裁判的三機智能體協(xié)作系統(tǒng)在通過紙牌游戲訓練后，其腦類器官功能性神經網絡的隨機性連接數量增加。

該研究從單個智能體到兩個智能體到三個智能體的交互設計為“腦聯網”提供了一個可擴展的關鍵基礎架構。

圖14. MAIS系統(tǒng)

研究總結
研究最終突破性地構建了世界上首個可擴展的多腦類器官智能體交互系統(tǒng)（MAIS）。通過將計算機裁判替換為智能體裁判，實現了：
1）從單個智能體到多智能體系統(tǒng)的穩(wěn)定擴展；
2）驗證了雙智能體互作和三智能體協(xié)作的可行性。
相比精確的計算機裁判系統(tǒng)，采用生物智能體裁判的三機系統(tǒng)表現出更高的神經網絡隨機連接性。

文章貢獻、基金支持及致謝
本研究由多學科交叉團隊合作完成。第一作者包括陳浩滿、陳釩萱、陳鑫宇、劉陽、徐俊鵬和李嘉雋；通訊作者為國科溫州研究院帥建偉教授、復旦大學馬麗香教授、溫州醫(yī)科大學李校堃院士、復旦大學賽音賀西格教授、復旦大學劉靂宇教授及溫州醫(yī)科大學王周光教授。
本研究獲得多項國家級基金支持，包括：
⚫ 國家自然科學基金重大項目
⚫ 國家自然科學基金區(qū)域間重點項目
⚫ 國家自然科學基金原創(chuàng)探索項目
⚫ 國家杰出青年科學基金項目
⚫ 國家"萬人計劃"專項基金
⚫ 國家自然科學基金面上項目
⚫ 科技部"科技創(chuàng)新2030"重大項目

特別鳴謝Intelligent Imaging Innovations和禮智生物科技有限公司，尤其感謝禮智生物提供的Maxwell HD MEA技術。

原文鏈接：https://www.biorxiv.org/content/10.1101/2025.03.15.641656v3