简介：本文深入解析生物混合计算领域的最新进展：研究团队利用多电极阵列与脑类器官构建实验性计算平台，成功让体外培养的神经元识别盲文符号，准确率达83%。文章系统梳理了实验原理、信号转换流程、技术挑战及未来应用前景，为关注类脑计算与神经工程的研究者和开发者提供一份严谨的技术参考。
人脑以约20瓦的功率运行，却能够胜任视觉识别、语言处理、运动控制等极其复杂的认知任务。相比之下，当前主流冯·诺依曼架构处理器在运行大规模神经网络模型时，功耗往往达到数百瓦甚至更高。这种数量级上的能耗差距，驱动着研究者不断探索全新的计算范式。
一种受到广泛关注的路径是“类脑芯片”——通过模仿神经元和突触的工作机制来设计硅基电路。但硅基电路无论多么接近生物机制，本质上仍然是电子器件，其信息处理方式与生物神经网络存在根本差异。于是，另一种更为激进的思路应运而生：直接利用活的神经组织作为计算单元，将其与电子设备耦合，构建真正的“生物混合计算”（biohybrid computing）系统。
生物混合计算的核心问题在于：体外培养的神经组织能否作为可靠的信息处理媒介？它能否对外部输入信号进行有效的编码与解码？以及这种系统的稳定性和可重复性如何保证？近期，一项发表于学术期刊的研究成果，用盲文识别任务对上述问题给出了阶段性的回答。
该研究采用的核心实验对象是脑类器官（brain organoid）。这类体外培养的神经组织并非完整的大脑结构，但其内部包含约一万个神经元和胶质支持细胞，形成了可自发放电的神经网络。其直径小于1毫米，置于多电极阵列（MEA）芯片上进行培养和测试。
MEA芯片底部集成数十个微电极，既能够持续记录神经元的电活动，也可以施加外部电刺激。研究团队为类器官构建了一个支持生命维持、信号采集与实时交互的系统平台——Neuroplatform。该平台允许研究者远程控制电刺激参数，并通过软件界面观测培养物的实时放电模式。
盲文（Braille）由排列在2×3矩阵中的凸起圆点组成，不同排列对应不同字母或符号。研究者在一块平板上制作了26个英文字母对应的盲文符号，由机械臂驱动的触觉传感器依次划过每个符号。传感器本质上是高灵敏度的压电或电容式元件，能记录凸起位置带来的微小压力变化。
传感器采集到的原始信号是数字化的时间序列数据，无法直接被神经组织识别。因此，研究团队将传感器的感应面划分为八个分区，每个分区对应MEA上一个或多个刺激电极的激活区域。传感器划过盲文符号时，每个分区被凸点触发的时间和强度被映射为对应通道的电脉冲序列。也就是说，盲文的形状信息被编码成了空间分布的电刺激模式。
这一过程可以简化为以下数学表述：设传感器分区为 S₁, S₂, …, S₈，每个分区输出信号强度为 vᵢ(t)，则第 j 号刺激电极接收的指令为 Iⱼ(t) = Σ Wⱼᵢ · vᵢ(t)，其中 Wⱼᵢ 为预置的连接权重矩阵。这个权重矩阵在初始阶段按随机值配置，随后根据系统输出进行迭代调整。
脑类器官接收电刺激后，会产生相应的放电响应。MEA电极持续记录其局部场电位（LFP）和离散的锋电位（spike）事件。研究团队从原始记录中提取关键特征，包括放电频率、时间峰度、跨通道协同性等，输入到一个轻量级的分类模型中，用以判断系统“正在读取”哪个字母。
实验结果表明，在训练完成后，系统对26个盲文字母的分类准确率达到83%，远高于随机水平（约3.8%）。更重要的是，这一性能是在神经组织真实参与信息处理的前提下获得的——对照组实验将类器官移除，仅将传感器信号直接输入分类器，准确率显著下降，这说明神经组织的非线性响应特性确实在分类过程中发挥了不可替代的作用。
体外神经组织的长期存活是生物混合计算的首要前提。实验过程中，研究者需持续供给氧气、二氧化碳、温度控制以及无血清培养液，任何一项参数漂移都可能导致神经元的空泡化或凋亡。MEA芯片在培养皿中需要实现长期高通量电记录，这要求电极材料具有良好的生物相容性和抗腐蚀性。该实验采用了8个记录电极构成的阵列，中心间距200微米，在类器官表面形成了分布式记录界面。
神经组织对外来刺激的响应高度依赖于脉冲的时间一致性。实验中，刺激系统需要以亚毫秒级精度控制每个电极的脉冲时序。刺激方案采用双相脉冲（biphasic pulse）以避免电荷积累损伤组织。刺激幅值经过精细校准，保证能诱发稳定的钠离子通道开放，同时避免过强的电穿孔效应。
脑类器官的发育过程存在天然的批次间变异性。即使是同一批次培养的类器官，其神经元数量、突触连接密度和自发放电频率也可能出现显著差异。研究团队为此设计了标准化预处理流程：在正式实验前，对每个类器官进行基线记录，筛选出具有可重复响应模式的样本。约30%的类器官因自发放电过于不稳定或对刺激无响应而被排除。
值得注意的是，上述系统的信息流并非完全由生物组织承担。生物神经网络的动态行为是复杂、多变的，难以精确预判。因此，最终的分类决策仍需由传统计算单元完成。这体现了生物混合计算的核心特点：生物部分负责高维非线性特征转换，硅基部分负责统计分类和决策输出。这种协同模式在不同任务中的优势和局限性，正在成为计算神经科学的研究热点。
尽管83%的准确率令人振奋，但距离实用化仍有显著差距。首先，训练过程并非采用传统的反向传播算法，而是依赖于刺激-响应-调制的迭代闭环，收敛速度慢且受生物噪声干扰严重。其次，每次实验后类器官的响应特性可能发生变化，需要重新校准权重矩阵。第三，MEA芯片与类器官之间的物理耦合存在长期稳定性问题，部分电极在数周后信号衰减明显。
一个明确的方向是提升类器官本身的复杂度。目前使用的类器官直径不足1毫米，神经元数量在万级，而人脑拥有数百亿个神经元。类脑计算的规模优势尚未体现。未来若能在体外培养更大的类器官结构，并建立更精细的血管化网络以支持充足供氧，其信息处理能力将有望显著增强。
另一个方向是双向闭环控制。当前系统主要是“信号输入-放电输出”的开环结构。如果将神经放电数据实时反馈到刺激端，形成自我调节的闭环系统，就有可能实现更复杂的可塑性学习机制，甚至实现类器官自身的“记忆巩固”能力。
此外，生物混合计算在能耗方面的优势值得进一步量化评估。若系统能规模化运行，其每瓦特的计算能力将远超传统芯片，为边缘计算和脑机接口提供新的范式支撑。
体外神经元学会“读盲文”的实验，不仅是工程学上的技术验证，更是对计算本质的一次重新审视。生物神经系统并非完美的数字计算装置，它充满噪声、变化和不确定性，但这些特征恰恰赋予了它强大的泛化能力与能效比。生物混合计算并非试图替代传统计算机，而是想找到一条新的路径——让硅基世界与生物世界在计算层面实现深度融合。这条路刚刚开始，挑战与机遇并存。