15 台生物计算机“蜂群”控制机器狗,研究者称准确率高出电子模型 252%
10 月在美国华盛顿特区举行的首届 International Conference on Organoid Intelligence(类器官智能国际会议)上,Cortical Labs 首席科学官 Brett Kagan 展示了一个由 15 台 CL1 生物计算设备连成的“蜂群”(hive mind):各台设备对同一个问题投票,共同控制一台机器狗。据他在会上介绍,这套投票系统驱动机器狗朝目标移动的准确率,比一个可比的全电子机器学习模型高出 252%。
《科学》(Science)杂志 11 月 16 日刊发的新闻特稿记录了这场会议:研究者在电极板上培养干细胞衍生的微型脑模型(brain organoids,脑类器官),用电刺激和算法解读神经元的放电模式,训练它们执行任务——从引导虚拟角色走出迷宫,到玩 Pac-Man(吃豆人)。特稿列举的能效优势和任务表现数字均为相关研究者自述,未附独立验证数据。
(CL1 是 Cortical Labs 出售的生物计算设备。图片来源:Cortical Labs 官网)
CL1:白盒子里的一层神经元,每个类器官都独一无二
特稿对这台设备有具体描述:CL1 是一个白色箱体,里面有营养罐和管道,把培养液泵过铺在电极上的一层薄薄的神经元。Cortical Labs 官网称,神经元直接长在定制硅芯片上,芯片向神经结构收发电脉冲;内置生命维持系统可让神经元存活最多 6 个月,设备自身不需要外部算力。据其官网介绍,2021 年这家公司曾让培养在芯片上的神经元自学玩 Pong——神经元逐渐学会感知游戏里电子球的位置,并控制虚拟球拍。
与芯片不同,每个类器官都是独一无二的,行为因而带有变异性。Kagan 希望把这种变异性变成优势:按特稿的说法,这套“蜂群”得出的答案比单个神经网络所能给出的更好。
奖励与电击:让培养皿里的神经元学会走迷宫
会上描述的许多训练方法大致相同:研究者给一组互联神经元提供反映迷宫特征的电或化学输入,用算法把类器官的放电模式转换成动作——比如让虚拟角色朝某个方向转——再根据反应发放奖励或惩罚。随时间推移,这套反馈鼓励类器官做出好选择、抑制错误。
“我们完全不知道它们喜欢什么、不喜欢什么,”生物技术公司 28bio 的首席科学家 Corey Rountree 说。他的团队已经训练成对的互联细胞团——称为“connectoids”——玩 Pac-Man:细胞在虚拟迷宫里够到水果,就得到一段休息;被追击的幽灵抓住,就挨一阵难受的电刺激。
真实大脑的经验也可以借用。28bio 的实验显示,给细胞加入 BDNF——一种在真实大脑中促进学习的分子——能把细胞记住训练成果的时间延长到最多 48 小时。
动物实验收紧之际,突变类器官在压力下更易出现异常放电
生物计算并不是脑类器官的初衷。这类微型脑组织之所以成为神经科学实验室的标准配置,是因为它们提供了一个观察人类大脑如何发育、以及发育如何出错的窗口;而当这些组织团块长到足够复杂,神经元开始互相交换电信号,生物计算研究者想利用的正是这一点。
美国国立卫生研究院(NIH)的新政策正在不鼓励研究中使用动物模型。按特稿的说法,训练过的类器官可能成为替代品,帮助研究者估计基因突变、环境毒素或药物会如何影响一个生物体的行为。Johns Hopkins University 分子生物学家 Lena Smirnova 正在训练类器官玩电子游戏和执行其他任务,以研究这类因素对学习、记忆等认知功能的可能影响。在 10 月的会议上,她展示了未发表的工作:携带一种与自闭症和癫痫相关基因突变的类器官,在受热、感染或某些药物胁迫时,更容易发展出异常的放电模式。
远程租用神经元:约 20 个团队在 FinalSpark 平台上做实验
FinalSpark CEO Fred Jordan 的公司把“类器官计算”做成了服务:向想在其类器官芯片上运行实验的实验室出租远程访问权限,他说目前约有 20 个研究团队在使用。该公司官网显示,订阅者可以对脑类器官进行 24/7 远程访问,实时刺激和读取神经活动,通过 Python 编程接口操作,方案分“4 个共享类器官”和“4 个专用类器官”两档。
特稿提到,为测试这套系统的能力,一个团队教一台触敏机械臂读盲文:机械臂感知到的纹理作为输入,类器官的计算被解读为输出的字母,准确率达到 83%。
Jordan 训练类器官的办法,是用多巴胺、血清素等神经信号分子的组合来控制躺在电极床上的细胞。但他承认这类做法可能很“天真”(naïve):在真实大脑回路里,多巴胺被视为影响后续决策的奖赏信号,而这些回路未必存在于类器官中。
Cortical Labs 则出售设备。特稿说,至少两家位于新加坡和澳大利亚的公司已经在用 CL1 搭建数据中心;Kagan 说,这些设备被用于药物发现、机器人和改进 AI 等应用。
效率叙事与一个尚无答案的判定
据特稿,神经元——原因尚不完全清楚——比半导体芯片能效高出数量级:能耗低出数量级,所需稀土矿物更少,没有脆弱的供应链,冷却用水几乎可以忽略。正是这种差距,让一些科学家设想未来的数据中心可能就放在实验室的培养皿里。但支撑这一切的是一个悖论:没有人从物理层面完全理解大脑如何计算;人工神经网络模仿的是神经元之间的连接,这个类比却未必说明真实神经元如何计算。“我们可以造出与人类大脑并不真正相似、但仍利用神经网络的某些物理特性来实现新事物的东西,”Kagan 在特稿中说。
尽管存在这些不确定,生物计算已出现能驱动真实机器的雏形。Indiana University Bloomington 的 Feng Guo 团队 9 月 15 日在 bioRxiv 发布的预印本描述了 Brainobot:用脑类器官水库计算(reservoir computing)充当人形机器人的高层决策层,接收感觉输入、生成动作,完成抓取物体、追逐激光等真实任务;预印本称系统具备跨任务适应性、高计算效率和低能耗。特稿补充说,这台机器人还能移动方块拼出单词。Guo 说,团队正在探索用感觉类器官——比如基于声音感知毛细胞的类器官——让真实世界的输入直接触发神经活动。
会议研究者还权衡了一个更根本的难题:神经元和驱动、解读它们的算法之间是什么关系。一种做法是水库计算,把神经元当作基本不变的“基底”,训练算法解读其复杂电输出——难点在于,很难判定计算究竟是类器官在做,还是算法在做。另一种是闭环计算(closed-loop computing),让神经元自己学会解读刺激、重组活动以提升任务表现,但细胞做到这一点的方式,人类观察者未必看得懂。
改造类器官的生物学也可能顺带回答基础问题:哪些脑细胞类型是认知所必需的?被称为星形胶质细胞(astrocytes)的支持细胞在记忆中扮演什么角色,目前尚不清楚。Kagan 对这类研究寄予的期待超出了计算机器:“如果我们能理解我们自己,”他说,“那对人类来说就是一个了不起的成就。”
不过,还有一个判定至今没有做出来:计算究竟发生在类器官里,还是发生在解读其输出的算法里——按特稿的说法,以目前的技术,这一点还很难确定。