Cortical Labs 深度解析：用活體神經元造電腦的澳洲新創

Cortical Labs 深度解析：用活體神經元造電腦的澳洲新創

一台售價 $35,000 美元的機器裡，數十萬個人類神經元正在矽晶片上活著、放電、學習。不需要反向傳播，不需要百萬筆訓練數據，神經元在 5 分鐘內就對簡單遊戲刺激展現出統計顯著的適應行為。

這是 Cortical Labs 的 CL1 — 全球首台商用生物電腦。2026 年 3 月，他們在墨爾本啟動了全球第一座生物資料中心（120 台 CL1），同時宣布新加坡擴張計畫，目標部署 1,000 台。美國情報體系資助成立的非營利風投機構 In-Q-Tel 是他們的投資方。DARPA 在同月啟動了 42 個月的 O-CIRCUIT 計畫，要把生物處理器送上軍用無人機。

一年前，這些都還是科幻情節。現在有人在用體外培養的人類神經元跑 DOOM 了。

公司：從醫生到生物電腦創業

Cortical Labs 2019 年在墨爾本成立，創辦人是 Hon Weng Chong（醫學博士轉科技創業，之前的專案是把 Xbox 送進兒童醫院）和 Andy Kitchen（計算機科學家）。首席科學家兼營運長 Brett Kagan 是 Florey 研究所出身的 PhD（專攻幹細胞治療與神經科學），也是 2022 年 DishBrain 論文的第一作者。

融資歷程

輪次時間金額主要投資方
Seed2019.06US$1.62MBlackbird Ventures, January Capital
Series A2023.04US$10MHorizons Ventures（李嘉誠基金）領投，In-Q-Tel 參投
Series B2026.03未公開Horizon Ventures, 3C, Gobi Partners, Tom Oxley（Synchron 創辦人）

In-Q-Tel 是由 CIA 資助成立的獨立非營利風投機構，他們投了上百家公司，參投本身不等於情報界「認可」某項技術，但至少說明國防/情報界對生物計算有探索性興趣。Synchron 創辦人 Tom Oxley 在 Series B 的個人投資，則反映腦機介面圈子也在關注這項技術。

科學：DishBrain 到底證明了什麼

2022 年 12 月，Cortical Labs 在頂級期刊 Neuron 發表了 DishBrain 論文。標題非常大膽：「In vitro neurons learn and exhibit sentience when embodied in a simulated game-world」（體外神經元在模擬遊戲世界中學習並展現感知能力）。

這篇論文引發了巨大爭議，但在爭議之前，先理解它實際做了什麼。

實驗設計

神經元來源： 分別從人類誘導多能幹細胞（iPSCs）和小鼠胚胎皮質組織培養神經元（兩種來源是獨立的培養物，非混合使用），種在高密度多電極陣列（HD-MEA，一塊佈滿微小電極的晶片，能同時讀取和刺激大量神經元）上。原始實驗使用了約 80 萬個神經元。

遊戲介面：

  • 8 個電極負責輸入：球的位置透過電極的空間位置（左/右）和刺激頻率（距離）編碼
  • 指定區域的電極負責輸出：神經元的放電活動被解碼為球拍移動方向
  • 即時閉環回饋：神經元的動作立刻影響遊戲狀態

關鍵設計 — 自由能原理：

Cortical Labs 沒有用傳統的獎懲機制（例如化學多巴胺刺激），而是運用了 Karl Friston 的自由能原理（Free Energy Principle，FEP 本身在學術界有爭議，批評者認為它過於寬泛而難以證偽，但 DishBrain 是目前最直接的實驗性驗證之一）：

  • 打到球（成功）→ 所有電極同時發出有序、可預測的電刺激
  • 沒打到球（失敗）→ 所有電極發出隨機、混沌的電刺激

核心邏輯：生物神經元天生傾向於最小化環境中的「意外」（surprise）。當面對混沌刺激時，神經元會自發調整放電模式，試圖讓環境變得更可預測 — 也就是學會把球打回去。

這不是寫代碼告訴神經元「怎麼學」。而是利用了神經元的內建特性 — 自由能最小化 — 讓學習自然發生。

控制組和結果

論文設計了嚴格的控制組：

  • 純培養液（無細胞）→ 無學習
  • HEK293T 細胞（非神經細胞）→ 無學習
  • 無回饋條件（有刺激但無遊戲結果回饋）→ 無學習
  • 休息狀態（無遊戲輸入）→ 無學習

結果：只有接收結構化回饋的神經元培養物出現了統計顯著的進步 — rally 長度增加、失誤率降低、連續 3 次以上擊球的比例上升。人類皮質神經元的表現略優於小鼠。

學習在 5 分鐘內就出現了。

後續研究：和 AI 比效率

2024 年的一篇後續預印本（arXiv，尚待完整同行評審）同樣值得關注。研究者讓生物神經元和三種經典深度強化學習演算法（DQN、A2C、PPO — 遊戲 AI 領域的標準 baseline）在公平條件下比賽 — 限制在相同的 70 個 episode（約 20 分鐘）內。

結果：

  • 生物神經元的平均 rally 長度顯著高於所有 RL 演算法
  • 神經元的學習進步在統計上高度顯著（人類細胞 p = 7.9 × 10⁻¹⁷）
  • 所有 RL 演算法在同等 episode 數下未展現顯著學習（DQN p=0.231, A2C p=0.318, PPO p=0.400）
  • 神經元只用了 8 個輸入電極，而 RL 代理有 1,600 個像素

換句話說：在極少樣本的受限條件下（僅 70 個 episode），培養皿中的腦細胞表現優於三種經典 RL baseline。需要注意的是，這些 RL 演算法在大量 episode 下的表現會遠超生物神經元 — 這個實驗比的是「用最少經驗學到東西」的能力，不是絕對性能。

這不代表生物電腦能取代 GPU。但它指向一個有趣的特性：生物神經元在樣本效率上展現了矽基 AI 目前難以匹敵的優勢。

「感知能力」爭議

論文標題中的 "sentience" 一詞引爆了學術界。

2023 年 3 月，來自哈佛醫學院、Allen Institute 等機構的 26 位神經科學家在 Neuron 上發表聯合回應，主要批評：

  1. Sentience 用詞不當：作者對 sentience 的定義太寬泛（「對感官印象有反應」），寬到幾乎任何有回饋的計算系統都能符合
  2. 過度宣稱轉化意義：數據不支持論文聲稱的社會和轉化重要性
  3. 忽略前人文獻：之前已有實驗室做過體外神經元玩遊戲的工作

Cold Spring Harbor 實驗室的 Tony Zador 更進一步質疑整個前提，認為「以目前的知識水平，引導神經迴路執行特定計算任務在科學上仍不可想像」。

Kagan 團隊的回應：他們明確區分 sentience（對感官的回應能力）和 consciousness（主觀意識體驗），強調論文從未聲稱神經元有意識。公司之後也改用「Synthetic Biological Intelligence」（合成生物智能）作為術語。

我的看法： 論文的實驗設計是嚴謹的 — 多組控制、統計顯著的結果、可描述的方法論。但 "sentience" 這個標題確實是行銷大於科學，為一個扎實的研究成果引來了不必要的爭議。後續的樣本效率研究和藥物篩選驗證（2025 年 Communications Biology）更有說服力。

學術界還在爭論 sentience 的定義時，Cortical Labs 選擇用產品說話。

CL1：從論文到產品

2025 年 3 月，CL1 在巴塞隆納 MWC 正式發布。

硬體規格

規格細節
神經元數量~200,000-800,000（iPSC 來源；不同來源報導數字不一，可能反映不同配置）
電極陣列59 電極平面 MEA + 61-pogo-pin 頭段
生命維持閉環：溫控、CO₂/O₂/N₂ 氣體混合、營養液循環、廢物過濾
神經元壽命常規 6 個月（有記錄的案例達 1 年）
功耗~30W/台；~850-1,000W/機架
售價35,000/台（30台批量35,000/台（30 台批量 20,000/台）
回饋延遲亞毫秒級

Cortical Cloud — 大腦即服務（WaaS）

不想買硬體？Cortical Cloud 提供遠端存取：

  • 透過 Python SDK 和 Jupyter Notebook 操作
  • 定價：~300/週/台，或月付 300/週/台，或月付 ~2,170/台（批量折扣至 ~$1,600）
  • 墨爾本資料中心已部署 120 台 CL1
  • 研究者通常租 3-4 台（實驗組 + 對照組 + 重複驗證）

2026 年 3 月：爆發月

一個月內發生的事：

  1. Series B 融資完成
  2. 墨爾本生物資料中心啟動（120 台 CL1）— 全球首座
  3. 新加坡擴張：與 DayOne 合作，先在 NUS 醫學院部署 20 台，計畫擴張至 1,000 台
  4. Cortical Cloud 正式上線
  5. DOOM 展示：獨立開發者用 CL1 的 Python SDK 花一週將神經元的電活動映射為 DOOM 的控制輸入（表現像「笨拙的新手」— 這更接近活動映射而非 DishBrain 級別的閉環學習）
  6. LLM 整合展示：20 萬個神經元接入大語言模型，透過電脈衝選擇 token 生成文字（早期 PoC）
  7. 馬來西亞製造基地設立，計畫做自研晶片

競爭格局

Cortical Labs 不是唯一做生物計算的。

主要玩家

公司位置做什麼差異化
Cortical Labs墨爾本通用生物電腦（硬體 + 雲端）唯一出貨實體產品的
FinalSpark日內瓦雲端生物計算平台$500/月訂閱，34+ 大學用戶；2024 年即開放遠端存取，時間線領先
Koniku聖荷西生物感測器（嗅覺）$8M Airbus 合約；聚焦感測不是通算

學術勢力

  • Johns Hopkins（Thomas Hartung）：2023 年正式提出「Organoid Intelligence」概念，推動該領域的倫理框架
  • 天津大學 + 南方科技大學：MetaBOC — 開源腦機晶片，用類腦器官驅動機器人避障和抓取
  • Stanford（Sergiu Pasca）：類腦器官研究先驅，但公開警告生物計算的過度炒作可能反噬整個領域
  • NSF：$14M 資助 7 所大學的 OI 研究（要求每個計畫必須有倫理學家作為 co-PI）

Cortical Labs 的獨特位置

  1. 唯一出貨硬體產品的公司（FinalSpark 是雲端，Koniku 是感測器）
  2. 亞毫秒級閉環回饋（業界最快）
  3. 最積極的資料中心佈局（墨爾本 + 新加坡）

DARPA 和軍方興趣

2026 年 3 月，DARPA 生物技術辦公室啟動了 O-CIRCUIT 計畫（Organoid Cytomorphic Intelligence Resulting from Convergent Understanding and Information Transfer）：

  • 時程：42 個月
  • 目標：開發自足式生物處理單元（BPU），能在極低功耗下學習和運算
  • 兩大任務：
    1. 增強 BPU 架構以提升學習能力
    2. 整合生物嗅覺感測器到無人機上（能「聞到」爆裂物和化學製劑的無人機）

動機很實際：現代 AI 需要大量電力，在戰場邊緣環境（前線、無補給區域）部署 AI 極為困難。生物處理器的超低功耗是一個潛在解法。

這不是 DARPA 第一次投生物計算。之前的 Bio-Computation 計畫投了約 $65M，SyNAPSE 計畫催生了 IBM TrueNorth 神經形態晶片。但 O-CIRCUIT 是第一個明確針對「活體生物處理器」的軍用計畫。

能效數字：怎麼理解「百萬倍」

你可能看過「生物神經元比矽晶片節能百萬倍」的說法。這個數字的來源：

系統功耗等效算力
人腦~20W~1 exaFLOP（估算）
Frontier 超級電腦~21MW~1.1 exaFLOPS
比值1,000,000:1~1:1

但這個比較有嚴重的前提問題：人腦做的不是浮點運算，supercomputer 做的不是模式識別。更科學嚴謹的比較是在每次突觸事件的層級：

  • 生物突觸事件：~10 飛焦耳（10⁻¹⁴ J）
  • 最好的神經形態矽晶片：~1-10 奈焦耳（10⁻⁹ J）
  • 差距：約 1,000 倍

1,000 倍的效率優勢仍然巨大，但和「百萬倍」差了三個數量級。真實答案取決於你比較的層級和任務類型。

倫理：這些神經元會痛嗎？

這是繞不開的問題。

目前共識：80 萬個培養皿中的神經元不太可能具有意識或感受痛苦的能力。2023 年 Science and Engineering Ethics 的分析認為 DishBrain「不構成人工痛苦的清晰證據」，但也指出「與人工痛苦的條件並非不相容」。

但隨著規模擴大呢？ 目前的目標是從 10 萬擴展到 1,000 萬個神經元（100 倍）。沒有人確切知道哪個規模可能觸發某種形式的感知能力。

監管真空：全球目前沒有任何法律限制對神經類腦器官的使用（動物虐待法不適用）。NSF 率先要求 OI 研究計畫必須配備倫理學家。Stanford 的 Pasca 和其他先驅研究者在 2025 年 11 月的 Asilomar 會議上警告：過度炒作可能觸發公眾反彈，傷害整個類腦器官研究領域。

Cortical Labs 的立場：他們把 CL1 定位為「動物實驗的道德替代方案」。從藥物篩選的角度，用人類神經元取代動物實驗確實更人道也更相關。這是一個聰明的框架 — 把生物計算放在「更道德」而不是「可能有道德問題」的位置。

限制：冷靜的評估

CL1 目前的限制是真實的，某些可能是根本性的：

  1. 任務複雜度極低 — Pong 和 DOOM（笨拙地）是目前的上限。離任何實際生產工作負載差距巨大。
  2. I/O 頻寬極窄 — 59 個電極 vs 現代 GPU 的數十億個計算單元。這是目前最大的瓶頸。
  3. 不可解釋 — 你無法 debug 神經元內部狀態。為什麼做了某個決策？不知道。
  4. 可重現性 — 每批神經元生長條件不同，結果的穩定複製是開放問題。
  5. 維護成本 — 每 24 小時必須補充營養液，需要氣體管理，技術人員每日維護。神經元常規壽命約 6 個月（最長記錄 1 年）。
  6. 59 電極 vs 數十萬神經元 — CL1 讀取的是極度粗糙的神經元群體信號，不是單個神經元的精確活動。

底線：CL1 目前是研究工具和藥物篩選平台，不是 GPU 的替代品。誰如果告訴你生物電腦即將取代資料中心，他不是在騙你就是在騙自己。

CL1 不會取代資料中心。但這不代表它沒有價值 — 恰恰相反，最務實的機會在其他地方。

那真正的機會在哪？

短中期（2-5 年）最務實的應用：

  1. 藥物篩選 — 2025 年 Communications Biology 已驗證 CL1 能檢測藥物對神經學習的影響。用人類神經元取代動物模型，既更人道也更具臨床相關性。
  2. 神經科學研究 — 癲癇、阿茲海默症的機制研究。
  3. 碳矽混合架構 — 用生物神經元做低功耗的前端適應性處理，矽晶片做後端精確計算。LLM 整合實驗是第一步。

長期（10+ 年）的推測：

  • 如果 I/O 瓶頸被突破（從 59 電極到數千甚至數萬）
  • 如果神經元壽命延長（或實現自動化更換）
  • 如果 scaling 到數百萬甚至數千萬神經元

那麼一個有趣的未來可能出現：碳矽混合資料中心，前端是生物神經元做超低功耗的模式識別和即時適應，後端是 GPU 做精確計算和大規模推理。

但 Thomas Hartung（OI 概念提出者）自己說：要做出一個有老鼠智力水準的系統，可能需要數十年。

我的判斷

Cortical Labs 是一家嚴肅的科學公司，不是 vaporware。他們有經過同行評審的論文（Neuron, Nature Communications）、出貨的硬體產品、和積極的商業化計畫。

但生物計算目前像是 1940 年代的電子計算機 — ENIAC 已經能做微積分了，但沒人知道它會變成什麼。也有可能，它更像 1990 年代的量子電腦 — 原理驗證了，但離實用永遠差一個數量級的工程突破。如果 I/O 瓶頸（59 個電極）在物理上無法大幅突破，如果 scaling 到百萬神經元在生物學上不可行，CL1 可能永遠停留在「很酷的研究工具」而非計算革命。

CL1 的意義不在於它現在能做什麼（很少），而在於它證明了一個根本性的可能：活體神經元可以被工程化，與矽晶片整合，在閉環系統中學習。

如果一切按計畫發展，未來可能是碳矽混合。但如果你問我打不打賭 — 我會說：押注方向，但控制倉位。

References

Related

生物計算 vs 矽基計算：澳洲 Cortical Labs 的活體電腦改變了什麼？
方向性學習：大腦如何知道該改哪個突觸？從資格痕跡到 NGRAD
大腦真的在做 Backpropagation 嗎？從 NGRAD 看生物學候選機制