生物計算 vs 矽基計算：澳洲 Cortical Labs 的活體電腦改變了什麼？
一台售價 $35,000 美元的機器裡，80 萬個人類腦神經元正在矽晶片上活著、放電、學習。不需要寫代碼，不需要訓練數據，神經元在幾分鐘內就展現出對簡單任務的適應能力。
這是澳洲墨爾本新創 Cortical Labs 的 CL1 — 他們聲稱是全球首台商用生物電腦。它迫使我們重新面對一個根本問題：矽基計算真的能取代一切嗎？
矽基至上論
支持矽基至上的技術論點很有力：
- 電子和物理技術是本質，生物遵守的也是同一套物理定律
- 半導體製程的精細度持續逼近原子尺度
- 確定性邏輯在速度和精確度上已經遠超生物系統
- 理論上，只要算力和算法到位，矽基可以模擬任何生物過程
表面上看，邏輯成立。但「理論上可模擬」和「工程上可實現」之間，隔著幾個數量級的差距。
半導體製程的真實尺度
「晶圓已經做到 1 奈米，小於細胞結構」— 這個說法需要澄清。
半導體的「製程節點」名稱是行銷用語，不是實際物理尺寸。以 TSMC N3 為例，接觸多晶矽間距（CPP）約 48nm，最小金屬間距約 24nm，而實際電晶體閘極長度約 6-7nm。矽原子的共價直徑約 0.22nm，目前最先進的製程離原子級極限還有距離，但量子穿隧效應已經讓繼續縮小變得越來越困難。
更重要的是，問題不在大小，在複雜度。
一顆先進晶片有數十億個電晶體，但它們是同質重複結構，做的事是邏輯閘運算。一個人類細胞有數萬種不同蛋白質，同時進行數千個化學反應，還能自我修復、自我複製、對環境做出即時反應。
這就像說「我能刻出比書法家更細的線條，所以我的書法比他好」。精細度不等於功能複雜度。
Cortical Labs CL1：把腦細胞種在晶片上
就在這個辯論的中間，Cortical Labs 做了一件事：不選邊，直接融合兩者。
CL1 是什麼
CL1 的做法是：
- 從捐贈血液提取幹細胞
- 轉化為神經元
- 培養在矽晶片上（每單元約 80 萬個神經元）
- 透過亞毫秒級電訊號回饋迴路與神經元互動
售價 $35,000 美元，功耗僅 30W。
不需要反向傳播的學習
這是 CL1 最反直覺的地方。傳統 AI 的流程是：
定義網路架構 → 準備百萬筆數據 → 訓練數百小時 → 得到模型
CL1 的流程是：
設定電訊號刺激規則 → 神經元自己調整突觸連接（神經元之間的通訊橋梁）
你不寫「怎麼學」的代碼。你只定義獎懲訊號 — 做對了給有序的電刺激，做錯了給隨機噪音。
在 2022 年發表於 Neuron 的 DishBrain 研究中，培養皿上的神經元在約 5 分鐘的遊戲過程中，對 Pong 的表現出現了統計上顯著的改善 — 優於隨機基線。需要注意的是，這並非「精通」遊戲，而是展示了生物神經元在沒有反向傳播、損失函數、梯度下降的情況下，僅靠獎懲回饋就能產生適應性行為。
規模化進展
- 2025 年 3 月：在巴塞隆納正式發布 CL1
- 墨爾本已建成原型 Bio Data Centre，含 120 台 CL1
- Cortical Labs 宣布計劃於 2026 年 9 月在新加坡與 DayOne 資料中心合作，目標部署約 1,000 台 CL1（尚未確認建成）
- 提供 Brain-as-a-Service 雲端存取模式
矽基 vs 生物：各自的主場
有了 CL1 的具體案例，我們可以更清楚地比較兩種範式：
| 維度 | 矽基技術 | 生物系統 |
|---|---|---|
| 速度 | 極快（GHz 級） | 慢（毫秒級） |
| 精確度 | 高（確定性邏輯） | 低（隨機性、模糊） |
| 能量效率 | 高（資料中心 GPU 單卡 400-700W） | 極高（人腦 ~20W 驅動 860 億神經元） |
| 自我修復 | 不行 | 內建 |
| 自我複製 | 不行 | 內建 |
| 學習數據需求 | 大（百萬到十億筆） | 小（少量互動） |
矽基在速度和精確度上無可挑戰。但在能效和小樣本適應這些維度上，生物系統展現了不同的優勢 — 至少在目前的技術水準下如此。
值得一提：現代大型語言模型（如 GPT、Claude）在跨領域泛化上已經有顯著進步，所以「矽基 AI 不會泛化」的說法不再完全成立。但在極低功耗下的即時適應，生物神經元仍有獨特優勢。
限制：不能迴避的問題
CL1 的限制同樣真實，而且某些可能是根本性的：
- 任務複雜度極低 — Pong 是非常原始的任務，離實際應用場景差距巨大
- 不可解釋 — 你無法 debug 神經元內部狀態，不知道它「學了什麼」
- 可重現性存疑 — 每批神經元生長不同，結果能否穩定複製是開放問題
- 維護成本 — 活細胞需要營養液、溫度控制，會死亡，需定期更換
- 生物系統也有天花板 — 熱力學、代謝、物理條件都會限制生物計算的上限
這些限制意味著 CL1 目前的價值主要在研究工具層面 — 幫助科學家理解神經元如何學習，而不是取代 GPU 做生產運算。
從投資角度看（個人觀點）
以下是我的個人判斷，不構成投資建議：
大部分打著「生物計算」旗號的公司是概念先行。Cortical Labs 是少數有實體產品和客戶的，但能否規模化仍是未知數。
我認為更大的機會不在「生物做計算」，而在「用計算解生物」：
- AI 藥物設計（如 Recursion）
- AI 蛋白質工程（基於 AlphaFold 等結構預測工具延伸的設計平台）
- AI 驅動的合成生物學
矽基計算是引擎，生物是最大的待解問題之一。 投資引擎和投資「用引擎解問題的人」都合理。投資「用生物做引擎」需要非常挑選。
時間尺度決定答案
回到最初的問題：生物技術會被 AI 取代嗎？
- 50 年內：不會。生物技術和 AI 是最大的交叉領域，兩者共生共長。CRISPR、mRNA、合成生物學都在指數成長期
- 更長遠：如果意識上傳等技術真的可行，碳基肉體的重要性可能下降 — 但這已經是純粹推測，不是技術路線圖上的項目
在我們有生之年，更務實的觀察是：矽基和生物不是競爭關係，而是融合關係。CL1 就是這個融合的第一個具體產物 — 把腦細胞種在矽晶片上，用電訊號對話。
未來不是碳基或矽基。是碳矽混合。
References
- Kagan, B.J. et al. (2022). "In vitro neurons learn and exhibit sentience when embodied in a simulated game-world." Neuron
- Cortical Labs CL1 Official
- Cortical Labs unveils world's first commercial biological computer — DCD
- World's first Synthetic Biological Intelligence — Refractor
- Brain-as-a-service powered by human brain cells — TechRadar
- Melbourne data centre runs on human brain cells — ACS
- Human brain cells power data centers — Tom's Hardware
