类器官智能（OI）：当培养皿里的脑细胞开始参与计算

引言：一台造价 6 亿美元、占地 680 平米的超级计算机，算力和人脑相当，耗电却是人脑的 100 万倍。于是有一群科学家开始想：能不能不造芯片，直接培养一团人脑细胞来当"生物计算机"？这篇文章讲的就是这个方向——类器官智能（Organoid Intelligence，OI），以及它凭什么被认为可能成为下一代计算。

---

目录

• 为什么突然聊起"生物计算"
• 人脑 vs 超级计算机：一场不公平的较量
• 类器官智能（OI）是什么
• OI 的三大技术底座
• OI 系统长什么样：一条完整的数据链路
• 从打 Pong 到跑 Doom：OI 已经走到哪一步
• OI 不只是用来算数的：医学价值
• "盘中之脑"会有意识吗：伦理难题
• 未来行动计划与争议
• 总结：一张表记住 OI

---

1. 什么是智能？{#sec1}

先抛一个问题：一个东西会算、会学、会认人，算不算有智能？

我们现在熟悉的"智能"基本都指 AI——神经网络、大模型、深度学习。但 2023 年 2 月，约翰霍普金斯大学等机构的科学家在期刊 Frontiers in Science 上发表了 一篇论文，提出了一个新概念：类器官智能（Organoid Intelligence, OI）。

简单说，OI 想做的事情是：用 3D 培养的人脑细胞（脑类器官）当作计算硬件，让它们像电脑一样接收输入、处理信息、输出结果。

这篇论文的标题很有画面感：Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish——“培养皿中的智能”。

这不是科幻。过去几年里，科学家已经让培养皿里的几十万个人类神经元学会了玩电子游戏，而且学得比 AI 快、耗能比 AI 低几个数量级。这项研究正在从一个实验室的新奇实验，慢慢变成一个严肃的科研方向。

本文就把这篇论文的核心内容拆开讲清楚，顺便补上 2025-2026 年最新的进展。

---

2. 人脑 vs 超级计算机：一场不公平的较量 {#sec2}

先看一组数字，你就明白科学家为什么要折腾培养皿。

2.1 算力差不多，耗电差 100 万倍

2022 年 6 月，美国橡树岭国家实验室的 Frontier 超级计算机成为全球最快的超算，算力达到 1.102 exaFLOPS（每秒 110 亿亿次浮点运算）。

人脑呢？估算的算力大约也是 1 exaFLOPS 这个量级——算力相当。

但能耗完全不是一个量级：

指标	Frontier 超算	人脑
算力	1.102 exaFLOPS	~1 exaFLOPS（估算）
功耗	21 兆瓦（MW）	10–20 瓦（W）
尺寸	680 平方米	1.3–1.4 公斤
造价	6 亿美元	无价（约 20 瓦维持）
连接	145 公里线缆	85 万公里轴突+树突
存储	75 TB/s + 700 PB 文件系统	2.5 PB（按突触算）
单元	58 亿晶体管	125 万亿个突触

人脑的能效大约是 Frontier 的 10⁶ 倍（百万倍）——也就是说，同样干一件事，机器的能耗是大脑的一百万倍。

用公式表达能效差距：

$$\text{能效比}=\frac{\text{人脑算力}/\text{人脑功耗}}{\text{超算算力}/\text{超算功耗}}\approx \frac{1\text{exaFLOPS}/20\text{W}}{1.102\text{exaFLOPS}/21\text{MW}}\approx 10^6$$

这组对比有多夸张，可以看一个数据：论文里提到，2013 年时世界第四大计算机花了 40 分钟，才模拟出人脑活动 1 秒钟里的 1%。

2.2 数据效率：机器学的更慢

能效只是第一层，第二层是数据效率。

人类学一个简单的"相同/不同"判断任务，大约只需要 10 个训练样本。蜜蜂这种小生物，也就需要 10² 个。

机器呢？2011 年，机器用 10⁶ 个样本也学不会这个任务；到 2018 年，10⁷ 个样本依然不够。

人脑的数据效率比机器高 10⁶ 倍以上。

2.3 AlphaGo 的能耗账

用 AlphaGo 的例子算一笔账：

• AlphaGo 训练用了 16 万局棋谱。一个人类每天练 5 小时，要连续下 175 年才能看到这么多盘棋。
• AlphaGo 用了 50 块 GPU 训练了 4 周，耗能约 4×10¹⁰ 焦耳。
• 这个能量，相当于一个成年人大约 10 年的全部新陈代谢。

如果把"每学一个样本要花多少能量"拉通来算，机器学同一个任务的总能耗比人脑高约 10¹⁰ 倍（100 亿倍）。

这些数字背后的产业问题是：AI 能耗指数级增长不可持续。2016 年，美国数据中心耗电已相当于 34 座 500 兆瓦的燃煤电厂。而人脑理论上支撑同等存储量，只需要约 1.6 兆瓦——再强调一遍，包括思考在内。

一句话总结：硅基计算机在"算得快"上赢了，在"算得聪明、算得省"上输得彻底。这正是 OI（生物计算）想逆袭的起点。

---

3. 类器官智能（OI）是什么 {#sec3}

3.1 从"计算机像大脑"到"大脑像计算机"

现有的 AI 是什么？是让计算机模仿大脑——神经网络就是模拟神经元的连接方式。

OI 反其道而行：让大脑细胞本身变得像计算机。

• AI：让机器更"脑化"（brain-like）
• OI：让培养皿里的脑组织更"计算化"（computer-like）

3.2 什么是脑类器官

类器官（organoid）是近十年生命科学的大突破：用干细胞在体外培养出三维的、有组织结构的微型器官。

脑类器官特指用人源干细胞培养出的三维脑组织：

• 可以来自胚胎干细胞，也可以来自诱导多能干细胞（iPSC）——后者通常从皮肤样本重编程而来，伦理争议小得多。
• 它有分层结构、有神经元、有胶质细胞、甚至有髓鞘（神经元的绝缘层）。
• 有团队已经培养出直径 3–5 毫米、活了 1 年以上的类器官。

约翰霍普金斯的标准脑类器官做得更小：直径 < 500 微米，细胞数 < 10 万——大小大约是人脑的 1/300 万（理论上对应约 800 MB 存储）。小有小的好处：标准化、可批量、容易控制。

3.3 OI 的定义

论文给出的定义：

类器官智能（Organism Intelligence, OI）：利用三维培养的人脑细胞（脑类器官），通过科学和生物工程手段，实现真正的生物计算——让它们记忆、学习、处理输入并产生输出，且整个过程要在伦理可接受的前提下进行。

OI 不是想造一个"会痛、有意识"的人类脑，而是要取脑计算能力的那一面。

---

4. OI 的三大技术底座 {#sec4}

OI 要跑起来，需要三类硬科技同时在线。

4.1 3D 脑类器官：可复制的"生物硬件"

这是计算平台本身。关键指标：

• 细胞密度：三维培养的细胞密度接近人体内水平，比单层培养高得多。
• 髓鞘化：类器官中约 40% 的轴突被髓鞘包裹（人类脑中约 50%）。髓鞘让神经信号传导速度提升约 100 倍（跳跃式传导）。
• 自发电活动：这些类器官会自发产生电生理活动，还能对电刺激有反应。2023 年的研究显示，其皮层振荡波可与**人类早产儿脑电图（EEG）**水平相当。
• 细胞多样性：可以富集少突胶质、小胶质、星形胶质细胞——胶质细胞负责突触修剪，对学习至关重要。

4.2 微流控：给"脑"供营养和排水

三维培养有个致命限制：没有血管。营养物质靠被动扩散，扩散深度只有 300 微米左右，再深就缺血坏死了。

所以 OI 需要微流控系统：

• 用微通道网络替代血管，给类器官持续供氧、营养、生长因子，同时排掉代谢废物。
• 支持规模化培养（养出更大、更持久的类器官）。
• 还能做三维时空化学信号——精确控制药物/神经递质什么时候、出现在哪个位置。

用"牺牲材料 3D 打印"等技术，已经能造出可灌注的类器官支架。

4.3 3D 微电极阵列（MEA）与探针：读出大脑在想什么

类器官是个球，传统 2D 电极板只接触底下一面，信号还互相干扰。所以科学家发明了壳式 3D 微电极阵列（MEA）：

• 灵感来自 EEG 帽——类器官被养在一个柔软、可自折叠的"壳"里，壳上布满纳米电极。
• 这样能对类器官整个表面进行多通道、高分辨率、高信噪比的电刺激与记录。
• 可以测试它对谷氨酸、GABA、多巴胺、5-羟色胺、乙酰胆碱等神经递质及对应受体药物的反应。

还有植入式探针 Neuropixels：

• 10 mm 长、100 个记录点/mm²，可记录数百个单个神经元的信号。
• 慢性植入可稳定记录 150 天以上。
• Neuropixels 2.0 四支探针，可同时接触 1 mm 直径类器官的约 500 个位点，占体积约 1.5%。

---

5. OI 系统长什么样：一条完整的数据链路 {#sec5}

论文给了个 OI 架构图（原图 Figure 1），这里用 Mermaid 重绘成一个通俗版：

整个链路的关键点：

• 输入：电信号、化学信号（神经递质）、机器传感器信号、甚至来自视网膜类器官的"视觉"信号。
• 计算：类器官本身就是这个" CPU"——通过学习相关基因（如即刻早基因 IEG）的富集来强化可塑性。
• 输出：用 3D MEA 或成像记录电活动；这些信号既可以当作计算结果输出，也可以作为生物反馈反过来训练类器官，形成闭环。
• AI/ML 贯穿全程：负责信号的编码/解码、训练策略、混合生物-电子计算的融合。

这其实是把"芯片"换成了"活的神经网络"：输入—计算—输出—反馈—再学习，一个典型的闭环。

---

6. 从"打 Pong"到"跑 Doom"：OI 已经走到哪一步 {#sec6}

6.1 DishBrain：会玩乒乓球的脑细胞

论文引用最关键的实验是 Kagan 等人 2022 年发表在 Neuron 上的工作：

• Cortical Labs（澳大利亚）把约 80 万个人类+小鼠神经元培养在芯片上，嵌入一个实时闭环环境——就是经典的街机游戏 Pong。
• 通过电刺激"告诉"细胞球的位置，细胞的放电模式直接控制球拍。
• 结果：这些活体神经元在约 5 分钟内自学学会让球拍跟随球，表现超过随机水平。更夸张的是，它学会任务的速度比传统强化学习模型快 18 倍，耗能却低得多。

当时很多媒体把这叫"第一个有感知的盘中大脑"。

6.2 2026 年：脑细胞开始打 Doom

论文之后，这个方向继续进化。2026 年 3 月的最新报道：

• 同样的技术（Cortical Labs，后来商用了 CL1 生物计算机）让**约 20 万人类脑细胞组成的"脑处理器"**学会了玩《毁灭战士（Doom）》。
• Doom 比 Pong 复杂得多：3D 环境、需要探索、找敌人、开火、转身、管理弹药。
• 这些活体神经元通过强化学习做到了，部分能力甚至被认为能碾压传统深度强化学习（如学习效率和能耗）。

这已经不是"养在培养皿里好玩"了，而是实实在在的生物计算原型机。

6.3 从研究到产品：CL1

Cortical Labs 已经推出 CL1，号称第一台"生物计算机"（wetware computer）：把神经元养在芯片上，可通过标准化接口编程训练。它是 OI 概念商业化最接近的一个样本，也说明这个方向正在从论文走向工程。

---

7. OI 不只是用来算数的：医学价值 {#sec7}

OI 的野心不只是造一台省电的计算机，更在于医学：

7.1 痴呆症（阿尔茨海默等）

• 全球痴呆患者超 5500 万，2050 年预计超 1.5 亿，年花费超 1 万亿美元。
• 新药临床试验失败率极高，因为动物模型只是部分反映人类病理。
• OI 提供首个基于人类的、活体的、可长期观察的临床前模型——可以直接在脑类器官上研究淀粉样蛋白、Tau 蛋白等病理机制。

7.2 神经发育障碍（如孤独症）

• 美国 1970 年代确诊率约 1/10000，2021 年已是 1/44。
• 脑类器官可用于研究"基因 × 环境"交互，以及药物对胎儿神经发育的影响。

7.3 精神分裂症等

• 精神分裂症影响全球约 1% 人口，有很强的遗传基础。
• 可以用患者的 iPSC 生成类器官，和正常对照直接对比——这是个前所未有的"疾病在体外重现"窗口。

7.4 毒物/药物筛查

• 在类器官上测试候选药物的神经毒性，比动物更贴近人脑。
• 相关趋势也体现在监管上：2026 年 8 月，中国 CDE 发布的《单克隆抗体动物试验减少或替代指导原则（征求意见稿）》首次把类器官与器官芯片纳入正式指导原则——这是中国在"用类器官减少动物实验"上的一个里程碑式信号。

OI 的医学路径其实是两条线：一条是把"脑"当计算机用；一条是把"脑"当人类疾病模型用。后者可能更早落地。

---

8. "培养皿里的脑"要不要有意识？伦理难题 {#sec8}

OI 绕不开一个哲学问题：如果培养皿里的细胞组织真的具备了学习和记忆能力，它算不算"有意识"？会不会痛？我们算不算在"奴役"一个意识？

8.1 意识（consciousness）vs 感受性（sentience）

论文明确区分：

• 意识：复杂的主观体验，OI 的目标不是复现这个。
• 感受性（sentience）：对刺激的最基本应答。OI 要的是功能层面（学习、记忆、计算），并刻意避免走"人格化"路线。

当前类器官：直径 < 500 μm、细胞数 < 10 万——和成年小鼠脑（约 0.4 克）或 12 周胎儿脑（3 克）相比小了好几个数量级。距离"有意识"很远。

8.2 嵌入式伦理（embedded ethics）

论文强调 OI 必须走"嵌入式伦理"：

• 伦理学家、神经科学家、公众代表嵌入研究团队，从立项阶段就参与。
• 迭代式协作：不是事后审查，而是伴随研究全过程的持续讨论。
• 涉及利益相关方：供体（iPSC 来源者）、患者群体、神经多样性权益倡导者等。

8.3 巴尔的摩宣言

2022 年 2 月，约翰霍普金斯举办了 OI 社区成立研讨会，产出了 《走向类器官智能的巴尔的摩宣言》（Baltimore Declaration Toward OI），声明了 OI 研究的愿景与伦理底线。

---

9. 未来行动计划与争议 {#sec9}

9.1 四轨并行路线

论文提出 OI 不是单点技术，而是"生物计算革命"的多学科体系。未来推进分四条轨道并行：

轨道	方向	关键任务
1. 类器官/生物工程	把"脑"做大做复杂	规模化、细胞富集、髓鞘化、血管化
2. 接口/神经记录	读出"脑"的信号	3D MEA、微流控、植入探针
3. 计算/AI	让"脑"真正算	信号编解码、生物反馈训练、大数据
4. 伦理/治理	让路走得正	嵌入式伦理、公众参与、统一术语

9.2 可能的用途展望

• 决策更快：对海量、不完整、异构数据的推理（人脑更擅长这种"信息不完备"场景）。
• 持续学习：任务中不停顿、边做边学（这是传统 AI 的短板）。
• 更省能耗：相比数据中心，生物计算能耗低几个数量级。

9.3 争议与待解问题

• 技术可行性：类器官目前还是"玩具级"，距离真正"算起来"的规模化还很远。
• 细胞来源：人类 iPSC 的伦理、隐私、样本中的基因信息告知义务。
• 能耗真相：细胞培养本身的能耗其实不低，论文也承认"OI 的能耗足迹"和"小类器官当前的电培养成本"不可简单对比。
• “意识风险”：一旦类器官真的达到某种复杂度，伦理问题会指数级放大。

---

---

参考来源：

1. Smirnova L, et al. Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish. Frontiers in Science, 2023. DOI: 10.3389/fsci.2023.1017235
2. Kagan BJ, et al. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron, 2022.
3. 脑细胞学会打 Doom，20 万活体神经元（北京智源人工智能研究院，2026）
4. 类器官智能（OI）——百度百科
5. 类器官与器官芯片被纳入 CDE 指导原则（征求意见稿）（2026）

本文为学习笔记整理，数据截至 2026 年 9 月，仅供学习交流。