机器之心原创

2024/05/27 15:53

全球首台生物计算机开放服务：16个人脑类器官，能耗节省百万倍

使用人类脑细胞，活的。

科幻小说《三体》中，为了支撑科技的发展，人类提出了几种下一代计算机的方案，其中除了传统的冯诺依曼架构，还包括量子计算机和生物计算机。其中量子计算的概念现在已有大量研究，生物计算的研究却少有报道。

近日，一家瑞士初创公司 FinalSpark 发布了全球首款生物处理器。据介绍，它们都是由人脑类器官的生物神经元驱动的，而且已开放了远程访问。

FinalSpark 提出的 Neuroplatform 据称是世界上第一个提供体外生物神经元访问的在线平台，此类生物处理器据称「比传统数字处理器的功耗低一百万倍」。

由于摩尔定律的终结，芯片厂商正在依靠增大功率保持性能提升的节奏，强性能附加低功耗的特点可能会是生物处理器的潜在优势。

FinalSpark 表示，其 Neuroplatform 能够学习和处理信息，并且由于其低功耗，可以减少计算对环境的影响。

最近，科技领域业内都在追赶生成式 AI，随之而来的芯片短缺也在逐渐成为挑战。更进一步，科学家们甚至还在担心大模型的能耗问题。今年 2 月有报道称，OpenAI 联合创始人山姆・奥特曼正在寻求大量资金打造完整的芯片产业链，为此甚至与电力供应商进行了讨论。

有论文得出结论，训练一个像 GPT-3 这样的大型语言模型（LLM）大约需要 10GWh—— 大约是欧洲公民平均一年使用的能源的 6000 倍。

随着生物处理器的成功部署，这样的能源消耗可能会大幅减少。

免费远程访问，可用 Python 库操作

在最近发表在《Frontiers in Artificial Intelligence》的论文中，FinalSpark 介绍了他们所开发的一个硬件和软件系统，它允许在较大规模上进行电生理实验。

论文链接：https://www.frontiersin.org/articles/10.3389/frai.2024.1376042/full

Neuroplatform 使研究人员能够对神经类器官进行实验，其寿命甚至超过 100 天。为此，科研人员简化了实验过程，可以快速产生新的类器官，全天候监测动作电位，并提供电刺激。除此之外，还设计了一个微流体系统，允许完全自动化的培养基流动和更换，从而减少在孵育器中通过物理干预造成的干扰，以确保稳定的环境条件。

在过去三年中，Neuroplatform 构建了超过 1000 个大脑类器官，收集了超过 18TB 的数据。为了方便人们使用，FinalSpark 开发了一个专门的 API，可以直接通过 Python 库或使用交互式计算（如 Jupyter Notebooks）进行远程研究。

除了电生理操作外，API 还控制泵、数字摄像头和 UV 灯进行分子释放。这允许执行复杂的全天候实验，包括闭环策略和使用最新的深度学习或强化学习库进行处理。

此外，基础设施支持完全远程使用。目前在 2024 年，该系统可免费用于研究目的，许多研究小组已经开始将其用于他们的实验。

^{FinalSpark 公司创始人合影：Fred Jordan 和 Martin Kutter 博士。}

Neuroplatform 的生物计算机基于可以被分类为湿件（Wetware）的架构：这是硬件、软件和生物学的混合。

该平台提供的主要创新是通过使用四个多电极阵列（MEAs），其中包含活组织 —— 类器官，它们是大脑组织的 3D 细胞团块。

^{FO（前脑类器官）生成和多电极阵列（MEA）设置。}

每个 MEA 包含四个类器官，通过八个用于刺激和记录的电极进行连接。

数据通过数字模拟转换器（Intan RHS 32 控制器）来回传输，采样频率为 30kHz，分辨率为 16 位。

这些关键的架构设计特征由 MEA 的微流体生命维持系统和监控摄像头支持。同样重要的是，软件堆栈允许研究人员输入数据变量，然后读取和解释处理器的输出。

^软件设置

FinalSpark 已向九个机构提供了对其远程计算平台的访问权限，以帮助推动生物加工的研究和开发。通过这些机构的合作，它希望创造世界上第一个活体处理器。

此外，已经有三十多家大学对访问 Neuroplatform 感兴趣。为了访问 Neuroplatform，教育机构需要为每个用户订阅 500 美元 / 月。

生物芯片「寿命」大约 100 天

虽然样机已经完成，在线服务也已开启，但这类生物处理器在现实实验运用中仍存在着一定的局限。现在看起来，寿命是个大问题。

硅芯片可以使用多年，有时甚至几十年。与此相对，形成生物处理器的神经结构虽然也被认为有很长的寿命，但 FinalSpark 表示，它们只「适合运行几个月的实验」。

最初，该公司的 MEAs 只能持续几个小时，但对系统的改进意味着类器官的寿命目前预计约为 100 天。

^{参考链接：}

^{https://www.tomshardware.com/pc-components/cpus/worlds-first-bioprocessor-uses-16-human-brain-organoids-for-a-million-times-less-power-consumption-than-a-digital-chip}

产业NeuroplatformFinalSpark

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为：积体电路上可容纳的电晶体数目，约每隔两年便会增加一倍；经常被引用的“18个月”，是由英特尔首席执行官大卫·豪斯所说：预计18个月会将芯片的性能提高一倍。

来源：维基百科

强化学习技术

强化学习是一种试错方法，其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划（Dynamic Programming）。流行的强化学习方法包括自适应动态规划（ADP）、时间差分（TD）学习、状态-动作-回报-状态-动作（SARSA）算法、Q 学习、深度强化学习（DQN）；其应用包括下棋类游戏、机器人控制和工作调度等。

来源：机器之心

Jupyter技术

Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。 Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码，数学方程，可视化和 markdown。用途包括：数据清理和转换，数值模拟，统计建模，机器学习等等。

来源：百度百科

语言模型技术

语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。由于字词与句子都是任意组合的长度，因此在训练过的语言模型中会出现未曾出现的字串(资料稀疏的问题)，也使得在语料库中估算字串的机率变得很困难，这也是要使用近似的平滑n元语法(N-gram)模型之原因。

来源：维基百科

量子计算技术

量子计算结合了过去半个世纪以来两个最大的技术变革：信息技术和量子力学。如果我们使用量子力学的规则替换二进制逻辑来计算，某些难以攻克的计算任务将得到解决。追求通用量子计算机的一个重要目标是确定当前经典计算机无法承载的最小复杂度的计算任务。该交叉点被称为「量子霸权」边界，是在通向更强大和有用的计算技术的关键一步。

来源：活在实验室还是实现霸权？揭开当前量子计算技术进展之谜|机器之心