最近总能刷到“人类神经元在培养皿里玩 Doom”的消息，不少朋友会问：这是不是把人脑塞进电脑了？简单讲，不是。生物计算机是真的，但它比科幻片里的版本克制得多：科研团队把培养出来的神经元接到电极阵列上，用软件给它刺激、读取反应，再把结果反馈回去。
小编查了 Cortical Labs 和 FinalSpark 的官方资料，下面把原理、能力和边界一次说清楚。先给结论：这些系统没有意识，也不是被困住的人脑，目前更像一种实验性的研究平台，离取代 GPU 还很远。
生物计算机到底是什么？
生物计算机（也叫 biocomputer、湿件计算机）是把活的生物材料当作信息处理系统的一部分。咱们这里说的，是长在电极阵列上的一小团神经元网络。电极可以用电信号刺激细胞，也能记录细胞的电活动，传统软件则负责在数字世界和神经细胞之间“翻译”。
Cortical Labs 把自家的 CL1 平台描述为：真实神经元培养在硅芯片上，再由它的“生物智能操作系统”构建一个模拟环境，把信息发送给神经元。详情可以看官方 CL1 页面。
神经元是怎么和软件互动的？
核心是一个反馈闭环，大致分六步：
- 软件创建一个环境或任务；
- 用电刺激把环境信息“告诉”神经元；
- 神经元产生自己的电活动作为回应；
- 电极把这些活动记录下来；
- 软件把信号解读成动作或状态变化；
- 结果再反馈给神经元，循环继续。
正是这种闭环，让它不只是“一碟死气沉沉的细胞”。Cortical Labs 的开发者文档提到，CL1 的 API 支持记录、刺激和实时闭环算法，研究者可以按官方开发指南来编程。
神经元真的会玩 Pong 吗？
Cortical Labs 最出名的是 DishBrain 实验：把人类和小鼠神经元连到电脑上，用反馈让细胞逐步适应一个类似 Pong 的简化游戏。要注意，这不等于神经元“理解”了游戏，实验真正证明的是：神经元培养物能在结构化反馈下改变自己的活动模式。公司在官方介绍页里也把它定位为生物计算的早期里程碑。
CL1 是什么？能跑 Doom 吗？
CL1 是 Cortical Labs 目前的生物计算平台，把活神经元、硅接口、生命维持系统和软件整合在一起。据官方说法，它能让神经培养物存活最长约六个月，并支持软件与细胞双向通信。没有湿实验室的研究者，还可以通过 Cortical Cloud 远程部署代码。
Doom 的演示确实存在，官方页面也有链接。不过说“20 万个神经元独自在玩 Doom”并不准确：整套系统仍有大量传统软件、接口和翻译层，负责把游戏状态转成神经刺激、再把神经反应解释回操作。真正有意思的问题是，这里面有多少适应性行为来自神经网络本身。
这些神经元是从活人大脑取的吗？
一般不是。现在常见的做法是用诱导多能干细胞（iPSC）：把普通体细胞重编程成类似干细胞的状态，再分化成神经元。这和“取出一个人脑”“转移记忆”完全是两回事，培养出来的神经元并不带有捐赠者的性格、记忆或身份。FinalSpark 在官网说明里也提到，他们的人类神经元来自 iPSC 并培养成神经培养物。
研究者为什么对它感兴趣？
自适应能力
神经元会不断调整连接的强弱，这种可塑性让网络能在重复输入中自己适应，而不必像传统算法那样事先写死规则。
潜在的低功耗
人脑拥有数百亿神经元，功率却大致只相当于一盏小灯。这不代表一小团培养物今天就能顶替 GPU 或训练大模型，但解释了为什么大家想探索：生物网络会不会在某些自适应任务上更省电。
脑科学与疾病研究
这类平台还能作为受控系统，研究神经元对刺激、药物和疾病相关条件的反应。Cortical Labs 也表示，平台不仅面向计算研究，也想用于神经机制研究，并减少对动物实验的依赖。
FinalSpark 的 Neuroplatform 是什么？
FinalSpark 走的是相近路线，但强调远程访问。它的Neuroplatform提供对生物神经系统的远程访问，包括实时刺激、神经记录、Python API 和数据存储。研究者不用自己搭细胞培养实验室，公司提供共享和独占两种访问方案，并与高校合作开展生物计算研究。
“效率高一百万倍”靠谱吗？
这类说法要谨慎看。FinalSpark 确实讨论过生物神经处理可能比数字计算省很多能量，也宣传过很大的效率差距，但这些对比多基于对神经计算能耗的估算，并不是“成熟生物计算机”对“现代数据中心”的整机对比。
现实里，生物计算机还需要培养箱、营养液循环、温控、无菌操作、传感器、电子设备和一台传统电脑。算总账的话，整套系统的能耗才有意义，而不只是神经元自己的代谢能耗。所以更稳妥的看法是：它是一个效率潜力有趣的实验架构，而不是 GPU 的现成替代品。
能取代 AI 大模型吗？
以现在的技术，不能。大模型靠海量数字数据训练，跑在高度优化的 GPU 集群上；而现有的生物神经系统神经元数量少得多，很难稳定批量制造，也远做不到现代数字 AI 的全部任务。短期内更可能先在自适应学习、超低功耗、实时控制，或需要生物学真实性的场景里派上用场。
最大的技术难题有哪些？
让活细胞保持健康
硅芯片不用吃饭，神经元要。系统得维持稳定的温度、营养、气体环境，还要防止污染。
个体差异大
同型号的两颗处理器行为几乎一样，神经培养物却难以预测，结构、活动和寿命都可能不同。
输入输出带宽有限
电极的数量和质量，决定了生物和软件之间能传多少信息。
长期稳定性
神经培养物会随时间变化，这种适应性是优点，也让结果更难复现、长期运行更难保证。
这些系统有意识吗？
目前没有证据表明 CL1 或类器官计算平台具备类似人类的意识或主观体验。几十万个神经元的培养物，比拥有约 860 亿神经元、分工精细的人脑小得多、也简单得多。
不过伦理问题确实值得认真对待：随着神经培养物越来越复杂，细胞来源、福利、知情同意和实验边界都需要更严格的标准。Cortical Labs 自己也在研究文库里把类器官伦理列为议题之一。
生物计算与传统 AI 硬件对比
| 方面 | 生物神经计算 | 传统 AI 硬件 |
|---|---|---|
| 处理材料 | 活的神经元 | 硅晶体管 |
| 功耗 | 神经层面潜力很低 | 大模型场景下可能很高 |
| 制造一致性 | 目前较低 | 高度标准化 |
| 编程模型 | 实验性的闭环刺激 | 成熟的软件栈 |
| 扩展性 | 面临重大生物学挑战 | 数据中心扩展方案成熟 |
| 成熟度 | 研究和早期商用系统 | 大规模部署 |
它能用来做什么？
近期的应用更偏科研，而不是消费级，比如：
- 研究神经网络如何学习和适应；
- 研究神经系统疾病；
- 在人源神经组织上筛选化合物；
- 开发低功耗的自适应控制器；
- 脑机接口相关研究；
- 探索非传统计算架构。
至于“神经元驱动的游戏电脑”或手机，以目前技术来说还太远。
常见问题（FAQ）
CL1 是用人脑做的电脑吗？
不是。它用的是培养出来的神经元，连接到电子硬件上，既不是保存下来的人脑，也不含任何人的记忆或身份。
活神经元真的能控制游戏吗？
在闭环环境里，软件负责把游戏和神经培养物之间的信号互相转换，神经元的反应能影响游戏进程。简化版 Pong 和 Cortical Labs 的新系统都做过类似演示。
Cortical Labs 真让神经元玩过 Doom 吗？
公司确实演示过基于 CL1 的 Doom，但整套系统既有活神经元，也有传统软件和电子设备。
普通人能给生物计算机编程吗？
在现有平台的能力范围内可以。Cortical Labs 为 CL1 提供 Python API，FinalSpark 则通过 Neuroplatform 提供远程刺激和记录工具。
生物计算机会取代 GPU 吗？
近期没有证据表明会。现有平台仍是实验性的，更适合看作探索另一种计算方式的研究系统。
小结
生物计算是真的，只是比科幻版本更朴素：研究者培养规模不大的神经网络，接上电极阵列，观察这些活细胞在软件控制的环境里如何反应和适应。Cortical Labs 的 CL1 和 FinalSpark 的 Neuroplatform 说明，这个领域正从孤立实验走向可编程的研究平台。至于它会不会成为硅芯片的实用替代，目前还没定论，但已经给了科学家一个研究计算、学习以及生物与机器边界的新窗口。