科学家使用真正的脑细胞构建了一个活体AI设备

诸平

据《科技日报》（scitechdaily）网站2026年5月13日报道，美国普林斯顿大学科学家使用真正的脑细胞构建了一个活体AI设备（Scientists Build a Living AI Device Using Real Brain Cells）。

Fig. 1 Artist’s rendering of a biocomputing device that combines biological neurons with advanced electronics into a network that can be programmed to recognize patterns. Credit: Kate Zvorykina/Ella Maru Studio, Inc.

活体神经元和电子设备的3D网络可以识别电模式，并可能帮助研究人员研究大脑功能和低能计算(A 3D network of living neurons and electronics can recognize electrical patterns and may help researchers study both brain function and low-energy computing)。

美国普林斯顿大学（Princeton University）的研究人员已经建立了一个3D设备，将活脑细胞和先进的电子设备整合到一个系统中。该设备可以用计算方法编程以识别模式。

早期使用脑细胞进行计算的努力通常依赖于培养皿中生长的平面2D细胞培养物或从外部监测和刺激的3D细胞集群。普林斯顿系统是不同的，因为它被设计为与网络内的细胞进行交互。

该团队使用先进的制造方法构建了由微观金属丝和电极组成的3D网格，通过非常薄的环氧涂层将其固定在一起。这种涂层足够灵活，可以与生长在其周围的软神经元一起工作。研究人员使用网格作为支架，允许数万个神经元成长为一个能够计算的大型3D网络。相关研究于2026年4月23日已经在《自然电子学》（Nature Electronics）杂志网站发表——“A three-dimensional micro-instrumented neural network device” by Kumar Mritunjay, James C. Sturm and Tian-Ming Fu, 23 April 2026, Nature Electronics. DOI: 10.1038/s41928-026-01608-1

Fig. 2 The chip features around 70,000 biological neurons networked on a 3D mesh with dozens of microscopic electrodes that can sense and manipulate the brain cells’ activity. Credit: Wright Señeres

 该芯片具有大约70,000个生物神经元，它们在一个3D网格上联网，带有数十个微观电极，可以感知和操纵脑细胞的活动（图2）。

活网络学习模式(A living network learns patterns)

研究人员说，这种集成设计使他们能够记录和刺激神经元电活动，比早期系统更精细。在超过六个月的时间里，他们监测了网络的变化，测试了加强或削弱重要神经元之间连接的方法，并最终训练了一种算法来识别电脉冲中的模式。

在一个实验中，该系统使用不同的空间模式对进行了测试。在另一个实验中，它被测试了不同的时间模式。在这两种情况下，系统都正确地将模式区分开来。研究人员表示，他们的目标是扩展该平台，使其最终能够处理更复杂的任务。

Fig. 3 The paper’s senior authors were Jim Sturm, left, and Tian-Ming Fu, right. The paper’s first author was postdoctoral researcher Kumar Mritunjay, center, who was a graduate student when most of the work was done. Credit: Wright Señeres

大脑生物学满足AI限制(Brain biology meets AI limits)

这项工作由电气和计算机工程助理教授付天明（Tian-Ming Fu音译）和Omenn-Darling生物工程研究所(Omenn-Darling Bioengineering Institute)共同领导，该项目最初是为了调查神经科学中的基本问题而开发的，但团队后来发现它也可以帮助解决现代人工智能面临的主要挑战之一：能源消耗。

Fig.4 Biological neurons growing over and through a layer of a 3D electronic mesh. Researchers programmed the device to recognize patterns. Credit: Courtesy of the researchers/Princeton University

图3是生物神经元在3D电子网格的一层上生长。研究人员对设备进行了编程，以识别模式。傅天明说：“在不久的将来，人工智能的真正瓶颈是能源。我们的大脑只消耗了当今人工智能系统执行类似任务所消耗能量的一小部分——大约百万分之一。” 

该论文的第一作者Kumar Mritunjay说，像这样的系统，称为3D生物神经网络，“不仅有助于揭示大脑的计算秘密，还可以帮助理解和治疗神经系统疾病。”

本研究资金来自普林斯顿大学合作研究和创新联盟（Princeton Alliance for Collaborative Research and Innovation）、普林斯顿催化倡议（Princeton Catalysis Initiative）、工程和应用科学学院创新补助金（School of Engineering and Applied Science Innovation Grants），以及电气和计算机工程系（Department of Electrical and Computer Engineering）和普林斯顿大学Omenn-Darling生物工程研究所（Omenn–Darling Bioengineering Institute at Princeton University）的部门启动资金。

上述介绍，仅供参考。欲了解更多信息敬请注意浏览原文或相关报道。

Abstract

Three-dimensional (3D) cultured neural networks that emulate the structures and computational principles of the brain could be of use in the development of brain-inspired computing and artificial intelligence, as well as in the understanding of neural development and disease progression. However, creating such stable device–neural network interfaces remains challenging, limiting the potential of such 3D neural networks. Here we report a 3D micro-instrumented neural network device in which a 3D flexible electronic sensor and stimulator array is integrated with a 3D cultured neural network. Our device can be used to record action potentials from multiple planes over a period of 6 months, allowing the quantitative monitoring of the evolving connectivity maps and the pharmacological stimulation responses of the neural networks. This approach also supports chronic electrical stimulation, which we use to train neural networks by tuning the connectivity strengths between neurons, creating a reservoir neural network for biocomputing.

转载本文请联系原作者获取授权，同时请注明本文来自诸平科学网博客。

链接地址：https://wap.sciencenet.cn/blog-212210-1534852.html?mobile=1

收藏

分享