普林斯顿大学的研究人员构建了一种三维设备，将活体脑细胞与先进电子元件集成于一个系统中。该设备可通过计算方法编程以识别模式。这项发表于《自然·电子学》的研究，不同于以往依赖二维细胞培养或外部刺激的尝试，其独特之处在于：它被设计为从网络内部与细胞进行交互。该平台不仅有助于揭示大脑的计算秘密，还可能为研究神经系统疾病以及开发超低能耗的新型AI硬件提供全新途径。

现代人工智能——特别是深度学习——在图像识别、自然语言处理和科学发现方面取得了令人惊叹的成就。然而，这一切的代价是巨大的能耗。训练像GPT-4这样的大型语言模型消耗的电力，相当于数百个美国家庭一年的用电量。而人类大脑是一个约1.5公斤、仅消耗约20瓦特的器官（相当于一个昏暗的灯泡），却能实时执行复杂的感知、运动控制和认知任务。这种效率上的悬殊差距，促使科学家探索基于生物神经元的新型计算范式。

设备构造：从二维到三维，从外部到内部

1. 三维微电极网格：该团队利用先进的微纳加工技术，构建了一个由微观金属线和电极组成的三维网格状支架。这些元件被一层极薄的环氧树脂涂层固定，该涂层足够柔韧，以适应在其周围生长的柔软神经元。

2. 活体神经元网络：研究人员将此网格作为“脚手架”，让数万个活体神经元（取自啮齿动物皮层）在其上生长。神经元轴突和树突与网格的微电极紧密交织，形成一个大型的三维生物神经网络。与此前需要外部电极阵列进行刺激和记录的二维培养物或类脑器官不同，该设备的电极嵌入在三维网络内部，能够以更高的精度记录和刺激电活动。

3. 长期培养与监测：该设备能够维持神经元存活并监测其活动超过六个月。在此期间，研究人员可以跟踪网络的结构变化（突触的形成与修剪）和功能变化（放电模式、同步性），并测试增强或减弱特定神经元之间连接的方法（即调控突触可塑性）。

功能验证：模式识别——区分时空电信号

为测试该设备的计算能力，研究团队进行了两类模式识别实验：

• 空间模式：向网络的不同电极施加不同模式的电脉冲序列，要求系统区分它们。该设备成功区分了给定的空间刺激模式。

• 时间模式：改变电脉冲的时间间隔，测试网络是否能够识别特定时序的动态。同样，该设备表现出了区分能力。

这意味着，该生物神经网络能够被训练（或通过可塑性规则自组织）以辨别不同的时空电活动模式——这是学习与记忆的基本操作。该系统的准确性是通过“算法”评估的，本质上，从神经元网络的输出（可测量的电发放）经解码后，判断其对应于哪种输入模式。

生物神经网络的独特优势

1. 超低能耗：如上所述，大脑完成相同任务的能耗仅为当前数字AI系统的约百万分之一。如果生物神经网络的计算功能可以被有效利用（不是直接仿真，而是作为实际计算机的生物“协处理器”），它们可能会极大地降低能耗。

2. 内在的突触可塑性：生物神经网络不是静态的。当接收到模式时，它们通过长期增强（LTP）和长期抑制（LTD）调整突触权重。这种固有的、自适应的可塑性可能是高效、单样本学习的核心，而数字AI需要大量反向传播和标记数据才能达到同等效果。

3. 容错与模拟计算：神经元使用模拟信号（分级电位、棘波频率）而非数字比特（0/1）。它们对单个突触或神经元的丢失具有鲁棒性。因此，生物神经网络可能对“噪声”具有天然的抗性，而数字神经网络在硬件层面极易受单比特翻转的影响。

局限性：通往实用“生物AI”之路的挑战

尽管这一集成系统是工程学上的壮举，但在成为实际计算设备之前仍面临重大障碍：

1. 可扩展性：该设备包含“数万个”神经元。人类大脑拥有约860亿个神经元。即使是一个简单的视觉识别任务，也可能需要比当前规模大数个数量级的生物网络。培养和维持如此大规模神经元的活力和受控状态，在营养供应和废物清除方面极具挑战。

2. 训练与编程：目前，该网络并未像数字AI那样在监督下进行训练。相反，其“识别”能力依赖于内在的、非特异性的可塑性，并由人工选择的强化或减弱某些连接的方案所引导。要将生物神经网络用作通用计算设备，需要开发精确的“读写”协议，以便根据需要写入（训练）和读取（解码）信息。

3. 寿命与稳定性：虽然可维持6个月以上，但这类生物设备作为可用计算单元能够稳定运行多长时间的期限未知。由于不可控的突变、感染或代谢变化，神经元网络可能在数周或数月内漂移出校准状态。

4. 伦理考量：随着这些“生物AI”设备变得更大、更复杂（甚至可能包括人类神经元），伦理问题也随之产生：一个由数亿个人类神经元组成的网络，是否可能获得某种形式的意识或痛苦感受能力？这是一个需要前瞻性指导的领域。

生物医学应用与未来方向

除了计算，该平台作为疾病建模与药物测试平台也具有直接价值：

• 神经系统疾病的网络级机制：使用来自自闭症、精神分裂症、癫痫、阿尔茨海默病等疾病的诱导多能干细胞分化而来的神经元，研究人员可以利用该设备的三维微电极结构，研究疾病相关的网络放电异常（例如，过度同步、振荡受损、信息流改变）。这与二维培养相比更具生理相关性，因为三维结构影响突触连接和网络动力学。

• 药物筛选：通过向培养液中添加候选药物，并精确监测其对特定通路或突触功能的影响（通过电生理学），研究人员可以更接近体内条件的背景下，快速评估药物的疗效和毒性，同时保持高度的可控性和可及性。

• 神经假体闭环系统：该设备采用嵌入式电极，是神经假体的雏形——植入式设备，用于记录神经活动并向神经组织提供电刺激以恢复功能（如用于癫痫的响应式神经刺激系统、用于脊髓损伤的硬膜外刺激器）。通过将电极置于三维网络的“核心”而非表面，可实现更高效的刺激（更低的电流、更集中的场）和更高质量的记录。

结论

普林斯顿大学的研究团队成功构建了一种三维、微仪器化的生物神经网络设备，将数万个活体神经元与嵌入式的微电极网格集成为一体。该设备能够持续监测并刺激网络长达6个月以上，并能通过内在的突触可塑性，成功区分不同的空间和时间电刺激模式。

这项工作证明了利用生物神经元进行超低能耗、模式识别计算的可行性（人类大脑的能量效率比数字AI高约一百万倍）。它还为研究神经系统疾病的网络级机制以及高通量药物筛选提供了一个更具生理相关性的平台。尽管在可扩展性、寿命、训练协议和伦理方面仍存挑战，但“生物AI”领域有望利用进化数百万年的生物计算架构，为下一代节能计算和神经系统精准医疗铺平道路。

关键词：生物神经网络、活体AI、神经形态计算、三维电极、突触可塑性、低能耗计算、药物筛选

原文参考：Mritunjay, K., Sturm, J. C., & Fu, T.-M. (2026). A three‑dimensional micro‑instrumented neural network device. Nature Electronics. DOI: 10.1038/s41928-026-01608-1