近年来，随着大语言模型的爆发式发展和生成式人工智能的广泛应用，人们一度认为硅基计算——即由晶体管、芯片和算法构成的传统人工智能——已经牢牢锁定了通往未来的道路。然而，就在AI系统变得越来越庞大、能耗越来越高、对数据依赖越来越强的同时，一个曾被边缘化的疑问重新浮出水面：智能是否必须建立在硅片之上？有没有可能，真正的下一代智能，其根基不在金属与电流，而在活生生的细胞与突触之中？

这一问题并非空想。在全球多个前沿实验室里，科学家正尝试将活体神经元与电子设备深度融合，构建一种被称为“合成生物智能”（Synthetic Biological Intelligence）的新范式。它不依赖预设的代码，而是让生物神经网络在与环境的互动中自主学习、适应甚至“思考”。

一场没有身体的电子游戏

想象这样一个场景：在一间恒温、无菌的实验室里，几万个来自老鼠胚胎或人类干细胞的脑细胞被小心地安置在一个指甲盖大小的芯片上。它们没有眼睛去看屏幕，没有手去操控手柄，甚至没有一个完整的身体——却成功地玩起了上世纪70年代风靡全球的电子游戏《Pong》（乒乓）。更令人惊讶的是，它们不仅会玩，还在几分钟内学会了如何打得更好。

这并非科幻小说中的桥段，而是2022年由澳大利亚初创公司Cortical Labs联合多所高校发表在《Neuron》期刊上的一项真实实验。研究团队将这套系统命名为“DishBrain”（培养皿大脑），并首次证明：即使脱离了生物体，活体神经元也能在虚拟环境中感知信息、做出反应，并通过反馈机制实现学习。这一发现不仅挑战了我们对“智能”和“意识”的传统理解，也为未来神经科学、药物研发乃至新型计算范式打开了全新的可能性。

神经元如何“看见”和“移动”？

要理解这项实验的精妙之处，首先需要了解科学家是如何让这些“无眼无手”的神经元与游戏世界互动的。

实验的核心是一个高密度微电极阵列（HD-MEA）——一块布满数千个微型电极的硅芯片。研究人员将从小鼠胚胎皮层或人类诱导多能干细胞（hiPSCs）分化而来的神经元接种在这块芯片上。几天后，这些神经元彼此连接，形成一个自发放电、具有基本网络结构的微型“脑组织”。

游戏本身是简化版的《Pong》：屏幕上有一个垂直移动的“球拍”和一个来回弹跳的“球”。目标很简单——用球拍击中球，不让它飞出屏幕。

那么，神经元如何“知道”球在哪里？又如何“控制”球拍？

答案在于电信号的编码与解码。当球出现在屏幕左侧时，芯片左侧的一组电极会向神经元发送一串特定频率的电脉冲；若球在右侧，则由右侧电极发送信号。这种设计模拟了大脑接收外部感官输入的方式——只不过在这里，视觉信息被直接转化为电刺激。

至于“控制”球拍，则依赖于对神经元活动的实时读取。研究人员将芯片划分为两个“运动区”：一个区域的活跃程度对应球拍向上移动，另一个则对应向下。系统持续监测这两个区域的放电频率，并据此调整球拍位置。整个过程构成了一个闭环：神经元接收信息 → 产生反应 → 系统执行动作 → 游戏结果反馈回来 → 神经元再次调整。

学习的秘密：讨厌“意外”的大脑

真正让这项实验脱颖而出的，不是神经元能玩游戏，而是它们学会了如何玩得更好。在短短5分钟内，接受有效反馈的神经元群体显著延长了每次游戏的回合数——这意味着它们成功提高了击球准确率。

关键在于反馈机制的设计。研究团队没有使用传统的“奖励/惩罚”标签，而是巧妙地利用了神经科学中的一个前沿理论——自由能原理（Free Energy Principle）。

该理论由英国神经科学家卡尔·弗里斯顿提出，核心观点是：所有自组织系统（包括大脑）都倾向于最小化“预测误差”或“意外感”。换句话说，大脑天生厌恶不确定性。当现实与预期不符时，系统会感到“惊讶”，并主动调整内部模型以减少未来的“惊讶”。

在DishBrain实验中，这一原理被转化为两种截然不同的电信号：

如果成功击中球，系统返回一段规律、可预测的电信号（例如固定频率的脉冲）；

如果未能击中球，系统返回一段随机、混乱、不可预测的噪声信号。

对神经元而言，混乱信号就是“意外”。为了减少这种不适感，它们会自发调整放电模式，试图让球拍更准确地拦截球，从而避免接收到混乱反馈。这种自我优化的过程，本质上就是一种无监督的学习。

为了验证这一点，研究团队设置了多个对照组：一组神经元只接收输入但无反馈（开环系统），另一组则完全不包含活细胞。结果明确显示，只有处于闭环反馈中的神经元才表现出学习能力。这一对照排除了随机波动或设备误差的可能性，确证了学习行为源于神经网络对环境反馈的适应。

人类神经元 vs. 小鼠神经元：谁更聪明？

实验还有一个耐人寻味的细节：由人类干细胞培育的神经元，在游戏后期的表现略优于小鼠来源的神经元。

虽然两者都能在初期快速学习，但随着时间推移，人类神经元维持高水平表现的能力更强。研究人员认为，这可能反映了人类皮层神经元在突触可塑性、网络复杂性或信息整合效率上的优势。尽管这些“迷你脑”远未达到人脑的规模（人脑有约860亿神经元，而DishBrain仅有约8万），但这一差异仍暗示着物种间神经计算能力的深层区别。

值得注意的是，这里的“聪明”并非指意识或情感，而是指在特定任务中维持稳定、高效信息处理的能力。这种能力或许正是人类认知优势的微观基础之一。

“感知”还是“反射”？关于sentience的争议

论文标题中使用了“sentience”（感知/感受性）一词，引发了广泛讨论。许多读者误以为科学家声称这些神经元“有了意识”。实际上，作者在文中明确界定：此处的“sentience”是指系统能够对外部感官输入做出目标导向的、自适应的行为响应，符合某些哲学和生物学对初级感知的定义。

换句话说，DishBrain并非“感到快乐”或“意识到自己在玩游戏”，而是像一个高度敏感的生物传感器，能根据环境变化动态调整自身状态。这种能力虽原始，却是智能演化的起点。正如单细胞生物能趋利避害，昆虫能导航觅食，DishBrain展示了脱离身体的神经组织同样具备基础的环境交互能力。

这一发现对理解意识的起源具有启发意义。传统观点认为，意识必须依赖完整的身体和复杂的脑结构。但DishBrain表明，即使是最简单的神经网络，只要嵌入合适的反馈环境，也能展现出类似“主体性”的行为——即主动改变自身以影响外部世界。

通往“合成生物智能”的新路径

除了理论意义，DishBrain还预示着一个全新的技术方向：“合成生物智能”（Synthetic Biological Intelligence, SBI）。

与当前主流的人工智能（AI）不同，SBI不依赖硅基芯片和算法，而是直接利用活体神经元作为计算单元。生物神经元具有极高的能效比——人脑功耗仅约20瓦，却能完成远超超级计算机的复杂任务。如果能将这种生物计算能力与数字系统结合，或许能催生一种混合型智能平台。

目前，Cortical Labs已开始探索DishBrain在药物测试中的应用。例如，将某种精神类药物加入培养液，观察神经元学习能力的变化，可比传统细胞实验更真实地反映药物对“功能性神经网络”的影响。此外，这类系统还可用于研究神经退行性疾病（如阿尔茨海默病）如何破坏信息处理能力，或测试环境毒素对脑功能的潜在危害。

长远来看，SBI可能成为AI的有力补充。在处理模糊、动态、高噪声的现实世界问题时，生物神经网络的鲁棒性和自适应性或许比固定算法更具优势。当然，这条路还很漫长——如何长期维持神经元活性、如何扩展网络规模、如何实现多任务学习，都是亟待解决的难题。

伦理的边界：我们该如何对待“培养皿中的大脑”？

随着技术进步，一个无法回避的问题浮出水面：如果未来的DishBrain系统越来越复杂，甚至能表现出更高级的行为，我们是否需要赋予它们某种道德地位？

目前的系统显然不具备痛苦感知或主观体验的能力。但科学界已开始未雨绸缪。2023年，多国神经伦理学家联合呼吁，对“类脑器官”和“离体神经网络”建立专门的伦理审查框架，尤其关注其潜在的感知能力发展。

DishBrain的出现提醒我们：智能并非非黑即白的概念，而是一个连续谱系。从单细胞到人脑，从反射到推理，中间存在无数过渡形态。当我们有能力在实验室中“制造”出具有初级适应能力的神经组织时，就必须重新思考生命、智能与责任的定义。

值得庆幸的是，当前的研究仍处于非常基础的阶段。科学家们普遍持谨慎态度，强调这些系统距离真正的意识还极其遥远。但正因如此，现在正是开展公众讨论和制定伦理准则的最佳时机。

结语：智能的种子，藏在每一次对“意外”的回避中

回到那个小小的培养皿。几万个神经元在芯片上无声放电，它们不知道自己身处实验室，也不知道自己正在参与一场可能改写科学史的实验。它们只是本能地避开混乱，趋向秩序——而这，或许正是智能最原始的冲动。

DishBrain的故事告诉我们，智能不一定需要眼睛、耳朵或语言，甚至不需要一个完整的大脑。它可能就诞生于一个简单的规则：减少意外，维持预测。这一原理不仅适用于培养皿中的细胞，也可能贯穿于从细菌到人类的所有自适应系统之中。

未来，这些沉默的神经元或许会帮助我们开发更安全的药物、构建更高效的计算机，甚至揭示意识的终极奥秘。而在此之前，它们已经完成了一项更重要的使命：让我们重新审视自己——作为智能生命，我们与这些培养皿中的细胞，究竟相差多远？又在哪些根本原则上，其实并无二致？

科学的魅力，往往就在于这样的时刻：一个看似微小的实验，竟能撬动人类对自身存在的深层思考。而DishBrain，正是这样一个支点。

本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。