Nature子刊：郭峰团队开发机器+大脑类器官系统，助力AI计算

撰文丨王聪

编辑丨王多鱼

排版丨水成文

随着人工智能（机器学习和人工神经网络模型）成为关键驱动因素，近年来对算力的需求急剧增加。但随着这些模型变得越来越复杂，运行它们的底层计算硬件的能效和性能却难以跟上。为此研究者们正在开发神经形态计算系统——受到人类大脑结构功能的启发——设计用于更高效地运行此类模型。

大脑类器官（Brain organoid）是用人类多能干细胞人工培育而成的一种三维聚集体，它会发育出类脑组织，能够复制发育中大脑结构的特定方面。

2023年12月12日，印第安纳大学伯明顿分校郭峰团队（蔡虹威为第一作者）在Nature 子刊Nature Electronics 上发表了题为：Brain organoid reservoir computing for artificial intelligence 的研究论文。

该研究开发了一种由电子硬件和大脑类器官（Brain organoid）组成的混合计算系统，可以执行如语音识别和非线性方程预测等人工智能（AI）任务。这一研究凸显出一种可能的方法，或可克服现有计算硬件的一些限制。

郭峰，2007年本科毕业于武汉大学物理系，2015年博士毕业于宾夕法尼亚州立大学，获得工程科学与力学博士学位，此后在斯坦福大学接受博士后训练。现为印第安纳大学伯明顿分校智能系统工程系研究员。研究方向集中在基于微流控、声学和人工智能的智能生物医学设备、传感器和系统的开发，以及用于大脑疾病和癌症的转化应用。

在这项研究中，郭峰团队开发了一种混合神经形态计算系统，其一部分是传统计算硬件，另一部分是大脑类器官。

这种类器官的特点是集合了不同类型的脑细胞，包括早期阶段和成熟的神经元，以及早期类脑结构（例如脑室区）的发育，以形成、发挥和维持神经网络功能。这一类器官从电刺激得到输入信号，经神经活动发送输出信号。研究团队将类器官与一类被称为储备池计算（reservoir computing）的人工神经网络相结合，这是一个动态物理存储层，可根据一连串输入信号捕捉和记忆信息。在输入和输出层使用了普通计算硬件，输出层受到训练可读取储备层，对原始输入数据进行预测或分类。

用于人工智能计算的无监督学习的大脑意识

该研究显示，这一系统能够被用于语音识别。在此，混合计算系统需要从一个库里的8个男性发音者中识别一个人的日语元音（使用了240段音频剪辑）。该系统经训练改进后能达到到约78%的准确度。这一系统还被用于预测一种Hénon映射（一种数学中的非线性动态系统）。与具有长短期记忆的人工神经网络相比，该系统在使用同一数据集时准确性稍逊。

研究团队表示，大脑类器官只是系统的一个部分，更复杂的人工神经网络尚有待演示。

Nature Electronics 期刊同期发布了一篇题为：Reservoir computing with brain organoids 的“新闻与观点“文章。

文章中写道，随着这些类器官系统的复杂性增加，对于学界而言，研究含有人类神经组织的生物计算系统的相关诸多神经伦理问题变得重要。创造出通用生物计算系统可能还要数十年，但这一研究有可能就学习、神经发育和神经退行性疾病的认知影响等机制产生基础性的见解。

参考链接：