问题——传统算力增长承压，新型计算路径亟待突破。随着大模型训练和边缘智能应用快速铺开，算力需求持续走高，能耗、散热和成本等限制愈发突出。如何保证实时决策的同时提升能效，已成为信息技术与工程领域共同面对的关键问题。在此背景下，利用活体神经网络进行信息处理的生物计算再次受到关注，其重点在于探索不同于硅基芯片的计算介质与学习机制。原因——接口与工程化能力进步，降低了操控“活体网络”的门槛。澳大利亚生物技术公司Cortical Labs展示的CL1平台，在硅芯片微电极阵列上培育人类脑细胞，并持续提供营养，同时实现信号读写，使神经元活动与外部计算系统形成闭环。相比该公司2021年展示的“碟中之脑”学习简单游戏《Pong》，此次演示在任务复杂度和开发效率上更继续。团队称，新接口让研究人员可以用通用编程语言快速开发与训练；一名独立开发者约一周内完成训练与验证，显示生物计算正从“高度定制的实验”走向“可复用的平台能力”。影响——复杂交互验证活体神经网络的学习潜力，也凸显机理与评估体系仍待完善。在演示中，微电极阵列向神经元发送电信号并读取其活动，再将信号映射为游戏角色在二维地图中的移动等指令，使其能够与经典第一人称射击游戏《毁灭战士》交互。虽然表现仍难与人类玩家相比，但已优于随机操作，并被认为在学习速度上具备一定优势。英国对应的研究人员指出，与射击类游戏互动需要处理更高的不确定性、更快的实时反馈以及更复杂的策略选择；能完成这类验证，本身意味着活体神经系统在训练方法与稳定运行上有所提升。同时，研究界也提醒，神经元如何完成信息整合与表征等内部过程仍未被完全解释，例如没有视觉器官的情况下如何“理解”屏幕输入。这表明生物计算虽显示出独特的信息处理能力，但距离可解释、可控、可规模化应用仍有差距。更关键的是，统一的性能指标、可重复的实验流程，以及对生物样本差异的统计评估体系，都会直接影响这一方向能否从演示走向工程化应用。对策——围绕安全合规、标准化与应用牵引，推动从实验展示到产业化验证。业内人士认为，下一步可从三上推进：一是补齐平台级工程能力，包括更稳定的培养与供给系统、更可靠的信号采集与解码、更可控的训练范式，以减少波动并提高可重复性；二是加强伦理与合规治理，明确细胞来源、实验边界、数据记录与审查流程，形成可审计的研究规范；三是以应用场景带动研发，机器人控制、边缘决策、低功耗自适应系统等方向开展对比测试，明确相对传统方案的真实优势与适用边界。前景——目标不在“玩游戏”，而在探索高能效计算与混合系统新架构。研究人员强调，相关工作并非培育“迷你大脑”用于娱乐，而是把神经元视为一种在硅材料中难以复制的信息处理介质，用以探索更节能、更具适应性的计算形态。值得关注的是，国际上已有团队尝试用水凝胶等材料构建类似系统，并用于机械臂控制等任务，显示生物计算与机器人、传感与控制的结合正从概念验证走向功能验证。展望未来，若能在稳定性、可解释性和规模化制造上取得突破，生物计算有望与传统芯片形成互补：在部分任务上以更低能耗完成学习与自适应，并在系统层面与现有计算架构协同，推动混合智能系统向更高效率与更强鲁棒性演进。
生物芯片“学会”复杂游戏看似新奇，实则标志着生物计算正从理论探索迈向更可落地的实践阶段。它提示我们，许多技术突破来自对自然系统机理的理解与工程化转化。当活体神经网络能够作为计算系统的信息处理介质，当生物智能与硅基智能实现协同，人类对智能机制的认识有望继续加深，也将打开对未来计算形态的更多想象空间。接下来，基础研究、关键技术突破与应用验证仍将相互推动，生物计算的潜力能否兑现，取决于能否可重复、可评估、可合规与可规模化上持续向前。