突破能耗瓶頸：3D電子網格融合活體神經元六個月訓練識別模式

人類大腦處理一項復雜任務時，消耗的能量大約只有20瓦，相當于一顆節能燈泡。而今天最先進的AI系統完成類似任務，耗電量可以是大腦的百萬倍。這個鴻溝，正是整個AI行業下一個十年最難跨越的障礙。

普林斯頓大學的研究人員決定換一個方向——直接去問大腦本身，它是怎么做到的。

4月23日，他們在《自然·電子》期刊上發表了一項成果：將數萬個活體神經元與三維電子網格融合，造出一個可編程的生物計算設備，并成功訓練它識別空間和時間兩種電脈沖模式。這套系統被命名為3D-MIND，即三維微型儀器化神經網絡設備。

此前，科學家用腦細胞做計算實驗，主要依賴兩種方式：在培養皿里培養二維細胞層，或者讓細胞自然聚集成三維球狀體后再從外部探測。

這兩種方式都有致命短板。二維培養物結構過于簡單，遠不能反映真實大腦神經元的連接方式；三維球狀體雖然更接近自然狀態，但信號只能從外部讀取，精度和分辨率都極為有限，科學家基本上只能隔著"玻璃"觀察，無法真正與神經元對話。

普林斯頓團隊的解法是從內部向外構建。他們利用先進微納制造技術，先制作了一個由微型金屬絲和電極組成的三維網格骨架，整個骨架被極薄的環氧樹脂涂層包裹。這層涂層薄到足以與柔軟的神經元組織形成良好的物理接口，既不會損傷細胞，又能保證電信號的高效傳遞。

隨后，研究團隊以這個網格為支架，將神經元在其中培養生長，最終形成一個與電子設備深度融合的三維生物神經網絡。電極分布在網絡內部，可以同時記錄和刺激神經元的電活動，精度遠超此前任何二維或外部探測方案。

團隊對這套系統持續追蹤觀察超過六個月，不斷調整神經元之間連接的強弱，逐步訓練出一個能夠識別電脈沖模式的算法。在兩項測試中，系統分別正確區分了不同的空間脈沖模式和時間脈沖模式，驗證了這套生物電子混合架構的基本計算能力。

這項研究的起點是神經科學，但研究者在實驗過程中意識到，它指向了一個更緊迫的工程問題。

"AI在近期真正的瓶頸是能耗，"領導這項研究的普林斯頓電氣與計算機工程系助理教授付天鳴直接說道。他指出，人腦執行與今天的AI系統相當的任務時，所消耗的能量大約只有后者的百萬分之一。

這個差距并非源于芯片制造工藝的不足，而是兩套計算架構從根本上的不同。硅基芯片的計算邏輯建立在精確的二進制開關之上，每一次運算都需要明確的電能驅動；而生物神經元通過電化學信號異步通信，整個網絡天然具備極高的能效。

更關鍵的是，生物神經元的連接強度是動態可變的，整個網絡可以通過"經驗"自我調整，這正是學習和記憶的物理基礎。現有人工神經網絡在算法層面模擬了這一過程，但底層硬件仍然是高能耗的硅電路，模擬終究是模擬。

3D-MIND走的是另一條路：直接使用真實的生物神經元作為計算單元，讓硅電子器件負責讀寫接口，兩者協同工作。這種"濕件加硬件"的混合架構，理論上可以在保留生物計算高能效優勢的同時，借助電子器件實現可編程和可控制。

當然，目前的3D-MIND仍處于早期概念驗證階段，識別幾組簡單模式與真正意義上的復雜計算之間，還有相當長的距離。但它至少證明了一件事：讓活體腦細胞參與計算，不再只是科幻小說里的情節。