科学家用活体神经元完成计算任务，脑机融合迈出惊人一步
现实版“缸中之脑”来了？在实验室的培养皿里，一簇大鼠脑细胞在实时电刺激回路训练下，学会了生成正弦波、三角波以及混沌信号。
这项发表于 PNAS 的研究来自日本东北大学（Tohoku University）等团队。他们首次证明了培养的大鼠皮层活神经元可被训练，并用于执行由传统人工神经网络生成的周期性及混沌时间序列信号的任务。
在微流控装置精确引导下，神经元网络展现出高维动力学特性。通过将培养的生物神经元网络（BNN，Biological Neural Network）整合到机器学习框架中，验证了它们能够生成复杂的时间序列信号。
需要了解的是，体外神经元原本是自发活动、杂乱无章的，研究团队的方法相当于用微流控芯片将神经元“关”到一个个小房间里（空间分区定植），但又留下了狭窄的通道，这样让它们之间既能保持秩序又能可相互联系。
一方面，该研究为深入探索大脑将无序的神经活动变成有序行为指令的过程奠定了理论基础；另一方面，这些活神经元具有耗电量极低且能自我适应性强的优势，未来或许可基于活细胞制备出比硅基芯片还省电的“湿件”计算平台。
该研究不仅开辟了神经科学和计算技术交叉的新方向，更展现出 BNN 替代现有机器学习模型的潜力。未来，结合人类诱导多能干细胞分化的神经元，或可替代动物实验成为药物反应测试平台，以及脑机接口和神经假体体外研究、神经系统疾病的模拟平台。
（来源：PNAS）
长期以来，人工神经网络（ANN，Artificial Neural Network）和脉冲神经网络（SNN，Spiking Neural Network）通常应用于机器学习和神经形态硬件领域。基于这类网络，储层计算框架也随之发展起来，它借助循环连接的 ANN 和 SNN 的动态特性，为处理时变数据提供了一种高效的方法。
在传统的基于 ANN 的储层计算中，通过 FORCE（First-Order Reduced and Controlled Error）学习算法等方法能够通过持续修正输出信号、减小误差，进而实现实时自适应。
这些技术使人工系统能够生成各种时间模式，包括周期性和混沌信号。然而，类似的方法是否适用于生物神经网络？尽管该方向此前已有探索，但长期以来尚未形成统一的答案。
图丨 BNN 中的 FORCE 学习（来源：PNAS）
为了填补这一空白，研究团队利用培养的大鼠皮层神经元构建了生物神经网络，并将其整合到储层计算框架中。该研究的关键创新之一在于，利用微流控装置精确引导神经元生长并控制网络连接。
研究人员在由 26,400 通道构成的高密度微电极阵列上培养神经元，其动作电位被实时记录、滤波后转化成连续信号。然后，经由线性解码器映射为目标输出。
接下来，该输出信号反过来转化为电脉冲，再回输到培养皿中的特定电极，形成反馈回路。整个控制周期平均在 332.5 毫秒左右，其中包含滤波伪影去除时间约 120 毫秒，以及脉冲计数窗口和软硬件延迟约 200 毫秒。
他们通过应用 FORCE 学习算法优化系统的读出层，不仅显著降低了内存需求，还成功训练这些生物网络，使其能够产生与运动控制中类似的复杂时间信号。研究人员基于这种方法构建了模块化网络架构，可最大限度避免神经元过度同步，让网络呈现出高效储层计算所需的丰富、高维动态行为。
基于 BNN 的框架能够生成多种时间序列模式，包括正弦波、三角波、方波，甚至包括洛伦兹吸引子在内的混沌轨迹。值得关注的是，这种神经网络展现出优异的灵活性，能够在同一系统中学习并稳定再现 4 秒、10 秒和 30 秒的正弦波。
生成洛伦兹吸引子轨迹是研究中最具挑战性的任务。在实验中，尽管高振幅峰值的还原精度仍有提升空间，但更重要的是，结果显示三个维度的预测与目标信号相关性均在 0.8 以上，说明 BNN 已经成功捕捉到了混沌轨迹的主要结构。
图丨相关论文（来源：PNAS）
“这项研究表明，活体神经元网络不仅是具有生物学意义的系统，而且还可以作为新型计算资源，”东北大学助理教授 Hideaki Yamamoto 表示，“通过结合神经科学和机器学习的优势，我们正在利用生物系统的内在动态特性，走出一条全新的生物计算路线。”
研究团队承认当前的研究仍存在一定的局限性，例如系统学习结束后性能衰减，以及 330 毫秒闭环延迟在高频信号追踪方面仍存在限制。在未来的研究阶段中，研究人员希望能够进一步提高训练结束后信号生成的稳定性。
据团队计划，接下来的工作重点是减少反馈延迟和改进 FORCE 学习算法。在此基础上，他们还将拓展该平台在科研和医学等领域的应用价值，例如成为研究药物反应和模拟神经系统疾病的微生理系统。
当神经元不仅能来理解大脑，也可以用于做计算，或许，这意味着我们正在接近一种介于生物和机器之间的全新计算范式。
参考资料：
相关论文：https://pnas.org/doi/10.1073/pnas.2521560123
https://www.tohoku.ac.jp/en/press/living_brain_cells_enable_machine_learning_computations.html
排版：刘雅坤
相关攻略
熊市中可通过识别K线顶部反转形态、关键支撑位有效跌破及均线系统死叉等信号判断离场时机。这些技术迹象表明上涨动能衰竭或下行空间打开，有助于投资者及时止损，保护本金。
五月初，代号“国模A”的神秘模型在评测中表现突出，阿里云峰会揭晓其为新一代旗舰模型Qwen3 7-Max。峰会焦点转向“Allin智能体”，强调从产品发布转向生态共建。阿里云CTO指出云的价值正从管理算力转向管理“智力”，大模型发展重点也从“人类价值对齐”转向“任务对齐”，标志着阿里正围绕智能体重构生态。
2026年北京车展媒体日，一场别出心裁的互动引发了广泛关注。小米集团创始人雷军亲临现场，他并未首先造访自家展台，而是进行了一次特别的拜访——向理想、小鹏、蔚来、比亚迪等中国新能源汽车品牌的负责人，赠送了专属定制的纪念T恤。 这份礼物寓意深刻。每一件T恤上的文字都经过精心设计，精准契合了接收方的品牌文
深入理解Linux内核同步机制，信号量与完成量是绕不开的核心组件。许多开发者能够熟练调用相关API，但在被问及“它们底层如何实现进程阻塞与唤醒”时，却难以清晰阐述。这正是掌握内核同步精髓的关键——二者均构建于“内核阻塞唤醒”这一底层机制之上，区别在于应用场景与抽象层次。本文将彻底拆解信号量与完成量的
币圈术语ATH指历史最高价，ATL指历史最低价。它们反映了资产价格的极端位置，但并非直接的买卖信号。投资者应结合市场环境、项目基本面等多重因素综合判断，避免仅凭价格高低点做出投资决策。
热门专题
热门推荐
当一家头部量化私募机构，凭借自主研发的AI Agent智能体矩阵，仅耗时7天就高效完成了以往需要长达90天甚至180天才能走完的完整研究流程时，一个明确的行业信号已然显现：人工智能在量化投资领域的应用深度，已从初期锦上添花的辅助角色，全面升级为足以重构整个行业生产力底层逻辑的核心基础设施。 然而，这
思维导图能有效梳理思路并提升信息传递效率。在PPT中可通过三种方法制作：一是利用SmartArt图形快速插入并编辑层次结构；二是手动绘制形状和连接线以实现高度自定义；三是借助专业软件制作后以图片形式插入。这些方法均旨在通过视觉化工具使幻灯片内容更清晰有条理。
港股AI大模型板块持续走强，MiniMax与智谱被视为“双子星”引领板块。MiniMax被纳入相关指数带来资金支撑，智谱凭借GLM架构占据核心地位。板块驱动因素包括监管趋于明确、商业化进展不断兑现以及被动资金持续流入。市场正从概念炒作转向验证真实技术与商业落地能力，推动相关标的价值重估。
在《饼干人联盟》的冒险旅程中，欢乐果冻森林的1-10关卡是许多玩家遇到的第一个重要挑战。这一关不仅是前期资源积累的关键节点，也是检验队伍配置与操作技巧的绝佳机会。为了帮助大家顺利攻克难关并获取丰厚奖励，我们准备了这份详细的通关攻略。 一、关卡BOSS解析：幸福花 本关的守关首领是幸福花。虽然名字听起
伊朗电信基础设施迎来重要升级。该国于26日正式宣布，其国际互联网带宽与连接已实现稳定、全面的恢复。 此次恢复意味着，伊朗境内的固定宽带用户现已能够顺畅访问全球网络，正常使用国际网站、在线应用及各类数字服务。此前，伊朗通信部门已多次表明，正在有序推进国际互联网接入的修复与优化工作。官方强调，此举旨在从