2026年4月，类脑智能与生物计算领域迎来一项里程碑式进展。日本东北大学与未来大学的科研团队联合宣布，他们成功利用大鼠大脑皮层神经元，构建出首个能够自主生成复杂时序信号的“闭环储备池计算”系统。这项突破性成果不仅证实了活体生物神经元执行人工智能计算任务的巨大潜力，更为下一代超低功耗AI硬件的发展开辟了一条全新的技术路线。

长期以来，类脑计算的研究主要集中于对硅基神经网络的结构与功能模拟。而直接采用活体生物神经元构建可用的计算系统，始终面临着一道难以跨越的技术壁垒。其中最核心的挑战在于神经元自发连接导致的“网络同步化”问题——当神经元活动过于一致时，整个网络的动态多样性与学习能力将严重受限，难以满足实际AI应用对复杂信息处理的需求。

为何全球顶尖实验室仍孜孜不倦地探索生物计算？其根本驱动力源于当前人工智能发展遭遇的严峻瓶颈。随着大语言模型、多模态模型的参数规模指数级增长，传统硅基芯片的算力提升已逐渐逼近物理极限。更为紧迫的是，训练和运行这些巨型模型所产生的惊人能耗，已成为制约AI产业可持续发展的关键障碍。公开研究数据显示，完成同等复杂度的认知任务，当前顶级AI模型的单次推理能耗，可能高达人脑能耗的百万倍以上。这种巨大的能效差距，促使科学家将目光投向自然界最精妙的计算单元——生物神经元。其与生俱来的超低功耗、高度并行及自适应特性，被视为突破现有算力与能效困局最具前景的方向之一。

日本研究团队的此次突破，其核心在于发明了一套有效“引导”神经元网络行为的新方法。他们采用生物相容性极佳的聚二甲基硅氧烷（PDMS）微流控薄膜作为物理载体，将大鼠皮层神经元的胞体精确限制在128个独立的微孔内。通过预先蚀刻的微通道连接这些节点，研究人员成功构建出“格型”与“分层”两种拓扑结构清晰、连接可控的活体神经元网络。

这一精妙的微流控设计，精准解决了以往生物计算网络的关键缺陷。它有效抑制了神经元因随机过度连接而产生的全局同步振荡，为网络进行高效、稳定的信号学习奠定了物理基础。基于此可控网络，团队结合高密度微电极阵列，搭建了一套完整的**“闭环储备池计算”系统**。实验表明，该系统无需依赖外部持续指令输入，即可自主学习和稳定产生包括周期性信号与混沌波形在内的多种复杂时序模式，具备了直接处理人工智能计算任务的基础能力。

当然，从实验室原型走向规模化应用，生物计算仍面临一系列挑战。目前实验所依赖的大鼠原代神经元，其体外存活与功能维持时间有限；如何实现神经元的大规模、标准化培养与可控三维组装，仍是待解的技术难题；此外，生物-电子接口的长期信号稳定性与可靠性也需要进一步验证与提升。

尽管如此，这项研究展现的前景已极具颠覆性。业界分析指出，若能相继攻克神经元长期活性维持、大规模可控网络集成及稳定信号交互等核心挑战，生物AI计算的能效比有望实现数个数量级的提升。未来，它或许将从根本上重塑下一代高性能、低功耗人工智能系统的硬件基石。这条探索之路虽远，但通往未来的方向已然清晰可见。