准确率达到83%，生物混合计算让体外神经元学会读盲文

准确率达到83%，生物混合计算让体外神经元学会读盲文图1

未来的电脑，会不会有一天也能用上实验室里培养出来的“微型大脑”？

人脑是一台极其节能的“计算机”。我们每天要处理视觉、听觉、触觉等各种信息，还要思考、记忆、学习和作出决定，但整个人脑的功率只有大约20瓦。

既然人脑能够用这么少的能量完成如此复杂的任务，能不能借鉴它的工作方式，开发更加节能的计算系统？受此启发，科学家开发出了模仿人脑工作方式的硅基处理器，在一些任务中能比传统处理器节省大量能耗。

不过，这些处理器仍然是电子芯片。

有研究人员开始尝试另一条路线：直接利用模拟人类前脑的微型神经组织来处理信息，希望开发出更加节能的计算系统。

这就是生物混合计算（biohybrid computing）：将生物神经系统与电子设备结合起来，让两者共同完成信息处理任务。

不过，要实现这一设想，首先得弄清楚：这些微型神经组织能不能稳定地接收信号，再把信号传递出去？

在多电极阵列（MEA）上培养的前脑类器官（FO）与Neuroplatform平台之间的交互。8个记录电极的中心间距为200 μm，在类器官上形成了一个分布式的交互界面。系统可记录来自前脑类器官的神经活动，并通过远程访问的软件界面施加电刺激。

“微型大脑”怎么“阅读”盲文？

最近，英国布里斯托尔大学的一个研究团队，就用一种很特别的方式来验证这个问题——让实验室培养出来的微型神经组织尝试“阅读”盲文。

这些微型神经组织，也叫脑类器官（brain organoids），它们的直径不到1毫米，虽然不具备完整的人脑结构，但仍包含大约1万个神经元，以及一些为神经元提供支持的细胞。

在这项实验中，研究人员将脑类器官放在多电极阵列上，通过专门的装置维持它们的存活，并监测它们对外界刺激的反应。多电极阵列负责向脑类器官传递电信号。

盲文是一种通过凸起圆点的不同排列来表示字母和其他符号的文字系统。盲人可以用手指触摸这些凸点，辨认不同的文字。但脑类器官没有手指，无法直接触摸，它们怎么“阅读”呢？

研究人员制作了一块带有26个英文字母对应盲文符号的板子，再让安装在机械臂上的触觉传感器依次划过这些凸点。这个传感器就像一根非常灵敏的“电子手指”，能够记录接触过程中产生的细微变化。

准确率达到83%，生物混合计算让体外神经元学会读盲文图3

触觉传感器与脑类器官计算装置

图片来源：Liu et al., 2026，Figure 2

不过，传感器采集到的数据，不能直接被脑类器官接收。

研究人员还需要完成一个关键步骤：把触觉信息转换成神经组织能够接收的电信号。

为此，他们将传感器采集触觉信息的区域划分为八个部分，分别提取触碰的强度、持续时间、发生时间，以及强度如何变化等特征。这些信息被转换成不同的电刺激模式，通过八个电极传递给脑类器官。

不同的电刺激会让脑类器官产生不同的神经活动。研究人员再利用一种叫作支持向量机（support vector machine）的机器学习算法，分析这些神经信号，判断它们分别对应哪个盲文字母。

整个过程可以简单理解为：

传感器采集盲文信息 → 转换成电信号 → 脑类器官作出反应 → 计算机识别字母。

实验结果显示，使用单个脑类器官产生的信号，计算机识别盲文字母的准确率大约为61%；而当研究人员将三个脑类器官产生的信号结合起来，准确率提高到了83%。

这里需要特别说明的是：脑类器官并没有真正理解盲文，它们只是接收电刺激并产生神经反应，真正负责识别字母的，仍然是外部的机器学习算法。

准确率达到83%，生物混合计算让体外神经元学会读盲文图4

脑类器官识别盲文字母的实验流程

图片来源：Liu et al., 2026，Figure 4

为什么三个脑类器官比一个表现更好？

为什么三个脑类器官组合起来，识别准确率会明显提高？

虽然接收到的是相同的电刺激，但每个脑类器官的神经网络连接、发育状态和自身活动都可能有所不同，因此产生的反应也不会完全一样。

这有点像几个人同时观察同一件事。每个人注意到的细节和角度可能不同，把这些信息结合起来，有时候可能获得更完整的判断。

三个脑类器官产生的信号，或许包含了一些彼此互补的信息，让计算机更容易区分不同字母。不过，这还只是研究人员提出的一种解释，尚未得到直接验证。

有意思的是，当信号受到干扰时，三个脑类器官组成的系统，表现得更加稳定。

为了测试抗干扰能力，研究人员在两组用于识别的信号数据中人为加入随机噪声、数据缺失等干扰，再用同一种机器学习算法分别进行识别。

结果发现，在没有额外干扰时，两种方法的识别准确率几乎一样，分别为82%和83%。

但加入干扰后，差别就出现了。例如，在模拟数据缺失的测试中，直接识别的准确率降到了59%，而经过三个脑类器官处理后的准确率仍有72%；在一种随机噪声测试中，两者的准确率分别为55%和83%。

研究人员推测，这可能是因为不同脑类器官的神经反应保留了彼此互补的信息，即使部分信号受到干扰，计算机仍能找到识别字母所需的线索。

不过，这些干扰是人为加入到用于识别的信号数据中的。因此，实验只能说明，在特定测试条件下，结合多个脑类器官的神经信号可以提高识别的稳定性，还不能证明它们在真实环境中也具有同样的抗干扰能力。

用于扫描盲文字符的触觉传感器。图片由 Benjamin Ward-Cherrier 博士提供。

未来的电脑，真的能用上这些脑类器官吗？

虽然实验取得了令人感兴趣的结果，但研究人员强调，目前还不能说这些脑类器官已经学会了阅读盲文。

这项实验使用的是一种开环系统（open-loop system）：研究人员向脑类器官输入信号，再记录它们的反应，但这些反应不会影响下一次输入的信号。下一步，研究人员希望建立闭环系统（closed-loop system），看看脑类器官能不能通过这样的反复互动，逐渐学会调整自己的反应。他们还计划尝试更复杂的触觉信息，比如物体表面的纹理、边缘和不同类型的触碰。

此外，现有技术还有不少限制。比如，每个脑类器官只有八个电极用于传递和记录信号，很难捕捉其中更细微的神经活动变化；三个脑类器官组合起来虽然表现更好，但增加数量是否还能继续提高识别准确率，目前也并不清楚。

还有一个关键问题：这种生物混合计算系统，真的能比传统计算机更节能吗？

虽然人脑本身非常节能，但脑类器官需要专门的设备来维持存活、传递和记录信号。只有把这些设备的能耗也计算在内，才能判断整个系统是否具有节能优势。距离未来的电脑真正用上这些脑类器官，还有不少问题需要解决。

不过，这项实验至少证明，活的神经组织可以参与计算机识别信息的过程。或许有一天，我们的电脑真的会用上这些实验室培养出来的‘微型大脑’。

参考资料

[1] Brewer Gillham A. Mini brain organoids ‘reading’ Braille marks key step towards biohybrid computing. Frontiers News. 2026年10月16日。

https://www.frontiersin.org/news/2026/10/16/mini-brain-organoids-reading-braille-biohybrid-computing-frontiers-artificial-intelligence

[2] Liu T, Philamore H, Ward-Cherrier B. Encoding tactile stimuli for Braille recognition with organoids. Frontiers in Artificial Intelligence. 2026;9:1800219.