Brainoware类器官神经网络激发大脑人工智能硬件

“人脑有1000亿个神经元，每个神经元与其他10,000个神经元相连。坐在你肩膀上的是已知宇宙中最复杂的物体。”—加来道雄博士。

由于大多数仿脑硅芯片都是基于数字电子原理，因此它们完全模仿大脑功能的能力是有限的。连接到微电极阵列(MEA)的自组织大脑类器官可以改变功能以创建神经网络。这些网络被称为类器官神经网络(ONN)，显示出无监督学习的能力，这也是人工智能(AI)的基础。当连接到正确的硬件时，这些微型器官甚至可以被训练来识别语音。

这种受大脑启发的计算硬件，或“Brainoware”，可以克服人工智能技术的现有缺陷，为当前人工智能硬件的时间、能源消耗和产热挑战提供自然的解决方案。这些ONN还可能具有模仿人脑所需的复杂性和多样性，这可能会激发更复杂和类人人工智能系统的开发。

Brainoware是由印第安纳大学伯明顿分校的FengGuo博士和辛辛那提儿童医院医疗中心的MingxiaGu博士的实验室开发的。该研究结果发表在NatureElectronics”中>.用于人工智能的脑类器官库计算

类器官神经网络

Brainoware的第一作者蔡宏伟和他的同事们希望找到一种生物学的方法来解决水库计算问题。油藏计算以其处理和学习复杂时间和顺序数据的独特方式而闻名。储层计算能够从时间序列中提取复杂的模式和关系。这种方法可确保快速训练并强调能源效率，使其成为环保人工智能解决方案的可行选择。

油藏计算在各种应用中展示了有希望的成果，包括时间序列预测、语音识别、语言建模和解决复杂的非线性动力系统。其独特的架构和培训方法为有效管理顺序和时间数据提供了创新的替代方案。这使其成为机器学习和人工智能研究领域的宝贵工具。

未来的计算机是由大脑构成的吗?

还没有完全。虽然Brainoware不需要太多功耗，但它依赖于培养箱和一些系统(例如熟练的细胞培养技术人员或自动化系统)等来维持细胞培养。

此外，类器官的产生仍然是一种相对不受控制的、异质的细胞类型混合，包括死细胞和活细胞。最近在改善类器官分化和生长条件以及改变其微环境方面所做的工程努力，可能使得制造和保留大量标准化类器官成为可能。

数据管理和分析是另一个技术挑战。仍然需要对来自多个来源和模式的数据解释、提取和处理进行改进，以优化进出Brainoware的时间信息的编码和解码。如果不开发用于分析和可视化数据的新算法和方法，Brainoware的强大功能几乎毫无用处。

尽管通用生物计算系统可能需要几十年的时间才能开发出来，但这项研究可能会对学习机制、神经发育和神经退行性疾病的认知影响产生基本的见解。它还可以帮助开发认知障碍的临床前模型以测试新疗法。