簡介：人類肩膀上的大腦有1000億個神經元，每個神經元都與10000個其他神經元相連。 這種複雜的結構被譽為已知宇宙中最複雜的物體。 然而，大多數基於數字電子學原理構建的類腦矽晶元在完全模擬大腦功能方面存在侷限性。 最近的研究表明，通過將乙個小型自組織腦器官連線到微電極陣列上，可以改變其功能並形成稱為器官小器官神經網路（ONN）的神經網路。 這些onn證明了無監督學習習的潛力，這是人工智慧所基於的原則。 當與適當的硬體連線時，這些微小的器官甚至可以進行語音識別訓練。
類腦計算硬體，或稱“腦ware”，有可能補充當前人工智慧硬體在時間、能耗和發熱方面的缺點。 這些 onn 可能具有足夠的複雜性和多樣性來模仿人腦，以激發更複雜和類似人類的 AI 系統的開發。
BrainAware由印第安納大學布盧明頓分校的Feng Guo博士和辛辛那提兒童醫學中心的Mingxia Gu博士的實驗室開發。 研究結果已於《自然電子學》雜誌上發表，題目為〈Brain Small Organ Reservoir Computing for Artificial Intelligence〉。
Brainoware的第一作者Cai和他的同事試圖以生物學的方式解決儲層計算問題。 儲層計算以其處理複雜時間和序列資料的獨特方式而聞名。 它能夠從時間序列中提取複雜的模式和關係，確保快速訓練，並強調能源效率，使其成為環保 AI 解決方案的可行選擇。
儲層計算在各種應用中顯示出有希望的結果，包括時間序列**、語音識別、語言建模和處理複雜的非線性動力系統。 其獨特的架構和訓練方法為序列和時間資料的高效管理提供了一種創新的替代方案，使其成為機器習和人工智慧研究領域的寶貴工具。
雖然BrainAware不需要大量的功耗，但它仍然依賴於培養箱等裝置，以及訓練有素的細胞培養技術人員或自動化系統來維持細胞培養。 此外，器官發生仍然相對不受控制，包括多種細胞型別的混合，這些細胞型別死亡並存活。 最近改善小器官器官的分化和生長條件以及改變其微環境的工程努力可能使製備和維持大量標準化的小器官器官成為可能。
資料管理和分析是另乙個技術挑戰。 仍然需要改進來自多種**和模態的資料的解釋、提取和處理，以優化 brainoware 資料的編碼和解碼。 除非開發新的演算法和方法來分析和視覺化資料，否則 Brainoware 的全部潛力將無法實現。
儘管開發通用生物計算系統可能需要數十年的時間，但這項研究可能為習的機制，神經發育和神經退行性疾病的認知影響提供基本見解。 它還有助於開發用於測試新方法的認知障礙臨床前模型。
參考資料：“用於人工智慧的大腦類器官庫計算”。
編輯：周敏.
排版：李麗。