人脑智能VS人工智能：类器官智能（OI），开启生物计算新时代
发布时间：2023-03-10
最近，人工智能聊天软件ChatGPT火爆全网并持续引发广泛关注，作为一种人工智能技术驱动的自然语言处理工具，ChatGPT能够学习和理解人类的语言，真正像人类一样聊天交流，能够快速生成文案、代码、翻译，甚至是撰写论文，其功能之强大令人不禁担忧——人工智能是否诞生自我意识并威胁人类？
当然，就目前而言，“人工智能取代人类”这样的论断纯属杞人忧天。更何况，相比于人工智能，人脑在在处理复杂信息的能力上具有无可比拟的优势：
1）人脑能更好地处理少量或不确定的数据；
2）人脑既可以执行顺序处理，也可以执行并行处理（而计算机只能执行前者）；
3）人脑在大型、高度异构、不完整的数据集和其他具有挑战性的处理形式的决策方面表现更为优秀。
这也提示我们，人脑有很大的潜能还未被发掘，如果能基于人脑设计一种全新的生物智能，是否就能与基于硅基芯片的人工智能相辅相成，为人类开创一个具有无限可能的智能新时代？
2023年2月28日，约翰·霍普金斯大学的 Thomas Hartung教授团队在 Frontiers 出版社推出的全新旗舰期刊 Frontiers in Science 上发表了题为：Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish 的综述论文。
该综述创造了一个全新术语——“类器官智能”（Organoid Intelligence，OI）来描述目前生物智能的发展，并提出了一个协作计划来实现OI在多学科领域的发展，其目的是将OI建立为一种真正的生物计算形式，为生物智能点亮发展前路，最终开发出比硅基计算和人工智能更快、更高效、更强大的计算机。
Thomas Hartung 教授表示，预计基于类器官智能（OI）的生物计算系统将允许处理更复杂的任务以及更快地执行决策，并可以在任务中持续学习，同时拥有更高的能源利用效率和数据转化效率。此外，基于人脑的生物智能的发展可能有助于阐明神经退行性疾病（例如阿尔兹海默病）的病理生理学，推动新的治疗方法的发展。
Thomas Hartung教授
Thomas Hartung，约翰·霍普金斯大学教授，欧洲动物试验替代中心（CAAT）主任，他引领了毒理学革命，将毒理学研究从50年来的动物学实验转向类器官培养和人工智能的使用。
人脑具有无可比拟优势
人脑在处理简单信息（如算术）方面比机器慢，但在处理复杂信息方面却远远超过机器。从以下几个事例中可以看出人脑非凡的处理能能力：1）2013年，世界第四大计算机花了40分钟才模拟了1%的人类大脑活动；2）人脑拥有860-1000亿个神经元、1015个神经连接，其存储容量估计为2500TB。
从表面上来看，人类大脑和人工智能都构建了外在世界的内部表示，以提高它们在执行任务时的表现。然而，生物学习和机器学习在实现机制和目标上的根本差异导致了两种截然不同的效率。
首先，人脑的学习效率更高。例如，人类通常使用大约10个训练样本就可以学习一个简单的“相同与不同”任务。相比之下，在2011年，即使有106个样本，机器也无法学习这些区别，而在2018年，107个样本仍然不足。这表明，即使是简单的认知任务，机器学习也难以胜任，而人脑在这方面无疑是更高效的。
其次，人脑在解决计算问题时消耗的能量要少得多。例如，一个成年人每日消耗的能量相当于100瓦的电量，其中大脑消耗占20%。相比之下，世界第一超级计算机Frontier的功耗为21兆瓦，而人脑的运算速度估计与之相同，但功耗只有20瓦。换句话说，人脑在能源利用效率上远远超过计算机！
最新的超级计算机（2022年6月）和人类大脑的比较
事实上，能源消耗问题已成为限制人工智能发展的一大障碍。AlphaGo在击败世界冠军之前一共进行了16万场对局，它使用50个GPU进行了4周的训练，消耗了大约4×1010焦耳的能量——相当于一个成年人维持10年新陈代谢所需的能量。此外，人工智能低下的学习效率和高能耗也阻碍了它的应用，例如想要在自动驾驶等复杂任务上媲美或超过人类所要消耗的能量恐怕是个天文数字。
由此可见，相比基于计算机的人工智能，人脑在任务学习上具有两个十分突出的优点——效率高、能耗低。这些观察结果为基于人脑的生物智能创造了很高的期望，作为实现人类智能时代的另一个发展方向，生物智能在计算速度、处理能力、数据效率和存储能力等方面具有非凡潜力。
3D培养催生类器官智能
但值得注意的是，实现生物智能十分具有挑战性，大多数研究仍处于起步阶段。迄今为止，术语“生物计算”主要用于描述DNA数据存储技术。除此之外，便是“合成生物智能”（SBI）来描述使用合成生物学通过脑定向计算来生成智能系统，但仅使用简单的二维单层脑细胞培养作为概念证明，难以复现真实大脑的复杂性。
在过去的十年中，脑细胞培养发生了一场革命，从传统的单层培养转向更像器官的、有组织的3D培养——即大脑类器官。对此，约翰·霍普金斯大学动物实验替代方案中心已经生产出这种具有高度标准化和可扩展性的大脑类器官。这些大脑类器官的直径在500 μm以下，由不到10万个细胞组成，大约是人类大脑体积的300万分之一，理论上相当于拥有800MB的内存。此外，其他研究小组也报道了平均直径为3-5毫米的大脑类器官，其培养寿命可超过1年。
与传统的2D单层细胞相比，3D神经细胞培养在生物学习方面具有重要的优势——即更大的细胞密度，增强的突触发生，高水平的髓鞘形成，以及学习所必需的细胞类型的富集
有趣的是，虽然仍处于初期阶段，但这些大脑类器官展现出了在生物计算方面的巨大潜力。首先，这些3D培养的大脑类器官具有与真实大脑相似的细胞密度，远高于此前的单层二维培养。其次，这些大脑类器官大多表现出自发的电生理活动和对电刺激的反应，证实了活跃突触的存在，甚至表现出与人类早产儿脑电图（EEG）相当脑电波模式。再者，这些大脑类器官中约40%的轴突髓鞘化，与人脑（50%）接近，髓鞘的形成将导电性提高了大约100倍，这有望提高大脑类器官的生物计算性能。最后，这些大脑类器官可以富含参与生物学习的各种细胞类型，即少突胶质细胞、小胶质细胞和星形胶质细胞，进一步提高其学习和记忆能力。
3D细胞培养的研究进展为探索类器官智能提供了基础
得益于新技术的发展，使得基于大脑类器官开创生物智能技术用于复杂任务的认知、学习和记忆成为可能。基于此，Thomas Hartung 教授创造了术语“类器官智能”（Organoid Intelligence，OI）来描述这一新兴领域，旨在将类器官智能（OI）建立为一种真正的生物计算形式，释放脑类器官在生物智能上的巨大潜力！
类器官智能的未来发展道路
在这篇综述论文中，Thomas Hartung 教授团队展示了类器官智能（OI）开发和实现的架构和蓝图：
1）确定包裹在微电极外壳中的脑类器官的生物反馈特征，使用AI来分析对电和化学（神经递质及其相应的受体激动剂和拮抗剂）刺激的记录响应模式。
2）发展、测试和完善神经计算理论，阐明体内生物智能的基础，并允许人与OI系统交互和利用。
3）进一步扩大培养脑类器官，以增加OI系统的存储能力、复杂性、电极数量，发展与脑类器官实时交互的算法；构建OI系统的输入源和输出设备，开发大数据仓库和机器学习方法，以适应由此产生的大脑导向的计算能力。
4）探索该计划如何提高我们对神经发育和神经退行性疾病的病理生理学的理解，从而实现创新的治疗或预防方法。
5）建立一个社区和一个大型项目来实现OI计算，充分考虑其伦理影响并开发一个通用的本体。
当然，从技术层面上，想要构建一个实用的类器官智能（OI）系统仍需要完善许多具体细节，发展和应用新技术是其中的关键。
首先，通过微流控灌注系统模拟真实大脑的结构和培养环境。人脑的复杂结构很大一部分得益于致密、丰富的脉管系统，因此，如何在大脑类器官中复刻这一系统对于其功能十分重要。对此，集成微流控灌注系统可以支持可扩展的、持久的培养，同时通过3D时空控制来传递化学信号，这些将保证大脑类器官的内稳态和生存能力，允许其拥有更高的细胞密度、更丰富的胶质细胞和更加可调控的基因表达。
3D微流控装置，以支持大脑类器官的可伸缩性和长期内稳态
其次，通过3D微电极阵列记录高分辨率的时空电生理信号。在此，科学家们正在开发专门为类器官设计的新型3D微电极阵列接口，类似于记录头皮脑电模式的脑电图帽。此外，Thomas Hartung 教授还设想了更为先进的高分辨率植入式电生理记录设备，允许探测器进入类器官内部以进一步提高信号分辨率。这些新型设备可以在类器官的整个表面甚至内部进行多通道刺激和时空记录，以此探索脑类器官的功能，概括学习和记忆形成的分子机制，并最终揭示其计算潜力。
将类器官与3D微电极阵列（MEAs）接口，以允许电生理输出记录
再者，通过人工智能（AI）分析、关联类器官智能（OI）系统的输入与输出。OI系统的运行将产生大量的数据，如此庞大的数据集只有AI才能处理分析。具体来说，Thomas Hartung 教授认为必须探索以下两个路径将OI输入与输出联系起来：通过AI算法量化脑类器官的功能和结构变化；通过多元因果模型将量化的类器官变化与输出变量联系起来
最后，构建服务于类器官智能（OI）系统的大数据存储基础设施，创建OI社区。研究OI所需的大数据生态系统需要：实验数据和元数据的标准化，建立在现有的标准，例如BIDS或NWB；稳定、可重复、标准化的处理管道，可扩展到大型电生理数据集；高效、可访问和开放的数据存储，可能利用现有的云存档，如OpenNeuro或DANDI；多模态OI数据集的潜在发展，为社会建立标准、参考数据集。
提高类器官智能的复杂性
值得注意的是，实现类器官智能（OI）系统需要将计算机、类器官和外界环境有机地整合到一起，其中，类器官可以作为外界环境与计算机的实体介质，这将需要优化类器官与计算机（或AI）相互作用的算法。
由此看来，AI与OI的关系并不是对立的，而是互补的，AI的目标是使计算机更像人脑，而OI研究探索如何使3D脑类器官更像计算机。AI和OI相辅相成，AI的进步有助于更好地理解脑类器官的学习和记忆过程，而OI的发展也有可能解锁新的神经模拟AI算法，克服当前AI的限制，并帮助开发新的脑机接口技术。
OI的发展需要不断探索、应用和完善神经系统学习框架理论。到目前为止，已经提出了许多理论来解释在基本层面上神经系统是如何处理和响应信息的：第一个分支的理论侧重于神经系统是如何在结构和功能上组织的，这些理论旨在解释大脑中难以置信的复杂组织如何导致其最终功能，为优化OI输入和解码输出提供了机会。第二个“优化”理论类别通常关注系统或代理如何在动态环境中保持稳态。
OI系统还需要评估自身智力的方法——即理解开环和闭环环境中类器官智能行为的计算方法：开环包括将信息输入细胞并测量反应，而闭环扩展了开环环境，包括对神经系统关于系统活动结果的反馈。
基于OI的生物计算机系统，大脑类器官作为其计算核心
不仅如此，为了构建更复杂的OI系统，可以将脑类器官与各种类型的输入输出刺激和记录接口相结合，如视网膜类器官，形成一个复杂的类器官网络。这将使我们了解OI系统的实时控制潜力。
除此之外，合理利用突触可塑性分子生物学的进展对于优化OI系统至关重要。首先需要了解介导突触传递的神经递质受体的编码基因，类器官的神经递质传递机制将是理解学习所必需的信号级联和突触可塑性的重要组成部分。其次，类器官表达IEGs是很重要的，它介导对记忆巩固至关重要的突触过程，并在成人神经元处理信息时迅速转录。这些机制将为OI建立生物学基础，并解决有关类器官发育状态的不确定性及其作为信息处理记忆单元的潜在用途的问题。
类器官智能驱动医学研究的创新进展
除了可以应用于计算、学习和存储记忆之外，OI研究还将允许探索神经发育的具体过程以及神经退行性疾病（例如阿尔兹海默病）、神经发育障碍（自闭症）的具体病因，并引导新的治疗方案的开发和应用。
据悉，在全球范围内，有超过5500万人患有阿尔兹海默病，预计到2050年这一数字将超过1.5亿。阿尔兹海默症病导致死亡的十大主要原因之一，全球每年治疗费用至少花费1万亿美元。新型阿尔茨海默病疗法的临床试验成功率非常低，部分原因在于动物模型只反映了人类病理学的有限方面。对此，OI研究模型对神经退行性疾病的适应将提供第一个基于人类的临床前模型，帮助我们理解和开发针对这种毁灭性疾病的有效治疗方法。
除了神经退行性疾病，OI研究也将促进神经发育障碍的治疗发展。近几十年来，自闭症等疾病的发病率大幅增加。在美国，自闭症在20世纪70年代被诊断为万分之一，但根据美国疾控中心（CDC）的数据，到2021年，这一比例上升为惊人的44分之一。对此，利用OI来探索自闭症的遗传基础和环境影响将有助于理解这类疾病的发病过程，并允许筛选具有治疗效果的潜在药物。
因此，OI研究将非常有希望帮助进一步理解和描述神经退行性变、神经发育障碍的病因学。这使得许多应用成为可能，从降低药物对认知发展的不良影响的风险，识别对认知能力有长期影响的毒物和非法药物，以及优化作用于各自药理靶点的主要候选药物。
类器官智能的伦理学问题
令人担忧的是，类器官智能需要创建一个具有输入输出和学习能力的人脑模型，这无疑会引发复杂的伦理问题。想象一下，随着功能的增强和复杂性的增加，如果大脑类器官具有自我意识，那么TA的处境是否就像“缸中之脑”一样？
值得一提的是，在胎儿发育12周时，其大脑的重量约为3g，体积约为3.5ml，在胎儿端脑的新皮层部分有3×109个细胞。相比之下，目前大脑类器官的培养直径在500μm以下，细胞数量不到10万个。然而，人为添加生长因子加速了大脑类器官的成熟，因此在培养10周时，大脑类器官显示出一些早于正常发育进程的特征，如髓鞘形成。此外，信息输入的刺激可能导致非常不同的类器官发育，而且类器官的训练需要更长的培养时间，这些都可能增强认知能力。
大脑类器官研究引起的伦理问题主要集中在创造可能表现出意识的实体的问题上。类器官能感受到疼痛吗？如果是的话，它们会产生“痛苦”这种感觉吗？即使只是最基本的痛苦？这些担忧将在OI的发展过程中持续增加，因为随着OI系统的发展，作为其核心的脑类器官在结构上会变得更加复杂，它们是否会在不断接受信息输入、产生结果输出的过程中建立原始记忆，甚至产生自我意识？这些都有待进一步评估和验证。
实际上，阐明意识所必需和充分的生理条件是神经科学最困难的难题之一。要评估类器官是否表现出意识的标准，需要就这些标准是什么达成某种共识，如何区分“意识”和“感觉”就显得十分重要，这些都是OI走向应用不得不面对的一个关键挑战。
在综述中，Thomas Hartung 教授建议使用“嵌入式伦理”方法，伦理团队将识别、讨论和分析在工作过程中出现的伦理问题。嵌入式伦理学是跨学科伦理学研究中的一种标准方法，伦理学家加入并与研发团队一起合作，随着研究的发展，通过迭代和连续的过程来考虑和解决伦理问题。以下提供了一个初步的伦理考虑框架，该框架由“第一个类器官智能（OI）研讨会以形成一个OI社区”提供。
类器官智能研究中伦理考虑的初步框架
虽然嵌入式伦理方法提供了一种机制来调查与脑类器官的道德状态相关的哲学和科学条件，但它没有内在的机制来寻求、识别或纳入OI的发展中的公共价值。因此，了解公众对OI的看法很重要，这不能仅仅只委托给伦理学家，需要形成一个涉及研究人员、伦理学家和公众成员的三方反馈循环。
此外，科学传播和协商技术的研究人员已经证明，协商技术是在有争议的问题上向公众提供信息和减轻两极分化风险的最有效机制之一。最后，公众参与OI不仅对于防止公众的不良反应是必要的，而且还将最大限度地扩大该领域的未来影响，并作为如何将社会嵌入科学的典范。
总而言之，这篇综述论文提出了“类器官智能”（OI）的概念，并提出了一个协作的、迭代的多学科项目，旨在将OI建立为一种真正的生物计算形式，使用这里描述的科学和生物工程方法，以一种道德负责任的方式利用大脑类器官。Thomas Hartung 教授的目标是在生物计算领域掀起一场革命，可以克服基于计算机的人工智能的许多不足之处，并在全球范围内产生重大影响。
类器官智能（OI）的行动计划和研究轨迹
具体而言，基于OI的生物智能将允许更快的决策（包括在大规模、不完整和异构数据集上），在任务期间持续学习，以及更高的能源利用效率和数据存储效率。此外，生物智能的发展为阐明人类认知、学习和记忆的生物学基础以及与认知缺陷相关的各种疾病提供了无与伦比的机会，这可能有助于确定新的治疗方法，为广大患者带来新的希望。
来源：生物世界
