В 2022 году австралийская компания Cortical Labs представила широкой публике свою разработку — проект DishBrain. Исследователи вырастили 800 тысяч нейронов человека и мыши на мультиэлектродной матрице и обучили их играть в Pong. Позже завертелся хайп с искусственными нейросетями, и о детище Cortical все забыли. Между тем в мае этого года компания показала новую разработку под названием CL1 — следующий этап развития систем на живых нейронах. А значит, пришло время переключиться с ИИ на биогибридные компьютерные системы, или wetware (от англ. wet — «мокрый»), и посмотреть, как там дела.
В этом тексте — о том, есть ли смысл в биогибридном интеллекте, как он устроен, в чем преимущества/проблемы и за какими проектами, помимо работы Cortical, можно следить.
Как все начиналось
Биогибридные вычислительные системы (Biohybrid computing systems) — общий термин, который применяют к системам, объединяющим живые нейронные ткани (или органоиды) и электронные/цифровые компоненты, такие как ИИ, сенсоры, роботы и чипы. Иногда такие гибриды называют нейроморфными, если архитектура искусственной части моделирует биологические структуры, а нейроны используются как управляющие узлы. Также используется разговорный термин wetware computing, означающий, что вычисления осуществляются на «мокром» субстрате — живых тканях.
Wetware-системы начали развиваться с начала 2000-х на стыке нейробиологии, биоинженерии и компьютерных наук. Ученые выращивали нейронные культуры в питательной среде на электродных матрицах, подключали к ним сенсоры и следили за результатом (один из ранних примеров — 25 тысяч нейронов для управления симулятором полетов в Университете Флориды).
То, что воспринималось публикой как вдохновленное сайфай баловство, на самом деле служило вполне прикладной цели — использовать свойства живых нейронов — пластичность, энергоэффективность и адаптивность — как часть вычислительного процесса. И эта цель была достигнута — благодаря выработанным в процессе подходам клетки мозга в чашке Петри не просто разряжались случайным образом. Они:
демонстрировали адаптацию, модифицируя синаптические связи на лету;
работали и параллельно, и асинхронно;
требовали меньше энергии для обработки сложных паттернов;
обучались напрямую от сенсорных стимулов, не нуждаясь в предварительной разметке данных.
Иными словами не просто эмулировали мозг, а работали как мозг.
Зачем городить этот огород, если есть «обычные» нейросети?
Современный ИИ упирается в несколько фундаментальных ограничений. Главная головная боль — энергопотребление: обучение больших моделей требует столько энергии, сколько средний человек тратит за 6 тысяч лет. Каждая модель заточена под одну задачу, для нового применения нужно переобучать ее заново. А еще искусственные нейросети не могут перестраиваться на лету, как живые.
Wetware-системы решают эти проблемы принципиально по-другому. Например, человеческий мозг с 86 миллиардами нейронов потребляет всего 20 ватт — меньше, чем лампочка. Те же нейроны могут научиться играть в Pong, распознавать образы или управлять роботом без переобучения с нуля. Живые клетки постоянно перестраивают связи, адаптируясь к новым задачам в реальном времени.
Плюс бонус — wetware может обучаться без заранее размеченных данных, получая обратную связь прямо в процессе решения задач, как человек. Никто же не показывал нам в детстве миллион фотографий с подписями «это яблоко», «это банан» — мы сами запоминаем предметы, получая эмоциональные реакции, прикосновения, звуки в ответ на свои действия. Так же и нейроны в wetware-системах: они пробуют разные паттерны активности, а система «награждает» их приятными сигналами за правильные действия (например, когда планка в Pong попадает по шарику) и «наказывает» неприятными за ошибки.
То есть это ИИ, которому не нужны терабайты заранее подготовленных и размеченных данных, он учится прямо в процессе работы методом проб и ошибок и при этом потребляет энергию как калькулятор, а не как завод.
Первые разработки дали старт новой парадигме в вычислениях — новым интерфейсам, протоколам, питательным системам, платформам удаленного доступа и новому языку взаимодействия с живой тканью. То, что начиналось как фантастика, оказалось жизнеспособной историей. Прежде чем перейти к конкретным проектам, опишем основные шаги создания биогибридной системы, ставшие «золотым стандартом» wetware.
Шаг 1. Производство нейронов
Наиболее распространенный подход сегодня — использование индуцированных плюрипотентных стволовых клеток (далее — iPSC). Суть такова: ученые берут обычные взрослые клетки (например, кусочек кожи) и «откатывают» их назад во времени — превращают в стволовые клетки, которые снова могут стать чем угодно. Такая методика позволяет работать с человеческим материалом без этических проблем, дает возможность генетически адаптировать клетки и хорошо воспроизводится.
На видео — клетки сердца, выращенные из iPSCs:
Процесс:
Берутся зрелые клетки донора.
В клетки вводят четыре специальных «белка-переключателя» (OCT4, SOX2, KLF4 и c-MYC). Они работают как команда перезагрузки — заставляют взрослую клетку «забыть», кем она была, и вернуться в состояние «чистого листа». OCT4 и SOX2 включают «детские» гены, KLF4 стабилизирует процесс, а c-MYC разгоняет деление клеток.
Полученные «обнуленные» клетки затем снова учат быть нейронами — моторными (отвечают за движение), сенсорными (обрабатывают ощущения) или кортикальными (думающие клетки коры мозга).
При необходимости из клеток формируют мини-мозги — сферические органоиды, которые похожи на настоящую мозговую ткань.
Шаг 2. Питание
В живом мозге обслуживанием нейронов занимается глия — вспомогательная нервная ткань, которая поставляют глюкозу и кислород, удаляет отходы, поддерживает и ремонтирует нейронные связи, регулирует синаптическую активность (сигналы), а также защищает нейроны от инфекций. Так как глия — это сложные клеточные системы, зависящие от кровотока, их воспроизводство — сложный процесс. Поэтому альтернативой пока являются питательные среды — нейтральные или слегка щелочные растворы, в которые помещаются нейроны, wetware в полном смысле этого слова.
Примерный питательный starter pack:
глюкоза — источник энергии;
аминокислоты — для белкового обмена и нейротрансмиттеров;
факторы роста — BDNF, GDNF (стимулируют нейрогенез и выживание нейронов);
антиоксиданты — защищают от оксидативного стресса;
буферы (например, HEPES) — стабилизируют pH;
витамины и ионы — Ca²⁺, Mg²⁺ и т. д. для синаптической передачи.
Самый простой подход — плоские системы, в которых клетки высаживаются на плоскую подложку, а сверху заливается питательная среда, обновляющаяся раз в несколько дней. В более продвинутых версиях используются проточные микрофлюидные камеры — крошечные каналы, по которым постоянно течет свежая среда. Такие системы позволяют создавать химические градиенты (когда концентрация веществ плавно меняется от одного конца к другому), например стимулирующие рост аксонов в заданном направлении.
Современные микрофлюидные установки уже не требуют ручного управления — их можно контролировать удаленно через программные интерфейсы (API) и популярные среды разработки вроде Jupyter Notebook. Фактически исследователь может сидеть дома, писать код на Python и менять параметры питания нейронов в лаборатории в режиме реального времени.
В самых сложных органоидных системах используются 3D-гидрогели — нейроны замешиваются внутрь биосовместимого желе на основе фибрина (белка свертывания крови), который работает как строительные леса и обеспечивает доставку питательных веществ по всему объему. Это приближает искусственную нейронную систему к ее натуральному прототипу — настоящей мозговой ткани.
Шаг 3. Интеграция с «железом» и обучение
Когда нейроны уже выращены и накормлены — пора подключать их к микросхемам для обратной связи. Для этого используется мультиэлектродная матрица (MEA) — кремниевая подложка со множеством микроэлектродов. Сверху на нее высаживают клетки, по мере роста образующие сеть, в которой аксоны и дендриты пересекаются с электродами. Каждый электрод может стимулировать нейроны по определенным паттернам и слушать их ответ — спайки (spikes, электрические всплески активности). Сам MEA-чип подключается к АЦП/ЦАП-модулю (аналогово-цифровому и обратно).
Аксоны дендриты, синапсы. Кто есть есть кто?
Про нейроны все знают. А кто такие аксоны и дендриты? Собственно, это часть нейрона. Представьте его как дерево. Тело клетки — это ствол, где находятся ядро и основная, «административная» часть. Дендриты — это ветки, которые принимают сигналы от других нейронов (дословно «дендрит» и означает «древовидный отросток»). А аксон — это корень, длинный отросток, который передает сигнал дальше к другим нейронам.
Когда нейрон «возбуждается», по аксону проходит электрический импульс — тот самый спайк, который улавливают электроды. Место, где аксон одного нейрона встречается с дендритом другого, называется синапсом — именно здесь происходит передача информации между клетками. Грубо говоря, это нейронный интернет, только вместо оптоволокна — живые провода.
Как только ответы нейронов оцифрованы, они отправляются в пайплайн обработки. На этом этапе в процесс включаются инженеры. Spike-sorting-система анализирует всплески и определяет, какие нейроны задействованы. Один электрод может регистрировать несколько нейронов — поэтому по форме сигнала, амплитуде и частоте нужно понять, какой именно активен. Методы снижения размерности PCA/ICA/t-SNE визуализируют активность, выделяют кластеры и выявляют паттерны в том, как сеть реагирует на стимулы.
Далее в дело вступает reinforcement learning (RL) — обучающий цикл, где система «награждает» нейроны за желаемое поведение. Если нейронная сеть отвечает на стимул нужным способом — подается сигнал поощрения (слабый, предсказуемый и ритмичный в противовес интенсивному и непредсказуемому при ошибке). Такой подход известен как RT (real-time) feedback loop — петля обратной связи в реальном времени.
Если говорить простым языком, обработка сигналов напоминает подслушивание разговора в шумной толпе через несколько микрофонов. Сначала нужно разобрать, кто именно говорит, — для этого анализируют тембр голоса, громкость и интонации. Так же и с нейронами: система учится различать «голоса» отдельных клеток по форме их электрических сигналов.
Затем начинается дрессировка. Когда нейроны реагируют правильно (например, показывают паттерн электрической активности, отвечающий за перемещение ракетки Pong в нужную сторону), их «поглаживают» приятным сигналом. Когда ошибаются — «щелкают по носу» неприятным. Со временем живая сеть учится чаще получать «поглаживания» и избегать «щелчков».
Что дает «поглаживание»? Благодаря ему в клетках запускается целый каскад конструктивных электрохимических реакций — в том числе выделяется нейротрофический фактор роста, укрепляющий связи между верно сработавшими в команде нейронами. А это, в свою очередь, увеличивает шанс на их быстрый и четкий правильный ответ в следующий раз. Так и происходит обучение.
В современных проектах с нейронами можно работать как с обычным облачным сервисом. В арсенале исследователя — REST API / Python SDK для подключения к wetware-системе, настройка фильтров, сигналов и шаблонов стимуляции, возможность запускать reinforcement-сценарии и отслеживать обучающую динамику, мониторинг данных в реальном времени через веб-интерфейс или анализ в Jupyter. То есть на выходе мы имеем живой ML-девайс с настоящими нейронами под капотом.
А теперь к конкретным архитектурам.
5 биогибридных проектов to watch
DishBrain (Cortical Labs, Австралия)
Начнем с классического DishBrain, в котором культура нейронов играет в Pong, управляя ракеткой через электрические импульсы.
Цель: продемонстрировать способность нейронных культур к обучению и адаптации в интерактивной среде.
Нейроны: ~800 тысяч iPSC и клеток эмбрионов мыши.
~ Срок жизни: 2–3 месяца.
Питание: плоская среда с автоматизированной подачей, регулируемой кислотностью и температурой, контроль плотности нейронов.
Аппаратная часть / интерфейс: MEA, spike-пиковый анализ.
Обучение: reinforcement learning (RL).
Слабые точки: простая среда без факторов роста, быстрое выгорание отдельных участков. Реакция, а не прогнозирование, стабильность игры снижается со временем. Гибель клеток и потеря результатов.
Перспективы: игровой ИИ на основе живых нейронов, автономные обучаемые системы.
CL1 (Cortical Labs, Австралия)
CL1 — следующая итерация проекта DishBrain, анонсированная в марте этого года. Улучшены аппаратная часть, архитектура и устойчивость культуры.
Цель: повысить стабильность, модульность и обучаемость биогибридной нейросети, доказать возможность длительного использования системы в условиях реального ML-пайплайна, запустить платформу Wetware-as-a-Service (WaaS) (ни разу не шутка).
Результаты: система демонстрирует более стабильную активность, меньшую деградацию по сравнению с DishBrain, лучше распознает паттерны стимуляции. Активно используется в исследованиях обучающих сценариев.
Нейроны: те же iPSC + эмбриональные мышиные, но с отбором по стабильности firing rate для избежания выгорания.
~ Срок жизни: 4–6 месяцев.
Питание: более продвинутая микрофлюидная система с проточной заменой питательного раствора, встроенными датчиками pH, температуры и ионного состава — то есть с полноценным контуром обратной связи на уровне среды.
Аппаратная часть / интерфейс: модернизированная MEA с более высокой чувствительностью и разрешением. Интерфейс: REST API + SDK для настройки и запуска обучающих сценариев, доступ через web-интерфейс.
Обучение: reinforcement learning (RL) с возможностью градации поощрения/наказания.
Дополнительно: больше встроенных модулей диагностики, автоматический контроль плотности культуры, новые паттерны стимуляции для защиты от накопления заряда, интеграция с облаком.
Слабые точки: ограниченная пропускная способность по сравнению с кремниевыми аналогами. Гибель клеток и потеря результатов.
Перспективы: использование как low-power edge AI-устройства, биогибридные модули для нейроинтерфейсов и автономных систем, облачные платформы для разработки на основе живых сетей.
FinalSpark (Швейцария)
FinalSpark — швейцарский стартап, запустивший в 2024 году первую в мире платформу удаленного доступа к живым нейронным органоидам для биокомпьютинга.
Для зрелищности FinalSpark недавно подключили органоид к модели бабочки в виртуальной среде. Клик юзера по экрану через Интернет передается органоиду, после чего сеть направляет (или не направляет) бабочку к заданной точке. Все согласно принципам классического обучения, описанным выше, — чем чаще юзеры кликают в определенную точку экрана, тем с большей «охотой» бабочка летит именно к ней.
Цель: создание биопроцессора с использованием человеческих нейронов, способного к обучению и обработке информации при минимальном энергопотреблении.
Результаты: платформа предоставляет круглосуточный удаленный доступ к 16 нейронным органоидам, позволяя исследователям проводить эксперименты в реальном времени. Месяц доступа к кластеру из четырех органоидов оценивается в $1000.
Нейроны: органоиды, нейросферы iPSC, — миниатюрные трехмерные структуры мозга, содержащие ~10 тысяч нейронов каждый.
~ Срок жизни: более 100 дней стабильной работы.
Питание: автоматизированная микрофлюидная система с контролем pH, температуры и состава среды.
Аппаратная часть / интерфейс: MEA, Intan RHS 32 (30 кГц, 16 бит). API на Python, поддержка Jupyter Notebook, управление через веб-интерфейс.
Обучение: применение методов подкрепления с применением нейромедиаторов, таких как, например, дофамин (!), для модуляции обучения.
Дополнительно: платформа используется более чем тридцатью университетами по всему миру, включая Университет Мичигана и Свободный университет Берлина.
Слабые точки: ограниченная пропускная способность по сравнению с кремниевыми аналогами. Несовпадение геометрии электродов и органоидов. Гибель клеток и потеря результатов.
Перспективы: использование как low-power edge AI-устройства, биогибридные модули для нейроинтерфейсов и автономных систем, облачные платформы для удаленной разработки.
Ассемблоиды (Серджиу П. Пашка, Стэнфорд, США)
Stanford Assembloids Project — «архитектурный» проект, направленный на создание систем из нескольких органоидов — так называемых ассемблоидов — с возможностью взаимодействия между ними.
Цель: разработка многомодульной живой нейросети, способной к распределенной обработке информации и взаимодействию между функциональными областями (например, моторной и сенсорной корой).
Результаты: удалось соединить до трех разных типов органоидов (кортикальные, спинномозговые и сенсорные), между которыми формируются реальные аксоны, образующие синапсы. Доказано наличие координированной активности между модулями.
Нейроны: iPSC-нейроны разных типов. Используются также астроциты (клетки глии) для поддержки синаптогенеза.
~ Срок жизни: 100 дней, но теоретически — до 1000 дней, причем проведение длительного эксперимента позволило бы изучить поведение зрелых нейронов.
Питание: комбинированная система:
3D-гидрогель на основе Matrigel и фибрина;
микрофлюидные камеры с регулировкой потока и контролем среды через датчики pH, O₂, температуры.
Аппаратная часть / интерфейс: в планах. Пока нейроны не подключаются к MEA напрямую — регистрируется спонтанная и индуцированная активность через оптогенетические датчики и кальциевую визуализацию. Используется также двухфотонная микроскопия и видеотрекинг аксона. Python SDK, обработка сигналов в MATLAB и Jupyter, управление системой через специализированный GUI.
Обучение: на стадии эксперимента. Исследуются спонтанные паттерны координации, а также реакции на внешнюю стимуляцию. Ранние попытки RL с нейромедиаторами и электростимуляцией.
Слабые точки:
пока отсутствует полноценный интерфейс связи с цифровыми системами;
координация между органоидами нестабильна, связи образуются не всегда;
проблемы с масштабированием — каждый ассемблоид требует ручной сборки и тонкой настройки среды.
Перспективы:
использование в гибридных системах как модульных блоков для биокомпьютеров;
изучение распределенного биологического ИИ (вместо одной культуры — несколько «узлов»);
биомодели для интерфейсов мозг-компьютер;
исследование заболеваний и воздействия фармакологических эффектов на сетевую активность.
Revivification (мозг композитора Элвина Люсье,Австралия)
Revivification — художественно-научный проект, в котором мозговые органоиды, выращенные из клеток композитора Элвина Люсье, используются для создания звуковой инсталляции.
Цель: создание музыки с участием живой нейронной ткани, полученной из ДНК покойного автора.
Нейроны: iPSC, перепрограммированные из белых кровяных клеток Элвина Люсье.
Аппаратная часть/интерфейс: массив MEA из 64 электродов, фиксирующих нейронную активность; микрофоны; преобразование сигналов в звуки осуществляется через механические молоточки, ударяющие по 20 тарелкам.
Обучение: активность нейронов переводится в звуки и, наоборот, звуки в галерее пишутся на микрофоны и передаются органоидам, замыкая контур стимуляции.
Перспективы: инсталляция работает до августа 2025 года, однако затем планируется продолжить исследование в лаборатории.
Дополнительно: Люсье сам был энтузиастом нейроакустических экспериментов — он преобразовывал данные с датчиков мозговой активности в партии перкуссий для своего проекта Music for Solo Performer (1965 год).
Что в итоге
Таким образом, по состоянию на 2025 год мы имеем:
перспективные гибридные системы, гибкие, адаптивные, отвечающие на прямой инпут и отлично справляющиеся с плохо формализованными/ассоциативными задачами;
энергозатратность в разы меньшую, чем у кремниевых аналогов (маркетинговый пойнт FinalSpark — «на обучение модели GPT-3 ушло в 6 тысяч раз больше энергии, чем потребляет один европеец за год»);
временно закрытый благодаря стволовым клеткам вопрос этики;
первую платформу для удаленного доступа к гибридному интеллекту и его изучения.
Но что тормозит процесс?
Основная проблема — короткий срок жизни нейронов и необходимость начинать все сначала. Впрочем, как говорит идеолог проекта Assembloids Серджиу П. Пашка, в благоприятных условиях (и при щедром финансировании) нервные клетки могут существовать до трех лет, что могло бы вывести исследования на принципиально новый уровень глубины. Например — позволило бы детально изучить поведение зрелых нейронов и более сложных и стабильных сетей in vitro, что сейчас сделать затруднительно.
Вторая проблема коварнее, так как выводит нас на тонкий лед этики. Wetware как концепция поднимает вопросы, от которых не по себе. Могут ли органоиды из человеческих нейронов испытывать что-то, похожее на страдание? Где граница между «просто клетками» и «зачатком сознания»? Пока ученые говорят, что 10–100 тысяч нейронов в чашке Петри несопоставимы с миллиардами связей в мозге, но что произойдет, когда системы станут сложнее?
Есть и другие дилеммы. Люди, сдающие образцы кожи или крови для исследований, вряд ли представляют, что их клетки могут стать частью биокомпьютера. Нужно ли спрашивать отдельное согласие? А что, если wetware-системы окажутся настолько эффективными, что создадут новое цифровое неравенство — между теми, кто может позволить себе «живые» вычисления, и теми, кто остается на кремниевых чипах?
Наконец — захотят ли инвесторы вкладываться в столь этически скользкий проект (пан интендед)? Можно ли лоббировать его как альтернативу традиционному ИИ, с которым мы так же уперлись в те же сложности — от предвзятости алгоритмов до угрозы массовой безработицы? Ответов на эти вопросы нет, да и предсказать что-то в современном перевернутом мире невозможно, но следить за новостями мы точно будем.