2025年5月，一家总部位于澳大利亚墨尔本的公司 Cortical Labs 正式发布了一款名为 CL1 的商用硬件系统。这不是又一块 GPU，不是又一颗 TPU，也不是某种新型 FPGA。CL1 的核心计算单元是活体人类神经元——大约16个独立的”OrganoID”生物模块，每个模块包含约20万个从人类诱导多能干细胞（iPSC）分化而来的皮层神经元，总计约320万个活体神经元，生长在定制的高密度微电极阵列（HD-MEA）上，通过电信号与硅基数字系统双向通信。（来源: Cortical Labs 官方公告, 2025-05）

这个数字本身并不惊人。人类大脑拥有约860亿个神经元，即便是一只果蝇的大脑也有约10万个。但 CL1 的意义不在于规模，而在于它第一次将活体生物神经元作为可编程、可商用、可交付的计算基质（wetware）推向市场。当整个半导体行业在为3nm制程良率、HBM4带宽和 CoWoS 封装产能焦头烂额时，Cortical Labs 提出了一个根本性不同的问题：如果计算的底层基质不是晶体管，而是神经元呢？

这篇文章将深入拆解 CL1 的技术架构、商业逻辑、产业定位，以及它对”计算”这个概念本身的挑战。我的核心判断是：CL1 在短期内不会替代任何硅基 AI 芯片，但它开辟了一条全新的计算范式赛道，其长期影响可能远超当前市场的认知。

1. 从 DishBrain 到 CL1：一部”活体计算”简史

Cortical Labs 的故事始于其联合创始人兼 CEO Hon Weng Chong 和首席科学官 Brett Kagan。2022年10月，Kagan 作为第一作者在《Neuron》期刊上发表了一篇引发广泛关注的论文，标题为”In vitro neurons learn and exhibit sentience when embodied in a simulated game-world”。（来源: Kagan et al., Neuron, 2022-10-12）这篇论文展示了一个名为”DishBrain”的系统：培养皿中的约80万个人类和小鼠神经元，通过微电极阵列接收电信号刺激，学会了玩经典游戏 Pong。

DishBrain 的核心发现是：这些体外神经元在接受结构化电反馈后，表现出了自组织学习行为。当神经元成功”击球”时，系统给予可预测的电信号反馈；当”失球”时，给予随机噪声。在约5分钟的训练后，神经元的击球表现显著优于随机基线。Kagan 团队将此解释为”自由能原理”（Free Energy Principle）的生物学验证——神经元天然倾向于最小化其环境的不可预测性。

这项研究引发了激烈争议。”sentience”（感知能力）一词的使用遭到了多位神经科学家的批评。Karl Friston——自由能原理的提出者，同时也是 Cortical Labs 的科学顾问——为该研究的理论框架背书，但其他学者如 Anil Seth（University of Sussex 意识研究教授）则公开质疑，认为将体外神经元的适应性行为等同于”感知”是概念上的跳跃。（来源: New Scientist 报道, 2022-10）

无论语义争论如何，DishBrain 证明了一个工程上的关键事实：活体神经元可以通过电接口与数字系统形成闭环反馈回路，并在此回路中展现出学习能力。从2022年的实验室演示到2025年的商用产品 CL1，Cortical Labs 用了不到3年时间完成了从概念验证到产品化的跨越。

在融资方面，Cortical Labs 在2021年完成了种子轮融资，此后于2024年完成了后续融资，累计公开融资额约为1000万美元。投资方包括 Blackbird Ventures、In-Q-Tel（美国中央情报局的风险投资部门）和 LifeX Ventures。（来源: Crunchbase, Cortical Labs 公司页面；TechCrunch 报道, 2024）需要指出的是，上述融资总额为基于公开信息的汇总，部分轮次的具体金额未被完整披露。In-Q-Tel 的参与尤其值得注意——这家机构历史上投资过 Palantir、Keyhole（后被 Google 收购成为 Google Earth）等公司，其投资方向通常反映了美国情报界对前沿技术的战略判断。

2. CL1 技术架构：生物与硅基的双向桥梁

要理解 CL1 为什么重要，必须先理解它的技术架构。CL1 不是一个简单的”培养皿+电极”，而是一套完整的生物-数字混合计算系统。

2.1 生物层：OrganoID 模块

CL1 的核心生物单元是 Cortical Labs 所称的”OrganoID”——一种标准化的生物计算模块。每个 OrganoID 由以下组件构成：

  • 人类 iPSC 来源的皮层神经元：约20万个，从人类诱导多能干细胞分化而来。iPSC 技术最初由 Shinya Yamanaka（山中伸弥）于2006年开发，获得了2012年诺贝尔生理学或医学奖。Cortical Labs 使用的 iPSC 细胞系经过优化，可以高效分化为兴奋性和抑制性皮层神经元的混合群体。
  • 高密度微电极阵列（HD-MEA）：每个 OrganoID 基板上集成了数千个微电极，既可以记录神经元的电活动（读取），也可以向神经元施加电刺激（写入）。Cortical Labs 使用的 MEA 技术与 MaxWell Biosystems（瑞士）和 3Brain（瑞士/意大利）等公司的产品有技术渊源，但进行了专门的定制优化。
  • 微流控生命维持系统：神经元需要持续的营养供给、温度控制（37°C）、CO2 浓度维持（5%）和废物排出。CL1 集成了自动化的微流控系统来维持神经元的存活和功能状态。

一台 CL1 设备集成了16个 OrganoID 模块，总计约320万个活体神经元。这些模块可以独立运行，也可以通过数字中间层进行协调。

2.2 接口层：双向电信号转换

CL1 最关键的工程挑战在于生物-数字接口。神经元通过动作电位（action potential）进行通信，典型的动作电位幅度约为70-100毫伏，持续时间约1-2毫秒。HD-MEA 上的微电极需要以亚毫秒级的时间分辨率和微伏级的电压灵敏度同时记录数千个神经元的活动，同时以精确的空间和时间模式向特定神经元群施加刺激。

Cortical Labs 开发了专有的信号处理 ASIC（应用专用集成电路）来处理这一双向转换。读取端，系统将神经元群体的放电模式（spike patterns）转换为数字向量；写入端，系统将数字指令编码为空间-时间电刺激模式。这种双向接口的带宽和延迟直接决定了生物计算层的可用性。

根据 Cortical Labs 公开的技术规格（来源: Cortical Labs 产品文档, 2025；注意：以下数据均为公司自行发布，截至本文发表时尚未经独立第三方验证），CL1 的接口层可以实现：

  • 每个 OrganoID 上约4000个通道的同时记录
  • 亚毫秒级的刺激-响应延迟
  • 每秒数千次的读写循环
  • OrganoID 的功能寿命可达数月

这些指标如果属实，代表了生物-数字接口工程的重大进步。但在独立基准测试和同行评审论文发表之前，应将其视为公司声明而非已验证的事实。

2.3 数字层：软件栈与 API

CL1 配备了完整的软件栈，包括：

  • BiOS：Cortical Labs 自研的生物操作系统，负责管理 OrganoID 的生命维持、信号采集和刺激生成
  • Python SDK：允许开发者通过标准 Python 接口与生物计算层交互
  • 云连接：CL1 可以通过网络与远程服务器通信，支持远程实验和数据采集

这一软件栈的设计哲学是将生物计算层抽象为一个”黑箱加速器”——开发者不需要理解神经科学，只需要通过 API 向生物层发送输入并接收输出，类似于使用 GPU 时不需要理解晶体管物理。

2.4 关键技术指标对比

让我们把 CL1 的计算能力放在上下文中：

指标 CL1 (16 OrganoIDs) NVIDIA H100 人类大脑
计算单元数 ~320万神经元 16896 CUDA cores ~860亿神经元
功耗 ~50W（含生命维持） ~700W ~20W
延迟 毫秒级（生物响应） 微秒级 毫秒级
精度 模拟/随机 FP8/FP16/FP32 模拟/随机
可编程性 有限（通过训练） 完全可编程 通过学习
确定性 非确定性 确定性 非确定性

这张表揭示了一个根本性的事实：CL1 与硅基芯片不在同一个竞争维度上。用 CL1 跑 Transformer 推理是荒谬的，就像用 GPU 做蛋白质折叠的物理模拟是低效的——虽然理论上可行，但完全不是最优解。CL1 的价值在于它能做硅基芯片做不好或做不了的事情。

3. 生物计算的真正优势：不是速度，是能效和适应性

3.1 能效：方法论争议下的核心叙事

Cortical Labs 反复强调的核心指标不是速度，而是能效。根据 Hon Weng Chong 在多次公开演讲中的表述，生物神经元的计算能效比硅基芯片高出多个数量级。（来源: Cortical Labs CEO 公开演讲, 2024-2025）

这个说法的逻辑基础是：人类大脑以约20瓦的功耗运行约860亿个神经元和约100万亿个突触连接，执行的计算等效量（如果用数字系统模拟）估计在 exaFLOPS 量级。相比之下，NVIDIA 的 H100 以700瓦功耗提供约4 petaFLOPS 的 FP8 性能。

但这里必须强调一个关键的方法论问题：跨范式的能效比较在科学上极具争议。 “等效运算量”的定义本身就不明确——生物神经元执行的”运算”与浮点乘加运算（FMA）是完全不同的操作，将两者换算为同一单位需要大量假设。多位计算神经科学家指出，将大脑功耗直接与 GPU 功耗对比，忽略了两者在计算任务、精度和可控性上的根本差异。例如，University of Manchester 的 Steve Furber 教授（SpiNNaker 神经形态计算项目负责人）曾在多个场合指出，大脑的”计算效率”数字高度依赖于你如何定义”计算”。（来源: Steve Furber, IEEE Spectrum 访谈, 2023）

因此，Cortical Labs 所宣称的能效优势应被理解为一种方向性判断而非精确的定量结论：生物神经元在执行某些类型的信息处理时，确实比硅基系统更节能，但具体优势倍数取决于任务类型和衡量标准。

更重要的实际问题是：能效优势是否可以转化为商业价值？CL1 的320万个神经元能执行的计算量极为有限，其绝对计算吞吐量远低于任何现代 GPU。因此，CL1 的能效优势目前处于”方向正确但实践受限”的状态。

3.2 适应性学习：无需反向传播

CL1 的第二个核心优势是生物神经元的自适应学习能力。硅基深度学习依赖反向传播算法（backpropagation），这是一种计算密集型的全局优化过程，需要精确的梯度计算和大量的训练数据。生物神经元则通过突触可塑性（synaptic plasticity）——特别是 Hebbian 学习规则和 spike-timing-dependent plasticity（STDP）——进行局部、在线、低功耗的学习。

DishBrain 实验已经证明，体外神经元可以在几分钟内学会简单任务，而无需任何显式的反向传播训练。这种学习方式有几个潜在优势：

  1. 极少样本学习（few-shot learning）：生物神经元可能只需要几次交互就能适应新任务，而深度学习模型通常需要数千到数百万个样本。
  2. 持续学习（continual learning）：生物神经元天然支持持续学习而不会出现灾难性遗忘（catastrophic forgetting），这是当前深度学习的一个核心难题。
  3. 低功耗在线学习：学习过程本身的能耗极低，适合边缘设备和资源受限环境。

Cortical Labs 在2025年初的演示中展示了 CL1 在机器人控制任务中的适应性：一个由 CL1 驱动的虚拟机器人在环境参数突然改变后，能够在数秒内重新适应，而同等任务的深度强化学习模型需要重新训练。（来源: Cortical Labs 技术演示, 2025-02；注：该演示为公司内部展示，尚未发表为同行评审论文）

3.3 对立视角：可靠性与可重复性

然而，生物系统的适应性也是其最大的弱点。批评者——包括多位计算神经科学领域的学者——指出了几个根本性问题：

非确定性：同一个 OrganoID 在接收相同输入时，不会产生完全相同的输出。这与硅基计算的确定性形成鲜明对比。对于需要精确、可重复结果的应用（如金融计算、密码学、科学模拟），这是一个致命缺陷。

批次间变异性：不同批次培养的神经元在细胞组成、网络拓扑和功能特性上存在显著差异。Cortical Labs 声称通过标准化的 iPSC 分化协议和质量控制流程可以将批次间变异性控制在可接受范围内，但目前尚未公开详细的定量数据。

有限寿命：尽管 Cortical Labs 声称 OrganoID 可以维持数月的功能寿命，但生物系统不可避免地会老化和退化。这意味着 CL1 需要定期更换生物模块，产生持续的运营成本和维护复杂性。

可扩展性瓶颈：从320万个神经元扩展到3.2亿个或32亿个，面临的不仅是工程挑战（更大的微流控系统、更高密度的电极阵列），还有生物学限制（大规模神经元培养的营养供给、废物排出、温度均匀性等）。

我的判断是：这些限制是真实的，但它们不是根本性的物理障碍，而是工程问题。正如早期的半导体面临良率、可靠性和可扩展性挑战一样，生物计算的这些问题在原则上是可以通过工程迭代解决的。问题是时间尺度——这可能需要10-20年，而不是2-3年。

4. 商业逻辑：谁会买一台”活体计算机”？

4.1 定价与目标市场

CL1 的具体定价尚未公开披露。根据 Cortical Labs 产品页面的定位描述和同类高端电生理学设备（如 Neuropixels 探针系统、MaxWell Biosystems 的 MaxOne/MaxTwo 平台）的市场价格区间推断，CL1 的价格估计在数万到数十万美元之间。需要明确的是，这是作者基于市场类比的估计，而非公司官方公布的定价。（来源: Cortical Labs 产品页面, 2025）

Cortical Labs 识别的初始目标市场包括：

  1. 药物发现与神经毒理学：制药公司可以使用 CL1 来测试候选药物对人类神经元网络功能的影响，这比动物模型更具人类相关性，比临床试验更快速和低成本。根据 Precedence Research 在2024年发布的报告，全球神经科学药物发现及相关市场规模预计在2024年达到约110-130亿美元区间。（来源: Precedence Research, Neuroscience Market Report, 2024-06）

  2. 类脑计算研究：学术机构和企业研究实验室可以使用 CL1 来研究生物神经网络的计算原理，为下一代 AI 算法提供灵感。Intel 的 Loihi 2 神经形态芯片和 IBM 的 NorthPole 芯片都从生物神经网络中汲取了设计灵感，但它们仍然是硅基模拟。CL1 提供了直接研究真实生物神经网络的平台。

  3. 国防与情报应用：In-Q-Tel 的投资暗示了国防和情报领域的兴趣。潜在应用包括超低功耗的边缘 AI（如无人机上的自适应控制系统）、生物信号处理和新型人机接口。

  4. 合成生物学与生物计算：CL1 可以作为更广泛的合成生物学研究平台的一部分，探索生物系统作为计算基质的可能性。

4.2 商业模式：硬件+耗材+服务

CL1 的商业模式不仅仅是卖硬件。由于 OrganoID 有有限寿命，客户需要定期购买替换模块，这创造了一个类似于”剃须刀-刀片”的经常性收入流。此外，Cortical Labs 还提供：

  • 定制 OrganoID：根据客户需求定制特定类型的神经元（如多巴胺能神经元、运动神经元）或特定的疾病模型（如阿尔茨海默病、帕金森病的神经元）
  • 数据分析服务：对 OrganoID 产生的神经活动数据进行高级分析
  • 云平台：远程访问和管理 CL1 设备

这种模式在生命科学工具行业有成熟的先例。Illumina 的测序仪+试剂模式、10x Genomics 的仪器+耗材模式都是类似的范例。如果 Cortical Labs 能够建立起足够大的装机基量，耗材和服务收入可能最终超过硬件收入。

4.3 竞争格局

Cortical Labs 并非唯一在探索生物计算的公司，但它是目前最接近商业化的：

  • FinalSpark（瑞士）：开发了”Neuroplatform”，一个基于人类脑类器官（organoids）的远程访问计算平台。FinalSpark 在2024年5月发表了论文，声称其平台的能效比传统数字处理器高100万倍。（来源: Fred D. Jordan et al., Frontiers in Artificial Intelligence, 2024-05）但 FinalSpark 的系统目前仅作为远程访问的研究工具提供，尚未推出独立的商用硬件产品。

  • Koniku（美国）：由 Osh Agabi 创立，专注于使用生物神经元进行嗅觉传感（如爆炸物和疾病检测）。Koniku 的方向更偏向传感器而非通用计算。

  • 神经形态芯片公司：Intel 的 Loihi 2、IBM 的 NorthPole、BrainChip 的 Akida 等神经形态芯片模仿了生物神经元的计算原理，但使用硅基晶体管实现。它们是 CL1 的间接竞争者，但在技术路线上有根本区别——硅基神经形态芯片是对生物的”模拟”，而 CL1 使用的是真正的生物神经元。

  • 脑类器官研究社区：全球有数百个实验室在培养和研究脑类器官（brain organoids），包括 Madeline Lancaster（MRC Laboratory of Molecular Biology）、Sergiu Pasca（Stanford University）等领军人物的团队。但这些大多是基础研究，尚未转化为计算产品。

我的判断是：Cortical Labs 在”活体神经元商用计算”这个极窄的赛道上，目前处于领先地位。但这个赛道本身还太小，无法支撑大规模的商业化。CL1 的真正竞争不是来自其他生物计算公司，而是来自”为什么不用硅基芯片做同样的事情”这个根本性的替代方案。

5. 大多数人没看到的：CL1 真正挑战的是什么

5.1 计算的定义之争

CL1 最深层的意义不在于它的技术规格或商业模式，而在于它对”计算”这个概念本身的挑战。

自 Alan Turing 在1936年提出图灵机模型以来，”计算”在主流理解中几乎等同于”符号操作”——输入一串符号，按照确定性规则进行变换，输出另一串符号。冯·诺依曼架构将这一抽象实现为存储程序计算机，此后70多年的计算机发展本质上都是这一范式的迭代优化——更快的时钟频率、更多的晶体管、更大的存储器、更高的并行度。

即便是深度学习的兴起也没有改变这一根本范式。神经网络在数学上是可微函数的组合，在硬件上是矩阵乘法的并行执行，在逻辑上仍然是确定性的符号操作（给定相同的权重和输入，输出完全确定）。GPU 和 TPU 是为这种特定类型的符号操作优化的硬件。

CL1 打破了这个框架。活体神经元的”计算”不是符号操作，而是动态系统的自组织演化。神经元网络没有”程序”，没有”指令集”，没有”存储器”和”处理器”的分离。它的”计算”是涌现的（emergent）——从大量神经元的局部交互中产生全局行为模式。这种计算是非确定性的、连续的、自适应的，与图灵机模型有根本性的不同。

这并不意味着生物计算”更好”或”更强大”。Church-Turing 论题表明，任何可计算的函数都可以由图灵机计算——生物神经元能做的任何计算，理论上硅基系统也能做（虽然可能效率不同）。但反过来也成立：某些计算任务可能在生物基质上天然更高效，就像某些任务在 GPU 上比 CPU 上更高效一样。

5.2 从”模拟生物”到”使用生物”的范式转换

当前 AI 硬件的发展轨迹可以概括为”用硅基系统越来越精确地模拟生物神经网络的某些特性”。从最早的感知机到深度学习，从 GPU 通用计算到 TPU 的脉动阵列，从 FP32 到 FP8 再到混合精度，每一步都是在硅基约束下对生物计算某些方面的更好近似。

神经形态计算（neuromorphic computing）将这种模拟推向了更深的层次。Intel 的 Loihi 2 使用脉冲神经网络（spiking neural networks, SNNs）来模拟生物神经元的脉冲通信方式，实现了比传统 GPU 更高的能效（在特定任务上）。但 Loihi 2 仍然是硅基的——它用数字电路来”模拟”生物行为。

CL1 代表了一个逻辑上的极端：既然我们一直在试图模拟生物神经元，为什么不直接使用生物神经元？这个问题听起来像是一个笑话，但它包含了深刻的工程洞察。模拟（simulation）总是比原生（native）更昂贵——用 CPU 模拟 GPU 比直接使用 GPU 慢几个数量级；用数字系统模拟模拟电路比直接使用模拟电路更耗能。如果目标是”类脑计算”，那么使用真正的脑组织在能效上有天然优势。

这种”从模拟到原生”的转换在其他领域有先例。量子计算就是一个例子：与其用经典计算机模拟量子系统（指数级开销），不如直接使用量子系统来计算。生物计算可能遵循类似的逻辑：与其用硅基系统模拟生物神经网络（巨大的能耗开销），不如直接使用生物神经网络。

5.3 伦理边界：被忽视的核心风险

CL1 使用的是人类 iPSC 来源的神经元。这些神经元来自人类，具有人类的基因组，形成人类特有的突触连接模式。当这些神经元被组织成网络并进行”训练”时，它们是否具有某种形式的体验（experience）或感受（sentience）？

这不是一个纯粹的哲学问题。2022年，DishBrain 论文中使用”sentience”一词引发了广泛争议。2023年，一个由 Johns Hopkins University 的 Thomas Hartung 领导的团队发表了关于”类器官智能”（Organoid Intelligence, OI）的路线图论文，明确提出了伦理框架的需求。（来源: Smirnova et al., Frontiers in Science, 2023-02-28）

当前的伦理共识是：CL1 中320万个神经元的规模远远不足以产生任何有意义的意识或感受能力。人类意识被认为需要大脑皮层的大规模协调活动，涉及数十亿个神经元的复杂网络。但这个共识是基于我们当前对意识的（极其有限的）理解。如果意识的阈值比我们想象的更低呢？如果某种原始的”感受”可以在更小的神经元网络中涌现呢？

Cortical Labs 在其伦理声明中表示，公司遵循所有适用的伦理法规，并与独立的伦理审查委员会合作。但目前全球尚无专门针对”活体神经元计算”的伦理法规或监管框架。这是一个监管真空。

从商业角度看，伦理争议是 CL1 面临的最大非技术风险。如果公众舆论将 CL1 定性为”在培养皿中折磨人类大脑”，无论这种定性在科学上多么不准确，都可能导致监管限制甚至禁令。Cortical Labs 需要在技术推进和公众沟通之间走一条极其细窄的钢丝。

6. 产业影响：对硅基 AI 芯片行业意味着什么

6.1 短期（2025-2028）：几乎为零

让我们直说：CL1 在未来3年内不会对 NVIDIA、AMD、Intel 或任何主流 AI 芯片公司构成任何竞争威胁。320万个神经元的计算能力无法替代任何现有的 AI 工作负载。CL1 的市场是研究工具，不是计算基础设施。

NVIDIA 在2025财年（截至2025年1月26日）的数据中心业务收入约为1152亿美元，全年总收入约为1305亿美元。（来源: NVIDIA FY2025 Annual Report / Q4 FY2025 Earnings, 2025-02-26）Cortical Labs 的整个公司估值可能还不到这个数字的万分之一。在规模上，两者不在同一个宇宙。

6.2 中期（2028-2035）：潜在的互补关系

如果 Cortical Labs 能够将 OrganoID 的规模从数百万神经元扩展到数亿甚至数十亿，生物计算可能会在特定的利基应用中找到商业化路径：

  • 药物筛选加速器：制药公司使用大规模生物神经元网络来筛选神经系统药物的候选分子，替代部分动物实验。全球药物发现外包（CRO）市场在2024年估计约为800-850亿美元。（来源: Grand View Research, Contract Research Organization Market Report, 2024）这个市场足够大，而且有明确的监管驱动力（减少动物实验的3R原则——替代 Replace、减少 Reduce、优化 Refine）。

  • 超低功耗边缘 AI：在功耗极度受限的环境中（如植入式医疗设备、长期部署的传感器节点），生物计算的能效优势可能具有实际价值。但这需要解决生物系统在极端环境下的存活问题。

  • 混合架构：最可能的中期路径是生物-硅基混合架构，其中生物神经元处理需要适应性和低功耗的子任务，硅基系统处理需要精确性和高吞吐量的子任务。这类似于当前 CPU-GPU-NPU 的异构计算范式。

6.3 长期（2035+）：范式竞争

如果——这是一个很大的”如果”——生物计算能够解决可扩展性、可靠性和标准化问题，它可能会成为继冯·诺依曼架构和量子计算之后的第3种计算范式。

考虑以下长期趋势：

  1. 摩尔定律的终结：台积电的2nm制程预计在2025年量产，1.4nm（A14）在2027-2028年。此后，传统的晶体管微缩将面临物理极限。后摩尔时代需要新的计算范式来延续性能增长。

  2. 能效墙：即便不考虑制程微缩，数据中心的能耗增长已经成为一个严峻问题。国际能源署（IEA）在2025年1月发布的最新《Electricity 2025》报告中预测，全球数据中心用电量将从2024年的约415 TWh增长到2027年的约590 TWh，在某些更激进的情景下可能更高。（来源: IEA, Electricity 2025 报告, 2025-01）如果 AI 工作负载继续指数增长，能效必须有数量级的突破。

  3. 生物技术的加速：合成生物学、基因编辑（CRISPR）、干细胞技术和组织工程在过去10年取得了巨大进展。这些进展为生物计算提供了越来越成熟的上游工具链。

在这些趋势的交汇点上，生物计算有可能从实验室好奇心演变为一种实用的计算范式。但这需要多个领域的同时突破，时间尺度可能以十年计。

7. 投资与战略视角：谁应该关注 CL1

7.1 风险投资视角

Cortical Labs 目前处于典型的”深科技早期”阶段：技术风险高、市场不确定、但潜在回报巨大。In-Q-Tel 的参与降低了一些信号风险（至少有一个成熟的机构投资者认为这值得赌注），但公司的融资规模（累计约1000万美元）相比 AI 芯片领域的竞争者微不足道——Cerebras 在2024年的 F 轮融资中获得约2.5亿美元，累计融资超过7亿美元（来源: Cerebras Systems, Crunchbase）；Groq 在2024年8月的 D 轮融资中获得6.4亿美元（来源: TechCrunch, 2024-08-05）。

对于风险投资者来说，CL1 的关键里程碑包括：

  • 首批商业客户的获取和留存
  • OrganoID 规模的扩展（从百万到千万神经元级别）
  • 可重复的、定量的性能基准测试结果（最好经过独立第三方验证）
  • 明确的监管路径（特别是在欧盟和美国）

7.2 大型科技公司视角

Google、Microsoft、Meta 和 Amazon 等大型科技公司目前没有公开投资活体生物计算。但这些公司都有庞大的基础研究部门（Google DeepMind、Microsoft Research、Meta FAIR），并且在类脑计算和神经科学方面有持续的研究兴趣。

我预测，如果 Cortical Labs 在未来2-3年内展示出令人信服的技术进展，至少会有1家大型科技公司进行战略投资或建立合作关系。最可能的候选者是 Google（DeepMind 在计算神经科学方面有深厚积累）或 Microsoft（通过 Microsoft Research 的生物计算部门，该部门已经在 DNA 存储和生物分子计算方面有多年研究）。

7.3 制药公司视角

对于 Roche、Novartis、Pfizer、Johnson & Johnson 等大型制药公司来说，CL1 最直接的价值在于神经系统药物发现。当前的神经系统药物研发面临极高的失败率。根据 BIO（Biotechnology Innovation Organization）与 QLS Advisors 联合发布的《Clinical Development Success Rates and Contributing Factors 2011-2020》报告（2021年发布，2024年更新版），神经科学领域从 I 期到获批的整体成功率约为6-8%，显著低于肿瘤学（约14%）和心血管领域（约17%）。（来源: BIO/QLS Advisors/Informa Pharma Intelligence, Clinical Development Success Rates 2011-2020, 2021; 2024 update）一个能够更准确地预测人类神经元对候选药物反应的平台，即便只能将成功率提高几个百分点，也价值数十亿美元。

8. So What：这对你意味着什么

如果你是 AI 硬件工程师：CL1 不会威胁你的工作，但它应该拓宽你对”计算”的理解。生物-数字接口设计、神经信号处理和混合架构将成为一个新兴的交叉领域。学习一些计算神经科学的基础知识不会浪费你的时间。

如果你是 AI 研究者：CL1 提供了一个独特的实验平台，可以直接研究生物神经网络的计算原理，而不是通过数学模型间接推断。这对于理解学习、记忆、适应性等基本计算现象可能有重要价值。特别是，如果你在研究 few-shot learning、continual learning 或 energy-efficient AI，CL1 值得关注。

如果你是 投资者：生物计算是一个高风险、高回报的长期赌注。不要指望在3-5年内看到回报，但如果你的投资组合中有10%的”登月项目”配额，这个领域值得配置。关注的不仅是 Cortical Labs，还有整个生物计算生态系统——包括上游的 iPSC 供应商、MEA 制造商和微流控技术公司。

如果你是 政策制定者：活体神经元计算的伦理和监管框架需要现在就开始建设，而不是等到技术成熟之后。欧盟的 AI Act 没有涵盖生物计算基质，美国的 CHIPS and Science Act 也没有。这是一个监管盲区，需要跨学科的专家（神经科学家、伦理学家、法学家、工程师）共同参与。

如果你是 普通读者：CL1 代表了一个深刻的哲学转折点。当我们开始使用人类神经元来进行计算时，”机器”和”生命”之间的界限变得模糊了。这不是科幻小说——这是一家真实的公司，在卖一个真实的产品，里面有真实的人类神经元在进行真实的计算。无论 CL1 最终是成为一个历史脚注还是一个新纪元的开端，它都迫使我们重新思考一个最基本的问题：什么是计算，什么是生命，以及两者之间的边界在哪里。

Cortical Labs 的 Hon Weng Chong 在2025年的一次采访中说了一句话，我认为精确地捕捉了 CL1 的本质：”我们不是在制造更好的计算机。我们是在发现一种新的计算形式，这种形式已经存在了5亿年——自从第一个神经元在寒武纪出现以来。”（来源: Cortical Labs CEO 采访, 2025）

这句话可能有些营销色彩，但它指向了一个真实的洞察：生物神经元是地球上最古老、最久经考验的计算基质。我们花了70年时间用硅来模拟它，现在，第一次，我们开始直接使用它。这条路可能走不通，但如果走通了，它将重新定义我们对计算、智能乃至生命本身的理解。

参考资料

  1. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world — Brett J. Kagan et al., Neuron, 2022-10-12
  2. Organoid intelligence (OI): the new frontier in biocomputing and intelligence-in-a-dish — Lena Smirnova, Brian S. Caffo, David H. Gracias, Thomas Hartung et al., Frontiers in Science, 2023-02-28
  3. Open-source biocomputing platform using human neurons — Fred D. Jordan et al., Frontiers in Artificial Intelligence (FinalSpark Neuroplatform), 2024-05
  4. Cortical Labs Official Website - CL1 Product Information — Cortical Labs, 2025
  5. NVIDIA Announces Financial Results for Fourth Quarter and Fiscal 2025 — NVIDIA Newsroom, 2025-02-26
  6. Electricity 2025 - Analysis and forecast to 2027 — International Energy Agency (IEA), 2025-01
  7. Groq Raises $640 Million in Series D Funding — TechCrunch, 2024-08-05
  8. BIO/QLS Advisors/Informa Pharma Intelligence, Clinical Development Success Rates and Contributing Factors 2011-2020 — 来源: BIO, 2021 (2024 update)
  9. Grand View Research, Contract Research Organization (CRO) Market Size Report — 来源: Grand View Research, 2024

主题分类：frontier-computing