布里斯托大学研究团队近日在《Frontiers in Artificial Intelligence》发表论文，展示了利用体外培育的人类脑类器官处理机器人触觉传感器收集的26个盲文字母信号。实验数据显示，单个人类脑类器官的字母分类准确率为61%，当把三个类器官组合在一起时，分类准确率攀升至83%。
这一结果随即被通俗舆论包装成活体大脑造出计算机、培养皿中组织学会阅读盲文的科幻叙事。然而，穿透繁杂的生物学包装，这项实验的技术架构是一套开环物理储层计算。真正执行字符分类判别的是外部传统的支持向量机（SVM）算法，而类器官在整条链路上仅充当了高噪声的生物电信号中继与特征投影器。
算力归属：生物组织只是中继，硅基算法才是分类器
在这篇题为《Encoding Tactile Stimuli for Braille Recognition with Organoids》的论文中，作者Tianyi Liu、Hemma Philamore与Benjamin Ward-Cherrier设计了一套跨界硬件测试链路。
机器人触觉传感器首先在5种不同压入深度下扫描26个凸点盲文字母，每种深度采集10次，累计产出1300组记录。随后，工程团队从8个传感器触点提取物理特征，将其转化为对应的电脉冲，分别驱动8个微电极来刺激微米尺度的三维人类脑类器官。
类器官接受电击后激发动作电位，实验设备记录各电极采集到的神经脉冲计数，拼成一个8维向量。在最后的分类环节，研究人员把这组数据（单器官为8维，三个类器官拼接为24维）送入传统的支持向量机（SVM）完成模式识别。
换言之，生物组织既没有理解字母，也没有产生决策意图，它仅是以生理特性对电流刺激做出了被动抖动。
被隐匿的对照组：传统算法直接跑出82%
类器官在这次计算任务中到底提供了多大的增量价值？论文中一个关键的对照实验给出了戏剧性的答案。
如果完全跳过脑类器官这一步，直接把触觉传感器的原始电刺激参数喂给同一个SVM算法，基准分类准确率就已经达到了82%。而在接入3个脑类器官并花费高昂维护成本之后，系统的最终分类准确率仅提高到了83%。
这区区1个百分点的差距在缺乏完备置信区间与不确定性评估的前提下，很难被视作具有统计学显著性的计算性能跨越。不仅如此，三个类器官组合准确率之所以能从单个的61%回升到83%，更符合常理的技术解释并非多个大脑产生了协同智慧，而是后端SVM接收的特征维度从8维硬性扩增到了24维。维度增加自然赋予了传统分类器更从容的数学解空间。
更为关键的是，研究团队未在论文中明确给出针对盲文字母分类的划分折数、分组规则或完全独立的留出测试集。从严谨的机器学习评估角度审视，这一开环实验目前证明的仅仅是生物活体组织能够充当一个充满生物变异性的模拟信号转换器。
所谓大脑算力的突破，是传统硅基分类器在替生物湿件收拾残局。
- 风险.若在评估类器官智能时剔除严格的无生物基准对照（Baseline），极易把硅基读出算法本身的拟合泛化能力误判为生物组织的智能飞跃。
湿件计算的现实账本：被剥离的能耗与维护代价
类器官智能（Organoid Intelligence）领域的倡导者常以人类大脑仅需20瓦超低功耗来论证其颠覆传统算力的潜力。比萨大学学者Chiara Magliaro和Arti Ahluwalia曾对此提出严厉审视，指出类器官计算目前宣称的极低能耗仅仅截取了神经元本身的生化代谢，是一种典型的避重就轻。
要让这10000个离体神经元持续存活并维持微弱电生理活性，外部必须挂载一整套严苛的维持系统。微流控营养液泵、气体孵化箱、恒温控制机、高精度信号记录仪，再加上用于运行解码程序的高性能GPU与CPU，整体系统的实际运行能耗与占地规模，远远超过同等算力的传统边缘硅基芯片。
类器官智能的发展脉络此前已有数次试水：
- 2022年Cortical Labs的DishBrain项目在平面培养基上刺激二维小鼠与人类神经元让其在闭环反馈中游玩Pong乒乓球游戏；
- 2023年印第安纳大学的Brainoware尝试将三维脑类器官用于日语音素辨析；
- 本次布里斯托大学团队则拓宽了机器人触觉感知与高维模式分类的尝试。
但科学界对待这些进展正变得愈发审慎。DishBrain当年被媒体大肆宣扬后，随即引来神经科学学者Fuat Balci等人在期刊上的尖锐批评，直指其滥用感知与智能词汇。本项盲文实验不仅缺乏闭环反馈机制，更未观察到任何突触可塑性或长期学习的生物物理证据。
- 结论.对于关注颠覆性架构的产业界与评估立项的科研基金而言，脱离生命维持系统的全生命周期功耗与鲁棒性指标去谈湿件计算替代硅基芯片，在可预见的工程周期内依旧是不切实际的假设。