用「活體神經元」打造資料中心：新加坡CL1生物電腦系統，距離下一代AI還有多遠？

近來新加坡國立大學（NUS）、澳洲生技公司 Cortical Labs 與資料中心營運商 DayOne 合作的「活體神經元資料中心」（Biological Data Center），成了媒體熱議的話題。這套生物資料中心由 20台 CL1 生物電腦系統、共1千6百萬個活體人類神經元所組成。這些數字被包裝成下一代 AI 基礎設施的雛形，甚至催生出矽基加上生物神經元的運算模式，形成先進科技發展的宏大敘事。

這項合作的分工很清楚。澳洲 Cortical Labs 提供 CL1 的核心技術，這家公司 2022 年曾因讓培養皿神經元學會打兵乓遊戲（Pong）的 DishBrain 實驗一砲而紅；NUS 醫學院負責培養與維護幹細胞分化而來的人類神經元；DayOne 則負責把這些實驗室設備裝進標準伺服器機架。

新加坡之所以會發展這項技術，主因之一是土地與電力極度匱乏。2019 年新加坡曾因考量電力負荷而全面暫緩興建新資料中心，這道禁令直到 2022 年才分階段解除。由於活體神經元資料中心的低耗能特點正好符合新加坡的永續政策方向，才讓它獲得了通行證，但只要把數據與工程現實攤開來看，就會發現目前展示的能力，與宣傳相差甚遠。

生物運算的效率神話

首先要知道，Cortical Labs 的 CL1 從來就不是拿來取代「圖形處理器」（GPU）的生物處理器，它只是把活體神經元、微電極陣列（MEA）與矽基電子系統接在一起的混合平台。若與矽晶片比較速度，矽晶片是神經元的數百萬倍，但這只能說明兩者的物理機制不同，不能拿來推論誰的計算能力更強。

以 DishBrain 實驗為例，研究團隊確實觀察到神經元在約五分鐘內出現了可測量的學習跡象，但這項任務本質上是由研究者預先定義好刺激–反應迴路。實驗確實顯示活體神經元能透過電刺激與回饋自行改變活動模式，但若要推論生物神經元是更好的 AI 計算基礎，還需要更多的證據。

目前關於生物運算的常見宣傳論述，是先承認生物運算在算力上輸給 GPU，接著立刻把戰場轉到能源效率與小樣本學習。但以能源效率比較為例，前提應是兩套系統完成相同任務，並以一致的準確率與延遲來衡量。否則，若拿簡單的神經適應任務去對比大型語言模型，再宣稱前者每焦耳產生的「智慧」更高，並沒有可比性。

此外，小樣本學習也不能只靠五分鐘的 Pong 實驗來背書。2025 年已有實驗證明不須海量訓練資料，光以單張 RTX 4090 顯卡，便能在15分鐘內訓練出能直接轉移到實體人形機器人上的行走策略。同樣的，在矽基與生物神經元未能以同一套標準比較下，生物神經元的小樣本學習優勢只是待驗證的假說。

還有論者強調，人腦只耗20瓦就能運作通用智慧，而 AI 要達到同等程度可能需要城鎮等級的發電廠。20 瓦是計算得出的真實數字，但達到人類等級的通用人工智慧（AGI）根本還不存在，不存在的東西只能靠推測得出能源功耗，因此雖然有生物運算低耗能的說法，但本質上還是生物神經元擁護者的想像。

CL1的應用價值與風險

這次的 20 台 CL1 只是一種展示，DayOne 更提出未來要擴產至1千台，此說法的新聞效果很強，但技術意義其實沒那麼戲劇性。真正值得注意的，是活體神經元第一次被帶進資料中心的場景裡。NUS 更直接把這套系統稱為全球第一個獨立運作的生物整合式伺服器機架，這一步稱不上革命，卻是個實在的開始。

目前這套系統最扎實、最有把握的應用價值，可能是作為新型態的生物實驗與計算平台。正如 NUS 的 Rickie Patani 教授所指出的，它能幫助我們在生物層面理解學習與適應的機制，加速藥物開發與神經疾病研究。因此，生醫建模與新藥篩選，才是它眼前最具體的落地方向。

換言之，這可以說是披著資料中心外皮的活體生物實驗平台，目前完全沒有數據支持它能承接 AI 訓練、推論或一般通用運算，甚至連取代 GPU 處理特定任務的公開可驗證基準都尚未出現。這套系統未來的風險重點也不會是算力瓶頸或電力容量，而是生物安全、活體組織處理與實驗室級別的管制。

根據 Cortical Labs 公布的資料顯示， CL1 是培養在晶片上的活體神經元網路，靠內建的營養液、恆溫和氣體交換系統維持運作。然而，神經元最多可以只能維持約六個月，活體神經元會老死，因為它是有機生命，未來若真的商用化，也將面臨倫理問題—這些細胞如果可能產生感知或痛苦，人類能否容許這種設備？

此外，神經元量產也有污染和批次差異。同一套培養條件下，每次長出來的神經網路不會完全一樣，無法像矽晶片大規模量產與規格一致。矽基擅長精準與暴力運算，生物運算則在低功耗與動態適應上被寄予厚望，未來較合理的想像，應該是「濕件運算」（Wetware Computing）架構的持續發展。

生物運算的未來

最後，要知道關於生物運算的研究，新加坡與澳洲的合作絕非首創。美國有研究機構將人類腦類器官放到高密度多電極陣列上，模擬大腦的結構和工作原理，也有大學團隊把腦類器官、電極、微流體系統與 AI 結合起來，研究記憶、學習與資訊處理，主要是聚焦於生物學機制是否能變成計算架構。

中國則有些不同，研究團隊將人類幹細胞培養出的腦類器官與電極晶片結合，再接到機器人系統。該團隊展示的任務包括避開障礙、目標追蹤與機械手臂抓取，試圖把抽象的生物計算轉化為可以看到的機器人動作。近來則將目標轉向醫療，往神經修復與腦機介面方向發展。

不管是美、中、新、澳等國的實驗，都證明了生物神經網路確實具備學習與適應能力，但遠非成熟的計算架構。目前美中 AI 軍備競賽的主戰場仍是矽基算力，包括先進製程、GPU、資料中心等，都是已經形成產業需求的戰場；相較之下，生物運算系統的性能與能源基準仍沒有建立，CL1 也才剛開始進入商業市場。

因此，現在看待生物運算比較適合把它視為一項高風險的前沿研究，稱不上下一代 AI 誕生，更談不上 AI 軍備競賽的新戰場。在生物運算領域，真正的看點從來不在短期內能不能頂替 GPU，值得繼續關注的是未來活體神經元有沒有機會證明，在某些任務上，能夠用矽基系統難以做到的方式完成計算。