为了提高人工智能的计算能力（AI），研究人员将普通的机器学习与实验室中不同类型的脑组织组成的人脑的复杂3D模型相结合。
这些大脑的微型模型 ，称为 大脑器官或“微型纤维 ，“自2013年以来就以各种形式存在 。但是它们从未被利用为增强AI的一种方式 。
这项新的研究使用更多传统的计算硬件将电气数据输入器官，然后破译器官的活动以产生输出＆mdash;因此，器官仅作为计算过程的“中间层”。
尽管该方法远非模仿大脑的真实结构或运作方式 ，但它可能会为创建生物计算机提供早期的一步 ，这将借用生物学的技巧来使它们比传统计算机更强大，更节能。它也可能导致人们对人脑的运作方式以及受神经退行性疾病的影响 ，例如 阿尔茨海默氏症 和 帕金森氏病 。
有关的： 科学家建议 ，实验室成长
对于新研究的新研究（12月11日） 自然电子，研究人员使用了一种称为储层计算的技术 。在这种情况下 ，器官是“储层 ”。在这样的系统中 ，储层存储信息并对输入的信息做出反应 。算法学会识别储层中通过不同输入触发的变化，然后将这些更改转换为其输出 。
使用此框架 ，研究人员通过向通过电极传递的电输入来将脑器官插入该系统中。
研究合着者说：“基本上 ，我们可以对信息进行编码，例如图像或音频信息＆mdash;在电刺激的时间空间模式中 。 ” 冯郭 ，印第安纳大学布卢明顿智能系统工程副教授 。
换句话说 ，根据电极电力的时间和空间分布，类器官的反应不同。该算法学会了解释器官对该刺激的电气反应 。
尽管大脑器官比实际的大脑要简单得多 。它本质上是脑细胞的小球体＆mdash;它具有适应和改变刺激的能力。不同类型的脑细胞的响应，发育的不同阶段的细胞以及器官中的脑样结构的反应为我们的大脑对电信号的响应方式变化提供了一种粗略的类似物 。大脑中的这种变化会助长我们学习能力 。
研究人员使用这种非常规的硬件 ，培训了混合算法 ，以完成两种类型的任务：一种与语音识别有关，另一种与数学有关。在前者中 ，计算机在识别数百种音频样本的日本元音声音方面显示出约78％的精度。在解决数学任务方面 ，这是相当准确的，但比传统的机器学习类型要少一些 。
该研究标志着AI首次使用脑器官 ，但以前的研究以类似的方式使用了更简单的实验室种植神经组织 。例如 ，科学家有 交织的脑组织 通过一种强化学习的形式，一种机器学习可能与人类和其他动物学习方式更具相似性 ，而不是储层计算。
未来的研究可能会试图将脑器官与增强学习结合在一起 。 莉娜·斯米尔诺瓦（Lena Smirnova） ，约翰·霍普金斯大学的环境健康与工程助理教授 共同撰写了评论 关于新研究 。
创建生物计算机的优点之一就是能源效率，因为我们的大脑使用的能量要比当今的高级计算系统少得多。但是Smirnova说 ，可能要使用类似技术来创建常规生物计算机可能要数十年 。
虽然类器官不接近复制成熟的人类大脑 ，但Smirnova希望这项技术能使科学家更好地了解大脑的工作原理，包括像阿尔茨海默氏症这样的疾病 。例如，复制大脑的结构（使用器官）和功能（使用计算）可以使研究人员更好地理解大脑结构与学习和认知的关系。
与一般的类器官一样 ，这些计算系统可以 希望有助于替换动物的药物测试Smirnova补充说 ，这两者都提出了道德问题，并不总是会产生有用的结果 ，因为动物与人类有很大不同 。将人脑组织衍生成的类器官纳入药物测试可能有助于缩小该差距 。
曾经想知道为什么 有些人比其他人更容易建立肌肉 或者 为什么雀斑在阳光下出来？向我们发送有关人体如何工作的问题 community@livescience.com 有了主题行“ Health Desk Q” ，您可能会在网站上看到回答的问题！
