唠唠资讯2026年04月07日 14:01消息，日本团队训练大鼠神经元执行AI计算任务。
4月7日消息，科技媒体Tom'sHardware于4月5日发布博文，报道称日本科学家成功训练大鼠皮层神经元，利用实时机器学习框架自主生成复杂时序信号。这一研究展示了生物神经元与人工智能结合的潜力，为未来脑机接口和神经计算领域提供了新的思路。虽然技术仍处于实验阶段，但其在神经科学与机器学习交叉领域的突破意义重大，值得持续关注。
日本东北大学与未来大学的研究团队，成功将活体神经元与高密度微电极阵列及微流控设备相结合，构建出一种“闭环储备池计算”系统。该系统无需依赖外部输入，即可自主学习并生成周期性及混沌波形，完成AI计算任务，展现出类脑计算的新可能。 这一技术突破为仿生计算和神经形态工程提供了全新思路。通过整合生物神经元与先进微电子技术，研究者不仅实现了对复杂信号的处理能力，还探索了生物与人工系统之间更深层次的交互方式。这种自组织、自适应的计算模式，或许将为未来的智能系统带来革命性的变化。
技术核心在于利用 PDMS（聚二甲基硅氧烷）微流控薄膜约束神经元连接方式。研究发现，无物理约束时，培养神经元会形成高度同步化网络，无法学习目标信号。
为此，团队将神经元胞体限制在 128 个微型微孔中，通过微通道连接，构建了格型（lattice）和分层（hierarchical）两种网络结构。这种设计显著提升了网络动力学维度，将神经元两两相关性从 0.45 降至 0.12。
测试结果显示，格型网络在所有目标波形中表现出色。系统能够生成周期为4秒、10秒和30秒的正弦波、三角波及方波，并能有效逼近三维混沌轨迹——洛伦兹吸引子，学习阶段预测信号与目标信号的相关性超过0.8。东北大学教授山本英明指出，活体神经元网络不仅是生物学系统，更具备作为新型计算资源的潜力。 从技术角度看，格型网络在信号生成与混沌轨迹逼近方面的表现，显示出其在复杂系统建模中的强大能力。这种能力不仅提升了对非线性系统的理解，也为未来在人工智能、信号处理等领域的应用提供了新的方向。而山本英明的观点则进一步拓展了神经元网络的应用边界，提示我们生物系统可能蕴含着尚未被完全挖掘的计算潜能。这无疑为跨学科研究提供了新的思路。
然而，该技术目前仍存在性能限制。在训练结束后，系统自主运行时误差有所上升。反馈回路约330毫秒的延迟，影响了系统对快速变化波形的追踪能力。
科研团队未来计划通过研发专用硬件来进一步降低系统延迟，以拓展其在脑机接口（Brain-Machine Interface）和神经假体设备中的应用范围。这一方向的探索不仅有助于提升设备的实时响应能力，也为相关技术在医疗康复、智能辅助等领域的深入应用奠定了基础。随着硬件技术的不断进步，这类设备有望实现更精准、更高效的交互体验，为患者带来更大便利。
附上参考地址
Online supervised learning of temporal patterns in biological neural networks under feedback control
