【生物智能】神经人工智能(NeuroAI)与合成生物智能(SBI)的计算视角

神经人工智能（NeuroAI）与合成生物智能（SBI）的计算视角

本文是一篇从计算视角系统综述神经人工智能（NeuroAI）与合成生物智能（SBI）的学术综述，横跨神经科学、人工智能、生物医学工程、合成生物学、神经形态计算等多交叉领域。文章构建了硬件 - 软件 - 湿件三大核心域的 NeuroAI 整体框架，梳理领域百年发展脉络、生物与人工神经网络本质差异、底层计算模型、硬件架构、SBI 系统范式、数据治理、伦理挑战及前沿应用，指明了类脑生物混合智能的发展现状与未来方向。

一、研究背景与引言

1.核心概念界定

￮NeuroAI：神经科学与人工智能交叉的新兴领域，以大脑功能机理启发智能系统设计。

￮合成生物智能 SBI：NeuroAI 核心分支，融合生物神经网络（BNNs）自适应学习特性与工程化软硬件，可支撑神经计算建模、生物混合架构开发、新型具身智能实现。

2.核心研究思路将 NeuroAI 划分为硬件、软件、湿件三大交互领域，系统整合生物与非生物计算系统框架，综述类器官智能、神经形态计算、神经符号学习等前沿进展，聚焦活体神经组织与数字算法实时交互的新一代计算系统。

3.领域百年发展里程碑

￮生物侧：19 世纪末体外组织培养→20 世纪初神经元体外培养→70 年代多电极阵列（MEA）诞生→胚胎干细胞 / 诱导多能干细胞（iPSCs）突破→3D 脑类器官问世，催生类器官智能（OI）。

￮计算侧：马尔可夫链、神经逻辑表征、图灵测试、达特茅斯 AI 会议奠定理论基础；时序差分学习、Q 学习推动强化学习发展；深度学习、卷积网络、Transformer、大语言模型引领现代 AI；全局工作空间理论、整合信息理论、预测编码、主动推理等神经科学理论，反向启发更灵活、可解释的 AI 设计。

二、生物神经网络（BNNs）：NeuroAI 的底层基础

2.1 单个生物神经元远超人工神经元的复杂度

人工神经网络（ANN）的感知机仅是生物神经元的极度简化模型：

1.生物树突并非简单求和节点，而是分布式滤波网络，具备膜电阻、轴向电阻、电容等 RC 电路特性，远端信号衰减更显著；

2.电压门控钠 / 钙通道可产生再生性树突尖峰，且躯体动作电位能反向传播至树突，触发突触可塑性；

3.NMDA 受体充当时间敏感放大器、时序滤波器与逻辑与门，无需额外网络层即可完成时序模式识别；

4.生物神经元可实现异或类复杂非线性计算，单个人类锥体神经元等效5-8 层深度 CNN，去除 NMDA 非线性后仅需 1 层，凸显生物神经元的计算复杂度优势。

2.2 BNN 与 ANN 七大核心维度差异

2.3 功能性 BNNs 必备核心特征

具备神经元多样性（兴奋 / 抑制神经元协同调控网络）、模块化层级结构（适配感知 - 运动信息处理）、长程振荡通信（伽马 /theta/beta 节律支撑脑区协同）、大规模并行分布式计算四大特性，是构建类脑合成智能系统的关键前提。

三、NeuroAI 谱系与跨学科领域划分

1.三大核心交互域

￮硬件：神经形态芯片、脉冲式硅基硬件系统；

￮软件：脑启发计算模型（神经符号 AI、强化学习、主动推理等）；

￮湿件：活体神经系统（脑类器官、体外神经培养物、脑切片）。

2.两大研究分支

￮无活体细胞：仅借鉴 BNNs 形态与计算原理，开发类脑硬件、学习算法（神经形态计算、类脑机器学习）；

￮含活体细胞：整合活体神经元与数字系统，以 SBI、OI、生物工程智能（BI）、脑机接口（BCI）为代表。

3.跨学科融合图谱整合神经科学、细胞组织工程、生物电子学、AI、数据科学、计算生物学、合成生物学，衍生出神经信息学、神经形态架构、神经数字孪生、储备池计算、反馈驱动学习等数十个交叉子领域，最终汇聚为 SBI 与 NeuroAI。

四、硬件基础：神经形态计算

1.核心原理模仿生物神经元脉冲信号、事件驱动特性，采用存内计算架构，突破传统冯诺依曼架构的带宽瓶颈，具备低功耗、低延迟、空闲能耗极低的优势。

2.两大学习范式

￮片外学习：脉冲神经网络（SNN）在通用数字硬件训练后，将权重迁移至神经形态芯片做推理，代表：IBM TrueNorth、SpiNNaker；

￮片上本地学习：硬件内置学习引擎，基于脉冲时序依赖可塑性（STDP）、赫布学习实现实时异步权重更新，代表：Intel Loihi、忆阻器纳米线网络。

3.主流平台对比与瓶颈对比 Loihi、TrueNorth、SpiNNaker、BrainScaleS2 等芯片在时钟机制、通信方式、神经元模型、能效、生物真实性的差异；当前神经形态硬件扩展性、鲁棒性优于活体湿件，但忆阻器器件可靠性仍是主要瓶颈，天然适配与 BNNs 的混合集成。

五、软件模型：类脑智能学习框架

5.1 神经符号 AI 与智能体 AI

1.融合符号推理（规则逻辑、可解释）与子符号深度学习（感知模式识别），结合知识图谱、检索增强生成（RAG），解决大模型幻觉问题；

2.优势：具备逻辑可追溯性、可嵌入伦理约束、支持多模态数据融合；

3.适配价值：可作为活体神经培养物与数字系统的“中介”，实现神经信号解码、环境语义理解、闭环反馈调控，支撑人机 - 生物混合智能交互。

5.2 强化学习（RL）与主动推理（AIF）

二者是面向任务决策的两大核心计算框架，适配 SBI 系统不同应用场景：

1.强化学习 RL以累积奖励最大化为目标，基于贝尔曼方程优化策略，分无模型 / 有模型两类；无内在探索机制，需额外启发式策略补充，适配可定义离散奖励的生物神经系统，但奖励信号校准难度大。

2.主动推理 AIF基于自由能原理（FEP），核心是最小化预测与实际感知的“惊奇”；通过贝叶斯信念更新构建环境生成模型，天然具备探索未知环境的内驱力，无需人工定义奖励函数，更适配无明确任务标签的生物神经网络自组织调控。

3.关键对比AIF 依赖内部生成模型、探索行为内生、适配生物自组织；RL 依赖外部奖励、探索靠人工策略、ANN 集成更成熟。

六、合成生物智能（SBI）系统架构

SBI 拓展传统 BCI 边界，将活体神经细胞作为核心计算基底，依托 BNNs 低能耗、自组织、自适应优势，优先采用体外类器官 / 神经培养物规避体内脑机接口的手术、免疫、伦理风险。

6.1 开环与闭环两大学习范式

1.储备池计算 RC（开环）将 BNNs 视为高维非线性动态系统，仅训练独立读出层映射神经活动至目标输出；利用生物网络固有衰减记忆与非线性特性，用于模式识别、混沌时序预测，突触可塑性可自主提升性能。

2.反馈驱动闭环学习通过电、化学、光信号实时反馈调控神经网络活动，借助 STDP、赫布学习重塑突触连接，使生物网络形成目标导向行为；经典案例：Cortical Labs 的 DishBrain 系统，体外神经元可自主学习简化乒乓游戏。

6.2 三大模块化类器官架构

为复刻大脑模块化层级功能，SBI 发展出三类主流体外构建方式：

1.组装类器官（Assembloids）：分区域培育类器官后物理融合，自发形成跨区域神经回路；

2.通道连接类器官（Connectoids）：微流体通道隔离并连接类器官，精准控制轴突生长与网络连通性；

3.生物工程智能 BI：脱离宏观生理仿生，定制构建高特异性离散神经回路，以实现复杂计算功能为核心。

三类架构覆盖高度仿生生理结构→纯功能化神经回路的连续谱系，适配发育研究、疾病建模、智能涌现等不同科研需求。

七、稳定性 - 可塑性困境与长期学习机制

1.生物大脑的解决方案通过多时间尺度突触可塑性（短期可塑性、长时程增强 / 抑制）、突触标签、元可塑性、稳态缩放、结构可塑性，平衡新信息编码与旧知识留存，避免记忆覆盖。

2.人工神经网络的缺陷与优化ANN 基于反向传播串行训练易出现灾难性遗忘；优化方案：弹性权重整合、突触智能、经验回放、渐进可扩展网络等。

3.类脑 AI 模型借鉴LSTM/GRU、神经图灵机、记忆网络等借鉴大脑工作记忆、记忆回放机制，实现时序信息留存与持续学习。

八、数字孪生、大数据与神经数据治理

8.1 神经数字孪生

构建活体 BNNs 的实时高精度虚拟模型，整合形态生长、电生理活动、代谢通量、基因表达、药物响应等多维度数据；可替代部分活体实验、预测网络扰动效果、指导神经形态芯片硬件设计，结合神经符号 AI 提升模型可解释性。

8.2 尖峰排序与标准化数据流水线

高密度 MEA 可记录数千神经元电信号，标准化流程：带通滤波→均值参考→白化 / 漂移校正→尖峰检测→特征聚类→模板匹配；技术从人工排序演进为自动化、实时在线排序，支撑 SBI 闭环实时交互。

8.3 数据标准与 FAIR 原则

NWB（神经生理数据）、BIDS（神经影像数据）成为行业标准，遵循可发现、可访问、可互操作、可复用（FAIR）原则；DANDI 数据库、国际脑计划推动多模态神经数据共享，为数字孪生、基础模型训练提供数据支撑。

九、伦理与社会挑战

1.核心伦理争议脑类器官自发神经活动接近人类早期脑发育，基于整合信息理论（IIT），其是否产生原始意识、主观体验成为核心争议；

2.伦理治理关键问题干细胞供体知情同意、基因与神经数据隐私保护、体外神经系统的道德地位界定；

3.解决方案提出嵌入式伦理与预期治理框架：统一领域命名规范、建立意识 / 感知特质的客观评估指标、制定分级伦理义务准则；需神经科学家、伦理学家、法律政策制定者跨学科协作，同步跟进技术发展完善监管。

十、SBI 前沿进展与实际应用

10.1 全球代表性平台与项目

•企业 / 科研平台：Cortical Labs CL1、Finalspark Neuroplatform、加州大学 Braingeneers、印第安纳大学 Brainoware、伊利诺伊大学体外智能开源平台；

•国家级项目：美国 NSF BEGIN OI 计划、欧洲 Neu-CHiP 联盟，聚焦类器官 - 神经形态芯片闭环融合、低功耗生物计算、药物筛选。

10.2 疾病建模与生物医药应用

利用患者 iPSC 来源 / 基因编辑类器官，构建多种神经系统疾病模型：

•神经发育疾病：自闭症、精神分裂症；

•癫痫类疾病：结节性硬化、Dravet 综合征、CDKL5 缺乏症；

•神经退行性疾病：阿尔茨海默、帕金森、亨廷顿病。可用于病理机制解析、高通量药物筛选、闭环神经功能修复，弥补传统动物模型的物种差异缺陷。

十一、结论

1.NeuroAI 以硬件 - 软件 - 湿件三维域为核心框架，SBI 是多领域交叉集成的终极载体，具备低能耗、自适应、可解释的类脑智能潜力；

2.未来核心突破方向：实时闭环反馈控制、类器官规模化接口技术、多模态标准化数据集、神经涌现动力学解码算法；

3.技术发展需同步完善伦理、法律、监管框架，跨学科协作将推动 NeuroAI/SBI 在基础神经科研、精准医疗、新型生物计算领域落地，重新定义智能本质与智能系统的构建范式。

论文所有图片、表格完整信息

一、图片完整翻译

Fig. 1 树突分支作为含有源元件的电路示意图

Fig. 2 构成 NeuroAI 基础的各学科领域关系图谱

Fig. 3 神经形态架构示意图

Fig. 4 神经符号 AI 模型示例

Fig. 5 强化学习架构示意图

Fig. 6 双时间步下的主动推理示意图

Fig. 7 SBI 计算方法示意图

开环模式（储备计算）：输入信号→ 编码器 → BNN（MEA 上的生物神经网络） → 读取层 → 输出仅更新读取层权重，不修改 BNN 本身

闭环模式（反馈学习）：输入信号→ 编码器 → BNN → 读取层 → 解码器 → 反馈信号 → 编码器 / BNN通过电 / 化学 / 光 / 机械刺激直接调控 BNN，或修改编码器输入模式，实现动态学习

说明：作为动态自组织系统，即使仅修改编码器模式也会对 BNN 产生影响。

Fig. 8 生物神经网络、神经形态芯片与数字孪生模型互补关系图

数字孪生建模模块：

•形态学建模：神经元结构、细胞簇形成、生长建模

•代谢活动建模：氧气 / 葡萄糖梯度、ATP / 乳酸通量

•离子浓度建模：离子动态平衡

•电生理建模：时间序列分析、爆发动力学、网络图谱建模

•基因与生物标志物表达建模：单细胞 RNA 测序标记、突触蛋白、神经营养因子

•生存能力建模：存活预测、坏死风险建模、硅内药物筛选

•机械化学建模：细胞外基质建模、机械应力、渗透压分析

交互流程：

1.实验室培养的活体神经网络→ 数据采集 → 训练与微调数字孪生

2.数字孪生→ 指导神经形态芯片设计与修改

3.神经形态芯片性能反馈→ 优化数字孪生

4.数字孪生的硅内预测→ 指导活体实验与芯片调试

Fig. 9 典型尖峰排序流水线示意图

A. 数据采集：从生物神经网络获取原始信号B. 胞外电位：输出原始电压时间序列C. 预处理后电位：经过带通滤波、去噪、白化处理D. 尖峰检测：通过阈值法提取候选尖峰E. 特征聚类与模板匹配：将尖峰投影到特征空间聚类，生成每个单元的模板F. 尖峰排序结果：合并跨通道单元，输出最终的神经元放电序列

二、表格完整翻译

Table 1 生物神经网络（BNN）与人工神经网络（ANN）差异对比表

Table 2 强化学习（RL）与主动推理（AIF）对比表

附表 S1 NeuroAI 层级图谱中的领域关系

附表 S2 主流神经形态架构最终对比表

生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（Biology_and_AI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。