シンガポール国立大学（NUS）の生命科学研究所で稼働する新しい施設は、一般的なスーパーコンピューターというより、生きた神経細胞を組み込んだ研究用サーバーラックと考えるのが正確です。

NUS Medicine、データセンター事業者のDayOne、オーストラリアのバイオコンピューティング企業Cortical Labsが共同で、20台の「CL1」生物学的コンピューターを設置しました。システムは2026年7月16日に稼働し、8月6日に80人を超える関係者へ公開されたと報告されています。412

ラック全体には、約1600万個の生きたヒト由来ニューロンが含まれます。ただし、これは小型の人間の脳や「脳だけで動くコンピューター」ではありません。培養した神経細胞と、電気信号を扱うシリコン製ハードウェアを組み合わせた、いわゆる「ウェットウェア」の実験システムです。

仕組み：ニューロンと電子回路のフィードバック

各CL1では、幹細胞から作られたニューロンの培養物を、微小電極アレイを備えたシリコンチップに接続します。電極が神経細胞へ刺激を送り、ニューロンが発する電気的なスパイクを同じ電極で記録します。Cortical Labsのソフトウェア「biOS」は、実験の設定、刺激の入力、神経活動の読み取り、通常のコンピューターとの接続を担うインターフェースです。47

処理の流れは、次のようになります。

1. ソフトウェアが情報を電気刺激に変換する。
2. 電極がその刺激を神経細胞へ伝える。
3. ニューロンのネットワークが電気的な活動パターンで反応する。
4. 電極が神経活動を記録する。
5. ソフトウェアが反応を出力として解釈し、次の入力を調整する。

つまり、シリコン側が制御、通信、記録、生命維持などのインフラを担い、神経細胞のネットワークが課題に応じて活動を変化させる役割を担います。通常のCPUやGPUのように、同じ演算を高速かつ反復的に実行する仕組みとは異なります。

3者の役割分担

このプロトタイプは、単に大学の研究室へサーバーを持ち込んだものではありません。データセンター運用と細胞培養の双方が必要です。

• NUS Medicine／NUS Life Sciences Institute：幹細胞由来のニューロンを培養・管理し、科学研究を主導する。
• DayOne：データセンターとしての施設、運用環境、インフラを提供する。
• Cortical Labs：CL1本体、ニューロンを支える生命維持システム、関連ソフトウェアを提供する。14

ニューロンはどう維持されるのか

シリコンチップと違い、CL1は電源を入れたまま放置できません。内部の生命維持装置は、培養したニューロンを最長でおよそ6カ月維持できるよう設計されています。栄養培地は定期的に補充する必要があり、シンガポールの施設では約3日ごとに交換されると報じられています。71239

培養物はいずれ劣化するため、永久に使い続けることはできません。交換には新しい細胞の準備、無菌環境の維持、培養状態の確認が必要です。また、新しい培養物が以前のネットワークと同じ適応や学習状態を自動的に引き継ぐとは限らず、用途によっては再調整や再学習も必要になります。

Nvidia H100より省電力なのか

Cortical Labsによると、CL1単体の消費電力は約25ワットです。一方、周辺機器などを含む20台構成のラック全体では、およそ800〜1000ワットとされています。1

比較対象として、Nvidia H100 GPUの最大熱設計電力（TDP）は約700ワットと報じられています。この単純な電力比較だけなら、20台のプロトタイプラック全体はH100およそ1〜1.5基分の範囲に入ります。151

しかし、消費電力だけで「効率が良い」と結論づけることはできません。現時点で、H100やGPUクラスターと同じ条件で、処理量、精度、遅延、学習時間、運用費、実用的な成果を比較した公開ベンチマークはありません。したがって、このラックを一般的なAIインフラより省エネルギーな代替品と呼ぶのは早計です。16

生物学的コンピューティングの強みが現れる可能性があるのは、決まった計算を大量に反復する処理ではなく、環境の変化に適応する必要がある一部の専門的な課題です。

起点となった「DishBrain」実験

このプロジェクトの背景には、Cortical Labsが2022年に発表した「DishBrain」実験があります。研究チームは、ヒトの人工多能性幹細胞（iPS細胞）由来ニューロンと、げっ歯類の大脳皮質ニューロンを高密度の多電極アレイ上で培養し、簡略化したゲーム「Pong」に接続しました。電極がボールの位置などの情報を伝え、神経活動がラケットの動きを制御する仕組みです。171920

この実験では、システムの成績に応じて異なる電気的フィードバックを返す閉ループ方式が使われました。研究者らは、培養ニューロンのプレーが時間とともに改善したと報告しています。一方、同じようなフィードバックを受けない対照条件では、同じ学習効果は確認されませんでした。171819

DishBrainが示したのは、培養ニューロンが汎用コンピューターになったということではありません。限定されたデジタル環境の中で、神経ネットワークが入力とフィードバックに応じて活動を変えられる可能性です。シンガポールのラックは、この「電気入力、神経反応、記録された出力」という基本構造を、複数のCL1へ展開したものと位置づけられます。

期待される用途

現時点で最も現実的なのは、研究分野での利用です。

• 疾病モデル：神経系がさまざまな生物学的条件でどう反応するかを調べる。
• 薬剤・毒性試験：候補化合物がニューロンへ与える影響を観察する。
• 神経科学：学習、適応、培養神経ネットワークの挙動を研究する。
• 専門的なコンピューティング：訓練データが限られる課題や、環境変化への適応が重要なAI・ロボティクス用途を探る。46

これは、大規模言語モデルをGPUで学習・推論したり、一般的なAI処理をGPUクラスター規模で実行したりする用途とは別物です。現段階では、生物学的コンピューティングはシリコンを置き換える万能技術ではなく、特定の研究や適応型処理を補完する技術として検討されています。

20台から1000台へ拡張できるのか

関係者は、将来的にCL1を最大1000台まで増やす可能性に言及しています。ただし、規制当局の承認、安全性試験、エネルギー効率の検証、大規模運用の信頼性が前提であり、1000台構成が実証済みという意味ではありません。12

1000台化は、単にラックへ980台を追加すれば済む話ではありません。再現性のある細胞生産、自動的な培地交換と細胞交換、無菌管理、継続的な品質検査、安定したネットワーク、故障時の切り替え、培養物ごとの老化や個体差への対応が必要になります。

まだ答えの出ていない課題

信頼性と再現性

生きた培養物はロットごとにばらつきがあり、時間とともに成熟・劣化します。どの時点で性能が低下したと判断するのか、異なる培養物の結果をどう比較するのかは、今後の重要な課題です。

経済性

電気代はコストの一部にすぎません。栄養培地、無菌消耗品、研究スペース、専門技術者、品質管理、細胞交換、停止時間などが必要です。電力消費が少なくても、こうした生物学的な維持費が全体の優位性を打ち消す可能性があります。

大規模化

20台のラックは、研究環境に置かれたプロトタイプです。1000台を安定運用するには、細胞の供給、保守工程、ソフトウェア制御、データセンター設備を同時に拡張しなければなりません。

実用性能

公開されている研究からは、培養ニューロンが限定的な閉ループ課題に適応できることは示されています。しかし、商用上重要なワークロードでGPUを上回ることや、総保有コストが低いことまでは証明されていません。生きたニューロンをラックに搭載したという新規性ではなく、再現性、処理性能、運用費、拡張性こそが、実用的なコンピューティング基盤になれるかを決めます。

結論：GPUの後継ではなく、生物学的計算の実験場

シンガポールのプロトタイプは、20台のCL1、約1600万個の培養ヒト大脳皮質ニューロン、シリコン製微小電極アレイ、ソフトウェアを一体化した、注目すべき生体統合型コンピューティングの実証です。

ただし現時点では、GPUデータセンターを置き換えるものではありません。最も有望なのは、神経科学、薬剤研究、疾病モデル、そして特定の適応型コンピューティングを検証する研究プラットフォームとしての役割です。

今後の焦点は、培養物の再現性、実際のタスクでの性能、細胞を含む総運用コスト、そして1000台規模へ拡張しても生物学的システムならではの特性を維持できるかどうかになるでしょう。

シンガポール国立大学（NUS）の生命科学研究所で稼働する新しい施設は、一般的なスーパーコンピューターというより、生きた神経細胞を組み込んだ研究用サーバーラックと考えるのが正確です。

NUS Medicine、データセンター事業者のDayOne、オーストラリアのバイオコンピューティング企業Cortical Labsが共同で、20台の「CL1」生物学的コンピューターを設置しました。システムは2026年7月16日に稼働し、8月6日に80人を超える関係者へ公開されたと報告されています。412

ラック全体には、約1600万個の生きたヒト由来ニューロンが含まれます。ただし、これは小型の人間の脳や「脳だけで動くコンピューター」ではありません。培養した神経細胞と、電気信号を扱うシリコン製ハードウェアを組み合わせた、いわゆる「ウェットウェア」の実験システムです。

仕組み：ニューロンと電子回路のフィードバック

各CL1では、幹細胞から作られたニューロンの培養物を、微小電極アレイを備えたシリコンチップに接続します。電極が神経細胞へ刺激を送り、ニューロンが発する電気的なスパイクを同じ電極で記録します。Cortical Labsのソフトウェア「biOS」は、実験の設定、刺激の入力、神経活動の読み取り、通常のコンピューターとの接続を担うインターフェースです。47

処理の流れは、次のようになります。

1. ソフトウェアが情報を電気刺激に変換する。
2. 電極がその刺激を神経細胞へ伝える。
3. ニューロンのネットワークが電気的な活動パターンで反応する。
4. 電極が神経活動を記録する。
5. ソフトウェアが反応を出力として解釈し、次の入力を調整する。

つまり、シリコン側が制御、通信、記録、生命維持などのインフラを担い、神経細胞のネットワークが課題に応じて活動を変化させる役割を担います。通常のCPUやGPUのように、同じ演算を高速かつ反復的に実行する仕組みとは異なります。

3者の役割分担

このプロトタイプは、単に大学の研究室へサーバーを持ち込んだものではありません。データセンター運用と細胞培養の双方が必要です。

• NUS Medicine／NUS Life Sciences Institute：幹細胞由来のニューロンを培養・管理し、科学研究を主導する。
• DayOne：データセンターとしての施設、運用環境、インフラを提供する。
• Cortical Labs：CL1本体、ニューロンを支える生命維持システム、関連ソフトウェアを提供する。14

ニューロンはどう維持されるのか

シリコンチップと違い、CL1は電源を入れたまま放置できません。内部の生命維持装置は、培養したニューロンを最長でおよそ6カ月維持できるよう設計されています。栄養培地は定期的に補充する必要があり、シンガポールの施設では約3日ごとに交換されると報じられています。71239

培養物はいずれ劣化するため、永久に使い続けることはできません。交換には新しい細胞の準備、無菌環境の維持、培養状態の確認が必要です。また、新しい培養物が以前のネットワークと同じ適応や学習状態を自動的に引き継ぐとは限らず、用途によっては再調整や再学習も必要になります。

Nvidia H100より省電力なのか

Cortical Labsによると、CL1単体の消費電力は約25ワットです。一方、周辺機器などを含む20台構成のラック全体では、およそ800〜1000ワットとされています。1

比較対象として、Nvidia H100 GPUの最大熱設計電力（TDP）は約700ワットと報じられています。この単純な電力比較だけなら、20台のプロトタイプラック全体はH100およそ1〜1.5基分の範囲に入ります。151

しかし、消費電力だけで「効率が良い」と結論づけることはできません。現時点で、H100やGPUクラスターと同じ条件で、処理量、精度、遅延、学習時間、運用費、実用的な成果を比較した公開ベンチマークはありません。したがって、このラックを一般的なAIインフラより省エネルギーな代替品と呼ぶのは早計です。16

生物学的コンピューティングの強みが現れる可能性があるのは、決まった計算を大量に反復する処理ではなく、環境の変化に適応する必要がある一部の専門的な課題です。

起点となった「DishBrain」実験

このプロジェクトの背景には、Cortical Labsが2022年に発表した「DishBrain」実験があります。研究チームは、ヒトの人工多能性幹細胞（iPS細胞）由来ニューロンと、げっ歯類の大脳皮質ニューロンを高密度の多電極アレイ上で培養し、簡略化したゲーム「Pong」に接続しました。電極がボールの位置などの情報を伝え、神経活動がラケットの動きを制御する仕組みです。171920

この実験では、システムの成績に応じて異なる電気的フィードバックを返す閉ループ方式が使われました。研究者らは、培養ニューロンのプレーが時間とともに改善したと報告しています。一方、同じようなフィードバックを受けない対照条件では、同じ学習効果は確認されませんでした。171819

DishBrainが示したのは、培養ニューロンが汎用コンピューターになったということではありません。限定されたデジタル環境の中で、神経ネットワークが入力とフィードバックに応じて活動を変えられる可能性です。シンガポールのラックは、この「電気入力、神経反応、記録された出力」という基本構造を、複数のCL1へ展開したものと位置づけられます。

期待される用途

現時点で最も現実的なのは、研究分野での利用です。

• 疾病モデル：神経系がさまざまな生物学的条件でどう反応するかを調べる。
• 薬剤・毒性試験：候補化合物がニューロンへ与える影響を観察する。
• 神経科学：学習、適応、培養神経ネットワークの挙動を研究する。
• 専門的なコンピューティング：訓練データが限られる課題や、環境変化への適応が重要なAI・ロボティクス用途を探る。46

これは、大規模言語モデルをGPUで学習・推論したり、一般的なAI処理をGPUクラスター規模で実行したりする用途とは別物です。現段階では、生物学的コンピューティングはシリコンを置き換える万能技術ではなく、特定の研究や適応型処理を補完する技術として検討されています。

20台から1000台へ拡張できるのか

関係者は、将来的にCL1を最大1000台まで増やす可能性に言及しています。ただし、規制当局の承認、安全性試験、エネルギー効率の検証、大規模運用の信頼性が前提であり、1000台構成が実証済みという意味ではありません。12

1000台化は、単にラックへ980台を追加すれば済む話ではありません。再現性のある細胞生産、自動的な培地交換と細胞交換、無菌管理、継続的な品質検査、安定したネットワーク、故障時の切り替え、培養物ごとの老化や個体差への対応が必要になります。

まだ答えの出ていない課題

信頼性と再現性

生きた培養物はロットごとにばらつきがあり、時間とともに成熟・劣化します。どの時点で性能が低下したと判断するのか、異なる培養物の結果をどう比較するのかは、今後の重要な課題です。

経済性

電気代はコストの一部にすぎません。栄養培地、無菌消耗品、研究スペース、専門技術者、品質管理、細胞交換、停止時間などが必要です。電力消費が少なくても、こうした生物学的な維持費が全体の優位性を打ち消す可能性があります。

大規模化

20台のラックは、研究環境に置かれたプロトタイプです。1000台を安定運用するには、細胞の供給、保守工程、ソフトウェア制御、データセンター設備を同時に拡張しなければなりません。

実用性能

公開されている研究からは、培養ニューロンが限定的な閉ループ課題に適応できることは示されています。しかし、商用上重要なワークロードでGPUを上回ることや、総保有コストが低いことまでは証明されていません。生きたニューロンをラックに搭載したという新規性ではなく、再現性、処理性能、運用費、拡張性こそが、実用的なコンピューティング基盤になれるかを決めます。

結論：GPUの後継ではなく、生物学的計算の実験場

シンガポールのプロトタイプは、20台のCL1、約1600万個の培養ヒト大脳皮質ニューロン、シリコン製微小電極アレイ、ソフトウェアを一体化した、注目すべき生体統合型コンピューティングの実証です。

ただし現時点では、GPUデータセンターを置き換えるものではありません。最も有望なのは、神経科学、薬剤研究、疾病モデル、そして特定の適応型コンピューティングを検証する研究プラットフォームとしての役割です。

今後の焦点は、培養物の再現性、実際のタスクでの性能、細胞を含む総運用コスト、そして1000台規模へ拡張しても生物学的システムならではの特性を維持できるかどうかになるでしょう。