Data center biológico de Cingapura combina 16 milhões de neurônios vivos e chips de silício

O novo data center biológico de Cingapura é melhor entendido como um rack de wetware, ou computação com tecido vivo, e não como um supercomputador convencional. Instalado no Life Sciences Institute da Universidade Nacional de Cingapura (NUS), ele combina 20 computadores biológicos CL1, da Cortical Labs, com neurônios corticais humanos cultivados em laboratório e componentes eletrônicos de silício. O sistema entrou em operação em 16 de julho de 2026 e foi apresentado publicamente pela NUS Medicine a mais de 80 convidados em 6 de agosto. 412

O número que mais chama atenção é o de aproximadamente 16 milhões de neurônios vivos distribuídos pelo rack. Cada CL1 usa uma cultura neuronal conectada a uma matriz de microeletrodos de silício. A eletrônica estimula as células e registra sua atividade elétrica. A plataforma de software da Cortical Labs, que inclui a interface biOS, foi projetada para configurar experimentos, enviar estímulos, interpretar respostas neurais e conectar o processador biológico a sistemas computacionais tradicionais. 47

Como funciona o data center biológico

O sistema não substitui o silício por um mini cérebro humano. Na prática, ele cria um circuito de retorno entre neurônios vivos e hardware digital:

1. O software codifica informações como estímulos elétricos.
2. Eletrodos aplicam esses estímulos a partes selecionadas da cultura neuronal.
3. Os neurônios respondem por meio de padrões de disparos elétricos.
4. A matriz de microeletrodos registra esses sinais.
5. O software converte a atividade em uma saída ou usa a resposta para ajustar o próximo estímulo.

Esse arranjo dá aos neurônios um papel semelhante ao de um processador biológico adaptativo. O silício cuida das interfaces, do controle, do registro dos sinais e da infraestrutura ao redor. A rede viva contribui com sua capacidade de responder e se adaptar dentro da tarefa proposta.

Quem participa do projeto?

O protótipo é resultado da colaboração entre três organizações:

• NUS Medicine e o NUS Life Sciences Institute: cultivam as células neuronais derivadas de células-tronco e conduzem a pesquisa científica.
• DayOne: fornece o ambiente de data center e a infraestrutura operacional.
• Cortical Labs: fornece as unidades CL1, os sistemas de suporte aos neurônios e a plataforma de software associada. 14

Essa divisão é importante. Não se trata simplesmente de colocar servidores comerciais dentro de um laboratório universitário. O projeto exige tanto operações de data center quanto conhecimento biológico para cultivar, monitorar, nutrir e substituir culturas vivas.

Como os neurônios são mantidos vivos

Ao contrário de um processador de silício, um CL1 precisa de manutenção biológica contínua. Seu sistema interno de suporte foi projetado para manter a cultura neuronal viável por até cerca de seis meses. O meio nutritivo precisa ser reposto regularmente; relatos sobre a instalação em Cingapura indicam que isso ocorre aproximadamente a cada três dias. Com o tempo, a cultura precisa ser substituída, em vez de funcionar indefinidamente. 71239

Essa vida útil cria uma diferença prática importante em relação à computação convencional. Trocar uma cultura não equivale a substituir uma placa de circuito defeituosa. É necessário produzir ou preparar novas células, manter condições estéreis, validar a cultura e, possivelmente, treinar novamente a nova rede para a tarefa desejada.

O sistema é mais eficiente que uma Nvidia H100?

A Cortical Labs informa que cada CL1 consome aproximadamente 25 watts, enquanto estimativas para o rack completo de 20 unidades, incluindo os equipamentos de suporte, ficam entre 800 e 1.000 watts. 1

Para uma comparação elétrica aproximada, a Nvidia H100 é frequentemente descrita nas reportagens disponíveis como uma GPU com potência térmica de projeto máxima de cerca de 700 watts. Sob esse critério limitado, todo o rack do protótipo equivale ao consumo de aproximadamente uma a uma unidade e meia de H100. 151

Mas a potência, sozinha, não prova eficiência. O projeto de Cingapura ainda não publicou uma comparação equivalente que considere desempenho, precisão, latência, tempo de treinamento, custo operacional ou quantidade de trabalho útil em relação a uma H100 ou a um cluster de GPUs. Portanto, não é correto descrevê-lo como uma substituição comprovadamente mais econômica em energia para a infraestrutura de IA convencional. O possível diferencial é mais específico: redes biológicas podem ser úteis em tarefas adaptativas especializadas que não se encaixam bem em cargas altamente repetitivas, típicas de GPUs. 16

O experimento DishBrain que veio antes

A instalação de Cingapura se baseia no trabalho anterior da Cortical Labs, conhecido como DishBrain. No experimento de 2022, neurônios humanos derivados de células-tronco pluripotentes induzidas e neurônios corticais de roedores foram cultivados sobre matrizes de multieletrodos de alta densidade e conectados a uma versão digital simplificada do jogo Pong. Os eletrodos transmitiam informações sobre o jogo, enquanto a atividade neural controlava a raquete. 171920

O experimento usava um sistema de feedback em ciclo fechado: as culturas recebiam diferentes sinais elétricos conforme o desempenho. Os pesquisadores relataram melhora na execução do jogo ao longo do tempo, enquanto as condições de controle sem o mesmo tipo de feedback não apresentaram o efeito de aprendizagem observado. 171819

O DishBrain não demonstrou um computador biológico de uso geral. O que ele mostrou foi que redes neurais cultivadas podem ser inseridas em um ambiente digital restrito e adaptar sua atividade a uma tarefa. O rack de Cingapura aplica esse mesmo princípio — entrada elétrica, resposta de uma rede neural viva e saída registrada — em um conjunto mais operacional de módulos CL1.

Para que o sistema pode ser usado?

As aplicações mais plausíveis no curto prazo são voltadas à pesquisa:

• Modelagem de doenças: estudo das respostas de sistemas neurais em diferentes condições biológicas.
• Testes de medicamentos e toxicidade: observação de como culturas neuronais reagem a compostos candidatos.
• Neurociência: investigação de aprendizagem, adaptação e comportamento de redes neurais vivas.
• Computação especializada: exploração de sistemas adaptativos para determinados problemas de IA ou robótica, especialmente quando há poucos dados de treinamento ou ambientes que mudam. 46

Esses usos são diferentes de executar um grande modelo de linguagem ou processar cargas tradicionais de IA na escala de uma infraestrutura de GPUs. A computação biológica é apresentada como um possível complemento ao silício, não como um substituto universal.

O projeto pode crescer de 20 para 1.000 unidades?

Os parceiros discutiram uma possível expansão para até 1.000 unidades CL1, mas isso continua condicionado à aprovação regulatória, a testes de segurança e eficiência energética e à capacidade de operar o sistema de modo confiável em uma escala muito maior. 12

Uma instalação com 1.000 unidades exigiria mais do que acrescentar 980 máquinas ao rack. Seria necessário garantir produção celular reprodutível, alimentação e substituição automatizadas, manipulação estéril, controle contínuo de qualidade, redes confiáveis, tolerância a falhas e procedimentos para lidar com culturas que envelhecem ou se comportam de maneira diferente umas das outras.

As perguntas que continuam sem resposta

Confiabilidade e reprodutibilidade

Culturas vivas variam entre lotes, amadurecem com o tempo e acabam se degradando. Os pesquisadores precisarão de métodos consistentes para medir o desempenho e determinar quando uma cultura deixou de ser adequada. Se ela for substituída, a adaptação específica à tarefa talvez não seja transferida automaticamente para a nova cultura.

Economia

A eletricidade é apenas uma parte do custo. A computação biológica também exige meios nutritivos, materiais descartáveis estéreis, espaço de laboratório, técnicos especializados, controle de qualidade, substituição celular e possíveis períodos de inatividade. Esses custos podem reduzir ou até eliminar parte da vantagem aparente no consumo de energia.

Escalabilidade

O rack de 20 unidades ainda é um protótipo em um ambiente de pesquisa. Operar 1.000 unidades testaria se a cadeia de produção biológica, os processos de manutenção, os controles de software e a infraestrutura de data center conseguem crescer juntos.

Desempenho no mundo real

As evidências disponíveis mostram que culturas neuronais podem se adaptar em experimentos restritos e com feedback em ciclo fechado. Elas ainda não demonstram que o CL1 supera GPUs em cargas comercialmente importantes ou que seu custo total de propriedade é menor. Essa evidência de desempenho — e não apenas a novidade de colocar neurônios em um rack — será decisiva para determinar se a computação biológica se tornará uma categoria prática de infraestrutura.

O que fica até agora

O protótipo de Cingapura é uma demonstração relevante de computação biologicamente integrada: 20 unidades CL1, cerca de 16 milhões de neurônios corticais humanos vivos, matrizes de microeletrodos de silício e software trabalhando como um único sistema experimental.

Seu potencial mais concreto está na neurociência, na pesquisa de medicamentos e em experimentos de computação adaptativa especializada. Por enquanto, é mais preciso descrevê-lo como uma plataforma para testar o que redes neurais vivas conseguem fazer do que como um substituto para data centers equipados com GPUs. Os próximos marcos devem envolver reprodutibilidade, desempenho mensurável, custo operacional e a capacidade de ampliar o sistema sem perder justamente as propriedades biológicas que tornam a tecnologia interessante.