把新加坡这套系统称作“用人脑细胞驱动的超级计算机”，听起来很吸睛，但并不准确。更恰当的理解是：它是一套连接了活体神经元与数字硬件的湿件（wetware）研究机架。

这套原型系统位于新加坡国立大学生命科学研究所，由20台 Cortical Labs CL1 生物计算机组成，使用总量约1600万个人工培养的人类皮层神经元。系统于2026年7月16日投入运行，并于8月6日向来自学术界、私营部门及科技基础设施行业的80多名来宾展示。 412

它究竟是怎样计算的？

CL1并不是一个缩小版的人类大脑，也不是把硅芯片完全替换成神经组织。它采用的是“活体神经网络＋硅基接口”的闭环结构：

1. 软件把信息编码为电刺激信号。
2. 微电极阵列将信号发送到神经元培养物的特定区域。
3. 神经元以不同的电活动和放电模式作出反应。
4. 阵列记录这些神经信号。
5. 软件将信号转换为输出，或根据结果调整下一轮输入。

在这个过程中，硅基硬件负责控制、刺激、信号采集和数据传输；活体神经网络则承担对输入作出反应并在特定任务中进行适应的部分。Cortical Labs的 biOS 软件栈用于配置实验、发送输入、解析神经活动，并把生物处理单元接入普通计算系统。 47

因此，所谓“16百万神经元在计算”，并不意味着这些细胞能够像人脑一样自由思考。它们是在电极和软件设定的有限环境中，根据反馈调整活动模式。

谁负责培养、维护和运行？

这套原型由三方合作完成，各自承担不同职责：

• 新加坡国立大学医学院（NUS Medicine）和生命科学研究所：培养由干细胞衍生的神经元，并负责相关科学研究。
• DayOne：提供数据中心场地、基础设施及运行环境。
• Cortical Labs：提供CL1生物计算机、维持神经元生存所需的系统，以及配套软件栈。 14

这也说明它并非简单地把一批商业服务器搬进大学实验室。除了机架、供电和网络，系统还需要细胞培养、无菌操作、营养液补给、状态监测和生物样本更换等实验室能力。

神经元如何活下来？

硅芯片可以连续运行多年，而CL1中的神经元需要持续的生物维护。设备内置的生命支持系统，设计目标是让神经元培养物存活最长约6个月。培养液需要定期补充；有关新加坡装置的报道显示，补充频率大约是每3天一次。培养物最终仍须更换，不能像普通芯片那样无限期运行。 71239

更换神经元培养物也不是“拔出旧电路板、插入新电路板”那么简单。操作人员需要准备新的细胞、保持无菌环境、确认培养物的质量，并评估它是否需要针对目标任务重新训练。新培养物也未必会自动继承旧培养物已经形成的任务适应能力。

它比英伟达H100更省电吗？

Cortical Labs称，单台CL1的功耗约为25瓦；包含支持设备在内的完整20单元机架，功耗估计约为800至1000瓦。 1

作为粗略的电力对比，现有报道通常将英伟达H100 GPU的最大热设计功耗列为约700瓦。仅从额定功耗看，整套20台CL1机架大致相当于1至1.5张H100。 151

但这还不能证明生物计算更高效。新加坡项目尚未公布与H100或GPU集群之间可直接对比的吞吐量、准确率、延迟、训练时间、运行成本或单位有效任务功耗数据。因此，目前不能据此宣称它是主流人工智能基础设施的低能耗替代品。

它真正可能具备优势的方向更具体：对于需要适应变化环境、训练数据有限，或不适合高度重复GPU运算的专门任务，生物神经网络或许能提供不同的计算路径。 16

关键前身：让培养神经元玩《乒乓》

这项新加坡项目延续了Cortical Labs此前的 DishBrain 实验。2022年的研究将人类诱导多能干细胞衍生神经元和啮齿动物皮层神经元培养在高密度多电极阵列上，并接入一个简化版的《Pong》（《乒乓》）数字环境。电极向神经元提供球的位置等信息，神经活动则控制游戏中的挡板。 171920

实验采用闭环反馈：系统表现不同，神经元收到的电反馈也不同。研究人员报告称，培养物的游戏表现随时间改善，而没有相同反馈机制的对照条件没有出现同样的学习效果。 171819

DishBrain并没有证明培养神经元能够运行通用人工智能。它证明的是，在一个受到严格限制的数字环境中，活体神经网络可以接收电信号、改变活动方式，并对任务反馈表现出适应性。新加坡的20台CL1，则试图把这套“输入—神经反应—输出”的闭环结构，扩展成更容易部署和管理的模块化系统。

未来可能用于什么？

目前最可信的近期用途仍然集中在研究领域：

• 疾病建模：观察神经系统在不同生物学条件下的反应。
• 药物与毒性测试：检测神经元培养物对候选药物或其他化合物的反应。
• 神经科学研究：研究学习、适应和活体神经网络的行为规律。
• 专门化计算：探索用于部分人工智能或机器人任务的自适应系统，尤其是训练数据有限或环境持续变化的场景。 46

这些方向与训练大型语言模型、运行大规模图像模型或承担传统GPU工作负载并不相同。现阶段，生物计算更像是硅基计算的潜在补充，而不是万能替代方案。

从20台扩展到1000台，难在哪里？

合作方曾讨论过将系统扩展至最多1000台CL1，但这一目标仍取决于监管批准、安全测试、能效结果，以及在更大规模下稳定运行的能力。 12

扩展到1000台并不只是增加980台设备。运营方还需要解决：

• 如何稳定、批量地生产质量一致的细胞；
• 如何自动完成营养液补给和培养物更换；
• 如何保持大规模系统的无菌操作；
• 如何持续进行神经元状态和计算表现的质量控制；
• 如何处理不同培养物之间的差异，以及随时间老化的细胞；
• 如何建立可靠的联网、故障隔离和容错机制。

换言之，这既是数据中心扩容问题，也是生物制造和实验室自动化问题。

仍未解决的四个问题

1. 可靠性和可重复性

活体培养物会因批次不同而产生差异，会随时间成熟、老化和退化。研究人员需要建立统一的性能指标，判断一组神经元何时已经不适合继续执行任务。如果更换培养物后任务表现发生变化，系统可能还要重新适应甚至重新训练。

2. 全部成本，而不只是电费

低功耗并不等于低总成本。生物计算还需要营养培养基、无菌耗材、实验室空间、专业技术人员、质量控制、细胞更换和可能的停机时间。这些支出可能抵消部分电力方面的优势。

3. 能否真正规模化

20台设备仍属于研究环境中的原型。扩展到1000台后，细胞供应、维护流程、软件控制、网络连接和数据中心基础设施必须同时具备稳定性，难度远高于单纯增加服务器数量。

4. 现实任务中的性能

现有证据表明，培养神经元可以在受限的闭环实验中表现出适应性，但尚未证明CL1在商业上重要的工作负载中能够击败GPU，也没有证明其总体拥有成本更低。最终决定生物计算能否成为实用基础设施类别的，不是“把神经元放进机架”这一概念的新奇程度，而是可重复的性能、成本和规模化数据。

结论：这是研究平台，不是GPU数据中心替代品

新加坡的原型系统展示了一种重要的生物集成计算形态：20台CL1、约1600万个人工培养的人类皮层神经元、硅基微电极阵列和软件共同组成一个实验系统。

它最有希望的价值，现阶段在于神经科学、药物研究、疾病建模，以及探索活体神经网络能否承担某些专门化的自适应计算任务。至于它是否能成为比GPU更便宜、更可靠、更易扩展的计算基础设施，还需要更多关于可重复性、实际任务性能、总运营成本和千单元级扩展能力的证据。

把新加坡这套系统称作“用人脑细胞驱动的超级计算机”，听起来很吸睛，但并不准确。更恰当的理解是：它是一套连接了活体神经元与数字硬件的湿件（wetware）研究机架。

这套原型系统位于新加坡国立大学生命科学研究所，由20台 Cortical Labs CL1 生物计算机组成，使用总量约1600万个人工培养的人类皮层神经元。系统于2026年7月16日投入运行，并于8月6日向来自学术界、私营部门及科技基础设施行业的80多名来宾展示。 412

它究竟是怎样计算的？

CL1并不是一个缩小版的人类大脑，也不是把硅芯片完全替换成神经组织。它采用的是“活体神经网络＋硅基接口”的闭环结构：

1. 软件把信息编码为电刺激信号。
2. 微电极阵列将信号发送到神经元培养物的特定区域。
3. 神经元以不同的电活动和放电模式作出反应。
4. 阵列记录这些神经信号。
5. 软件将信号转换为输出，或根据结果调整下一轮输入。

在这个过程中，硅基硬件负责控制、刺激、信号采集和数据传输；活体神经网络则承担对输入作出反应并在特定任务中进行适应的部分。Cortical Labs的 biOS 软件栈用于配置实验、发送输入、解析神经活动，并把生物处理单元接入普通计算系统。 47

因此，所谓“16百万神经元在计算”，并不意味着这些细胞能够像人脑一样自由思考。它们是在电极和软件设定的有限环境中，根据反馈调整活动模式。

谁负责培养、维护和运行？

这套原型由三方合作完成，各自承担不同职责：

• 新加坡国立大学医学院（NUS Medicine）和生命科学研究所：培养由干细胞衍生的神经元，并负责相关科学研究。
• DayOne：提供数据中心场地、基础设施及运行环境。
• Cortical Labs：提供CL1生物计算机、维持神经元生存所需的系统，以及配套软件栈。 14

这也说明它并非简单地把一批商业服务器搬进大学实验室。除了机架、供电和网络，系统还需要细胞培养、无菌操作、营养液补给、状态监测和生物样本更换等实验室能力。

神经元如何活下来？

硅芯片可以连续运行多年，而CL1中的神经元需要持续的生物维护。设备内置的生命支持系统，设计目标是让神经元培养物存活最长约6个月。培养液需要定期补充；有关新加坡装置的报道显示，补充频率大约是每3天一次。培养物最终仍须更换，不能像普通芯片那样无限期运行。 71239

更换神经元培养物也不是“拔出旧电路板、插入新电路板”那么简单。操作人员需要准备新的细胞、保持无菌环境、确认培养物的质量，并评估它是否需要针对目标任务重新训练。新培养物也未必会自动继承旧培养物已经形成的任务适应能力。

它比英伟达H100更省电吗？

Cortical Labs称，单台CL1的功耗约为25瓦；包含支持设备在内的完整20单元机架，功耗估计约为800至1000瓦。 1

作为粗略的电力对比，现有报道通常将英伟达H100 GPU的最大热设计功耗列为约700瓦。仅从额定功耗看，整套20台CL1机架大致相当于1至1.5张H100。 151

但这还不能证明生物计算更高效。新加坡项目尚未公布与H100或GPU集群之间可直接对比的吞吐量、准确率、延迟、训练时间、运行成本或单位有效任务功耗数据。因此，目前不能据此宣称它是主流人工智能基础设施的低能耗替代品。

它真正可能具备优势的方向更具体：对于需要适应变化环境、训练数据有限，或不适合高度重复GPU运算的专门任务，生物神经网络或许能提供不同的计算路径。 16

关键前身：让培养神经元玩《乒乓》

这项新加坡项目延续了Cortical Labs此前的 DishBrain 实验。2022年的研究将人类诱导多能干细胞衍生神经元和啮齿动物皮层神经元培养在高密度多电极阵列上，并接入一个简化版的《Pong》（《乒乓》）数字环境。电极向神经元提供球的位置等信息，神经活动则控制游戏中的挡板。 171920

实验采用闭环反馈：系统表现不同，神经元收到的电反馈也不同。研究人员报告称，培养物的游戏表现随时间改善，而没有相同反馈机制的对照条件没有出现同样的学习效果。 171819

DishBrain并没有证明培养神经元能够运行通用人工智能。它证明的是，在一个受到严格限制的数字环境中，活体神经网络可以接收电信号、改变活动方式，并对任务反馈表现出适应性。新加坡的20台CL1，则试图把这套“输入—神经反应—输出”的闭环结构，扩展成更容易部署和管理的模块化系统。

未来可能用于什么？

目前最可信的近期用途仍然集中在研究领域：

• 疾病建模：观察神经系统在不同生物学条件下的反应。
• 药物与毒性测试：检测神经元培养物对候选药物或其他化合物的反应。
• 神经科学研究：研究学习、适应和活体神经网络的行为规律。
• 专门化计算：探索用于部分人工智能或机器人任务的自适应系统，尤其是训练数据有限或环境持续变化的场景。 46

这些方向与训练大型语言模型、运行大规模图像模型或承担传统GPU工作负载并不相同。现阶段，生物计算更像是硅基计算的潜在补充，而不是万能替代方案。

从20台扩展到1000台，难在哪里？

合作方曾讨论过将系统扩展至最多1000台CL1，但这一目标仍取决于监管批准、安全测试、能效结果，以及在更大规模下稳定运行的能力。 12

扩展到1000台并不只是增加980台设备。运营方还需要解决：

• 如何稳定、批量地生产质量一致的细胞；
• 如何自动完成营养液补给和培养物更换；
• 如何保持大规模系统的无菌操作；
• 如何持续进行神经元状态和计算表现的质量控制；
• 如何处理不同培养物之间的差异，以及随时间老化的细胞；
• 如何建立可靠的联网、故障隔离和容错机制。

换言之，这既是数据中心扩容问题，也是生物制造和实验室自动化问题。

仍未解决的四个问题

1. 可靠性和可重复性

活体培养物会因批次不同而产生差异，会随时间成熟、老化和退化。研究人员需要建立统一的性能指标，判断一组神经元何时已经不适合继续执行任务。如果更换培养物后任务表现发生变化，系统可能还要重新适应甚至重新训练。

2. 全部成本，而不只是电费

低功耗并不等于低总成本。生物计算还需要营养培养基、无菌耗材、实验室空间、专业技术人员、质量控制、细胞更换和可能的停机时间。这些支出可能抵消部分电力方面的优势。

3. 能否真正规模化

20台设备仍属于研究环境中的原型。扩展到1000台后，细胞供应、维护流程、软件控制、网络连接和数据中心基础设施必须同时具备稳定性，难度远高于单纯增加服务器数量。

4. 现实任务中的性能

现有证据表明，培养神经元可以在受限的闭环实验中表现出适应性，但尚未证明CL1在商业上重要的工作负载中能够击败GPU，也没有证明其总体拥有成本更低。最终决定生物计算能否成为实用基础设施类别的，不是“把神经元放进机架”这一概念的新奇程度，而是可重复的性能、成本和规模化数据。

结论：这是研究平台，不是GPU数据中心替代品

新加坡的原型系统展示了一种重要的生物集成计算形态：20台CL1、约1600万个人工培养的人类皮层神经元、硅基微电极阵列和软件共同组成一个实验系统。

它最有希望的价值，现阶段在于神经科学、药物研究、疾病建模，以及探索活体神经网络能否承担某些专门化的自适应计算任务。至于它是否能成为比GPU更便宜、更可靠、更易扩展的计算基础设施，还需要更多关于可重复性、实际任务性能、总运营成本和千单元级扩展能力的证据。