新加坡「腦細胞資料中心」拆解：20 部 CL1 點樣用活神經元運算？

運作方式係一個雙向「閉環」：

1. 傳統電腦將數據或模擬環境轉換成電刺激，輸入神經網絡。
2. 神經元以一組組電活動作出反應。
3. 電極陣列讀取神經元活動，再交返畀軟件，轉化成運算輸出。

Cortical Labs 的 biOS 軟件會建立一個模擬世界，將環境資訊傳畀神經元；神經元嘅反應又會影響呢個模擬世界，形成即時反饋。

換句話講，神經元唔係擺落去做裝飾，而係系統入面負責適應及學習嘅部分；矽晶片同軟件就擔當介面、控制及數據處理角色。

點解要「餵」神經元？

CL1 唔係一部插電就可以自己運行嘅普通伺服器。神經元要保持存活，就必須有穩定、受控嘅生物環境。

技術人員每三日補充一次含有糖分、微量營養素及 pH 緩衝劑嘅營養混合液。氣體混合系統則提供二氧化碳、氧氣及氮氣，其他設備亦要維持細胞培養所需嘅條件。

所以，濕件運算唔代表「完全唔使基礎設施」。它或者可以降低部分電力及傳統伺服器冷卻需求，但同時帶來營養液、氣體控制、實驗室設備、生物維護，以及熟練操作人員等成本。

可能用喺邊度？

Cortical Labs 認為，生物神經網絡有機會用相對少量例子學習，亦能夠喺環境改變時較靈活地調整反應。對於難以收集大量、完整標註數據嘅工作，這種能力可能有一定價值。

目前公司及合作方提到嘅潛在用途包括：

• 人形機械人： 機械人進入住宅、辦公室或公共空間後，會遇到好多難以預先編排嘅情況。
• 網絡安全： 系統可以測試用於偵測異常活動，尤其係未必有足夠標註數據去涵蓋每一種攻擊嘅場景。
• 適應性研究運算： 研究人員可以喺受控輸入及反饋下，觀察活體神經網絡點樣反應。
• 機械人及遊戲實驗： 據報 Cortical Labs 位於墨爾本嘅設施，已有企業研究及大學客戶探索相關用途。

不過，以上仍然係建議中或實驗性用途。現有資料未能證明生物電腦已經喺生產環境嘅機械人或網絡安全工作上勝過矽晶片系統，仍然需要按具體工作負載進行獨立基準測試。

耗電量較低，但唔等於總成本一定較低

Cortical Labs 表示，一部包括生命維持設備在內嘅 CL1 約耗電 30 瓦，亦唔需要傳統伺服器式冷卻。公司以 Nvidia H100 SXM 作比較，該 GPU 額定最高功耗可達 700 瓦；一部配備 8 張 H100、連同支援硬件嘅伺服器，據報約耗電 10,200 瓦。

呢個差距，正正係項目喺新加坡引起關注嘅原因之一。2020 年，資料中心佔新加坡全國用電量約 7%；而電力及用水限制，亦一直係當地討論擴充資料中心容量時嘅重要因素。

但係，一部設備嘅低功耗，唔等於已經證明整個系統嘅總成本或環境足跡更低。目前公開資料未有提供完整用水量、全生命周期評估，或者與同等 GPU 基礎設施逐項比較嘅結果。營養液、氣體控制、細胞生產、實驗室設備及人手維護，都要納入完整計算。

生物電腦唔會取代 GPU

CL1 最有機會發揮作用嘅地方，係需要適應性嘅專門運算，而唔係通用高性能計算。Cortical Labs 行政總裁亦承認，對於大型語言模型等需要高速、精準及可重複計算嘅工作，矽晶片目前仍然有明顯優勢。

較實際嘅想像係兩者互補：

• 矽處理器負責傳統高吞吐量運算；
• 生物神經網絡測試較適合適應性學習、而訓練數據較少嘅任務；
• 軟件及電子設備負責連接兩套系統。

因此，「生物資料中心」呢個名稱唔代表主流雲端伺服器即將由一排活細胞取代。現階段，更準確嘅理解係：它可能成為某些特定工作嘅補充運算平台。

規模、商業用途及收費

新加坡項目目前先以 20 部 CL1 作聯合內部研發，藉此累積操作經驗，並研究日後擴大部署所需嘅製造、維修及支援流程。

如果技術驗證、生物安全要求及監管批准都符合條件，DayOne 同 Cortical Labs 正探索分階段擴充，最終喺新加坡商業設施部署最多 1,000 部。

Cortical Labs 位於墨爾本嘅設施運行 120 部 CL1，據報約有 20 個企業研究及大學客戶。遠端使用一部 CL1 嘅月費據報為 2,200 美元；相比之下，主要雲端服務上租用高端 AI 晶片，月費據報約 4,300 美元。

要留意，遠端使用費係客戶收費，唔等於生物電腦本身或 NUS 設施嘅實際營運成本。合作方目前未有公開披露新加坡裝置嘅完整維護成本。

目前最大限制

生物運算要走出研究原型階段，仍然要面對幾個難題：

• 持續維護： 神經元需要不斷補充營養、供應氣體及控制環境。
• 一致性： 活體系統可能冇數碼硬件咁具決定性及可重複。
• 擴充規模： 由 20 部研究機櫃擴展至 1,000 部，需要可重複嘅細胞製造流程及可靠運營能力。
• 監管及生物安全： 商業化部署除咗要證明性能，亦要取得相關批准。
• 基準測試： 關於學習效率、能源使用及適應能力嘅說法，仍需獨立、真實工作負載測試。
• 環境核算： 電力需求較低，本身唔足以證明總用水量或生命周期足跡一定較低。

正因如此，新加坡設施目前被視為分階段驗證項目，而唔係一個已經完成、可以取代傳統伺服器農場嘅方案。

對新加坡有咩意義？

新加坡嘅生物資料中心，現階段最適合被理解為一次策略性實驗。如果「少數據學習」及「低功耗」等優勢，最終可以經獨立測試及真實應用驗證，濕件運算或許能夠成為新加坡發展特定 AI 能力嘅其中一條路，未必要以同樣幅度增加 GPU 基礎設施所需嘅冷卻、電力及可能嘅用水量。

但以目前證據，較穩妥嘅結論仍然係：新加坡建立咗一個小型、以活體人類神經元作運算核心、同時結合矽控制系統嘅研究原型。它真正重要嘅地方，係測試呢種非傳統架構能否變得有用、可靠並具商業擴展能力，而唔係證明生物伺服器已經可以取代主流資料中心。