新加坡 1,600 萬神經元生物資料中心：活體運算如何運作，又有哪些限制？

新加坡這座「生物資料中心」最適合被理解為一個濕件（wetware）研究機架，而不是傳統意義上的超級電腦。系統設於新加坡國立大學（NUS）生命科學研究院，由 20 部 Cortical Labs CL1 生物電腦組成，將實驗室培養的人類皮質神經元與一般矽電子設備連接起來。據報導，系統於 2026 年 7 月 16 日啟用，並在 8 月 6 日向超過 80 名來賓公開展示。412

整個機架的焦點，是約 1,600 萬個活的人類神經元。每部 CL1 都把神經元培養物放在矽製微電極陣列上，讓電子設備可以刺激細胞，也能記錄神經元產生的電活動。Cortical Labs 的軟體系統，包括 biOS 介面，則負責設定實驗、傳送輸入、解讀神經反應，並把生物處理單元接到一般電腦系統。47

它究竟如何運算？

這套系統並不是用一個縮小版人腦取代矽晶片，而是建立一個「活體神經元—電子設備—軟體」的回饋迴路：

1. 軟體把資料編碼成電刺激。
2. 電極將刺激傳送到神經元培養物的特定區域。
3. 神經元以不同的放電模式作出反應。
4. 微電極陣列記錄這些電訊號。
5. 軟體把神經活動轉換成輸出，或依據結果調整下一次輸入。

在這種架構中，矽硬體負責介面、控制、記錄和周邊基礎設施；活體神經網路則提供在特定任務中回應環境、調整活動模式的能力。換句話說，CL1 並非單純把神經元當作另一種記憶體，而是把它們放進一個可持續互動的數位環境中。

三個合作方各自負責什麼？

這個原型由三個機構合作建立：

• NUS Medicine 與 NUS 生命科學研究院：培養由幹細胞衍生的神經元，並負責科學研究。
• DayOne：提供資料中心場地與營運基礎設施。
• Cortical Labs：提供 CL1 生物運算設備、支援神經元存活的系統，以及相關軟體堆疊。14

這種分工很關鍵。它不是把一排商用伺服器搬進大學實驗室，而是同時需要資料中心的營運能力，以及培養、觀察、餵養和更換活體細胞所需的生物技術。

活體神經元如何維持生命？

與矽處理器不同，CL1 需要持續的生物維護。其生命維持設備的設計目標，是讓神經元培養物最多存活約六個月。培養液必須定期補充；有關新加坡裝置的報導指，補充頻率約為每三天一次。培養物最終仍須更換，不可能像一般晶片一樣無限期運作。71239

這也凸顯濕件運算和傳統硬體之間的實際差異。更換培養物並不是換上一塊故障電路板那麼簡單，而是涉及準備新的細胞、維持無菌環境、確認培養物狀態，甚至可能要讓新的神經網路重新適應原本的任務。

它真的比 Nvidia H100 更省電嗎？

Cortical Labs 表示，單部 CL1 的耗電量約為 25 瓦；包括支援設備在內，完整的 20 部機架估計約消耗 800 至 1,000 瓦。1

作為粗略的電力參考，現有報導常以 Nvidia H100 GPU 約 700 瓦的最高熱設計功耗作比較。151換算下來，整個原型機架的耗電量大約相當於 1 至 1.5 部 H100。

但這並不代表它已證明比 GPU 更有效率。新加坡團隊目前沒有公布能與 H100 或 GPU 叢集直接對照的完整測試，包括運算吞吐量、準確度、延遲、訓練時間、營運成本或實際完成的有效工作量。因此，現階段不能把這座機架描述成主流人工智慧基礎設施的低耗電替代品。它真正可能具備的優勢，是生物神經網路或許適合處理某些需要適應環境、但不容易套用到 GPU 高度重複運算模式的專門任務。16

DishBrain：這項計畫的前身

新加坡的裝置建立在 Cortical Labs 早期的 DishBrain 研究上。2022 年的實驗把人類誘導多能幹細胞衍生神經元和囓齒類大腦皮質神經元，培養在高密度多電極陣列上，再連接到簡化版的電子遊戲《Pong》。電極提供遊戲資訊，神經活動則控制球拍。171920

這項實驗採用閉環回饋：系統表現不同，培養物收到的電刺激回饋也不同。研究人員報告，神經元培養物的遊戲表現會隨時間改善；沒有相同回饋機制的對照條件，則沒有出現同樣的學習效果。171819

不過，DishBrain 並沒有證明培養神經元能夠執行通用運算。它顯示的是：神經網路可以被嵌入一個受限制的數位環境，並在回饋下調整自身活動，以應對特定任務。新加坡的機架，正是把這個基本模式——電刺激輸入、活體神經反應、記錄輸出——延伸到一組較易部署的 CL1 模組。

未來可能用在哪裡？

目前最可信的近程用途仍以研究為主，包括：

• 疾病模型：研究神經系統在不同生物條件下的反應。
• 藥物與毒性測試：觀察神經元培養物對候選化合物的反應。
• 神經科學：探討學習、適應，以及活體神經網路的行為。
• 專門運算：探索適合特定人工智慧或機械人問題的適應性系統，尤其是訓練資料有限或環境持續變化的情境。46

這些用途與執行大型語言模型，或以 GPU 規模處理標準人工智慧工作負載，並不是同一回事。生物運算目前被定位為矽運算的可能補充，而非萬用替代方案。

能否由 20 部擴展到 1,000 部？

合作方曾討論把系統擴展至最多 1,000 部 CL1，但這仍取決於監管批准、安全測試、能源效率結果，以及能否在更大規模下穩定營運。12

若要建造 1,000 部的裝置，並不只是把機架再加上 980 部機器。營運方還需要可重複的細胞生產流程、自動餵養和更換機制、無菌操作、持續品質控制、可靠的網路連接、故障容錯，以及處理培養物老化或彼此表現不同的程序。

四個尚未解決的問題

可靠性與可重複性

活體培養物會因批次而異，會隨時間成熟，最後也會衰退。研究人員需要建立一致的效能量測方式，判斷培養物何時已不再適合執行任務。若更換培養物，原本針對特定任務形成的適應能力也未必能自動轉移，可能必須重新訓練或調整。

經濟成本

電費只是總成本的一部分。生物運算還需要培養液、無菌耗材、實驗室空間、專業技術人員、品質控制、細胞更換，以及可能的停機時間。這些支出未必會低於傳統系統，甚至可能抵銷表面上的電力優勢。

擴展難度

目前的 20 部機架仍是研究環境中的原型。當規模擴大至 1,000 部，細胞供應、維護流程、軟體控制和資料中心基礎設施能否同步擴展，將成為真正考驗。

真實工作負載的表現

目前證據顯示，培養神經元可以在受限制的閉環實驗中適應任務；但尚未證明 CL1 能在商業上重要的工作負載中擊敗 GPU，也尚未證明其總持有成本更低。最終決定生物運算能否成為實用基礎設施類別的，不會只是「把神經元放進機架」的新奇性，而是可重複的效能、成本和實際產出。

結論：這是一個研究平台，不是 GPU 的替代品

新加坡的原型展示了生物整合運算的可能性：20 部 CL1、約 1,600 萬個活的人類皮質神經元、矽製微電極陣列，以及軟體共同組成一套實驗系統。它目前最具潛力的方向，是神經科學、藥物研究和特定的適應性運算實驗。

因此，現階段更準確的說法，是把它視為一個用來測試活體神經網路能力的平台，而不是 GPU 資料中心的替代品。接下來真正值得觀察的指標，將是結果能否重現、任務效能是否可量化、整體營運成本，以及系統能否在擴大規模後仍保留讓生物運算值得研究的特性。