2022 / DISHBRAIN
闭环Pong：动作有后果，后果变成反馈
人源或鼠源培养神经元接入简化Pong环境。论文报告几分钟内出现任务表现改善，并用无反馈等条件做比较。它展示的是闭环适应证据，不是文字理解。
题目中的sentience采用作者对感觉输入响应的操作性定义；不能直接译成已证明主观意识或痛苦。[P6]
Living neurons · Measured claims
活脑细胞，
到底算出了什么？
盲文、Pong、虚拟导航与机器狗：把这些实验分开看，才能看见生物混合计算真正前进了哪一步。
83%三器官 + 软件，干净条件
82%直接刺激特征 + 软件
未证明盲文学习 / 整机节能
上方准确率来自盲文论文§3.3；1个百分点差值未在此解释为统计显著优势。[P1]
01 / Paper identity
先锁定论文，再讨论“读懂”。
Encoding tactile stimuli for Braille recognition with organoids
Tianyi Liu · Hemma Philamore · Benjamin Ward-Cherrier
Frontiers in Artificial Intelligence，2026年10月16日
DOI：10.3389/frai.2026.1800219
原稿里的“就在这个月”可具体写为2026年10月；视频本身发布日期未提供。全文的§3.2与摘要数字存在口径差异，详见下文。
论文回答的窄问题
把机器触觉变成电刺激后，活体神经组织产生的响应，是否仍保留足够的信息，让电脑区分26种字母？
尚未回答的问题
组织是否通过反馈学会盲文？换培养批次或隔天能否保持表现？把培养与读出设备算进去后是否更节能？
SVM（支持向量机）是一种软件分类器。它把读到的特征与字母标签关联起来。83%属于整个系统，不是神经组织单独“识字”的分数。 [P1]
02 / Mechanism explorer
触觉 → 电刺激 → 神经响应 → 字母标签
实验中的培养组织通过 FinalSpark 的远程平台接入。本地完成触觉采集和预处理，远程执行刺激与记录。[P1 §2.1]
01
采集触觉
Evetac 光学触觉传感器滑过凸点。读取的是软胶形变引起的视觉事件，不是细胞直接摸盲文。
02
编码为8路刺激
触觉区域对应电极；事件数量、持续时间、峰值时刻与波动，分别映射到脉冲数、相位时长、触发延时与幅度。
03
记录活组织响应
统计触发后10–510毫秒的阈值事件。前10毫秒被排除，以减少刺激伪迹。每个器官得到8维计数。
04
软件输出字母
单器官8维，三个器官拼为24维。SVM学习标签与特征的关系；本实验没有用分类错误反馈训练组织。
动手看：字母与系统路径
教学示意：盲文点位按英文字母展示；下面8路柱形为人工生成的示意强度，不是论文原始数据，也不模拟真实神经活动。
每根柱代表一路刺激的示意强度；高度无实验单位，不是神经元放电频率。
展开：论文里的真实编码范围
| 传感器特征 | 刺激参数 | 论文范围 |
|---|---|---|
| 区域事件总数 | 脉冲数量 | 4–10个 |
| 首末事件时间跨度 | 每相持续时间 | 50–300 μs |
| 最密集100ms窗的中点时刻 | 触发延时 | 0–4,000 μs |
| 各100ms窗事件数的标准差 | 每相电流幅度 | 4–20 μA |
触觉窗口400ms；样本刺激起点间隔1s。双相电流的正负相匹配，以控制电荷平衡。这些是已发表实验参数，不是可直接迁移到其他培养系统的操作处方。[P1 §2.3]
03 / Results, with controls
真正值得看的，是和谁比、在哪里加噪声。
柱形纵向排列、长度共用0–100%尺度。数据为论文§3.3报告的取整准确率；不补造误差棒。 [P1]
噪声没有按视频暗示的方式加入
器官支路：先记录响应，再对用于分类的尖峰计数特征加扰动。触觉数据保持原样。
直接支路：对8个刺激通道中4个通道对应的参数块加扰动，每个通道含4个参数。
所以能说：三器官特征在这些人工通道损坏条件下更耐受。
不能说：组织收到嘈杂电话后主动去噪，或者所有真实噪声下都维持83%。[P1 §2.3.3–2.3.4]
| 条件 | 三器官 | 直接刺激 | 差值 |
|---|---|---|---|
| 干净 | 83% | 82% | +1个百分点 |
| 高斯 | 83% | 55% | +28个百分点 |
| 均匀 | 82% | 67% | +15个百分点 |
| 缺失 | 72% | 59% | +13个百分点 |
| 离群 | 68% | 65% | +3个百分点 |
展开：扰动强度与比较局限
随机选4/8个通道位置；单器官扰动4个通道，三器官扰动12/24个通道。高斯标准差为通道标准差的40%；均匀扰动使用论文所述同范围；缺失将所选条目的40%置零；离群将所选条目的40%乘3。直接基线则扰动所选通道的刺激参数块。
同为50%通道位置受影响，不等于两种特征空间遭受了完全相同的信息破坏。当前结果支持特定协议下的比较；严格归因还需匹配的数字储备池、同维度特征与多随机种子对照。这是本页的方法学建议，非作者已完成的实验。 [P1]
04 / Read like a reviewer
把论文拆成“测到了”与“还缺什么”。
样本从哪里来？
26个字母 × 5种压入深度 × 每种10次，得到1,300条触觉记录。均匀随机猜测基线为1/26 ≈ 3.85%。
这是重复采样的任务数据，不是1,300个独立培养器官，也不能直接称为1,300条独立外部测试。[P1]
准确率怎么验证？
正文称使用交叉验证，并比较KNN、SVM、随机森林，主分析采用表现最高的SVM。
三个器官为何更好？
软件把三个8维向量拼成24维。它们没有互相连接、讨论或分工协作。新增维度可能提供不重复的分类信息。
互补性是合理机制解释，还不是因果证明。作者也提出测量器官间响应相关性、移除单个器官的贡献，以及扩大到1/2/3/4器官的系统比较。[P1 §4]
怎样证明生物学习？
先固定软件读出与接口，加入可控反馈，观察同一组织随经验的变化；同时设置无反馈、打乱反馈和时间匹配对照。
再检验隔天保持、换任务迁移，以及变化是否来自软件重训或培养漂移。这是下一步验证设计。当前盲文论文明确没有证明学习或长期可塑性。
建议的复现顺序：先核对61/57口径与数据划分 → 重跑同一SVM → 增加同维数字对照与按批次留出测试 → 最后讨论生物机制、泛化及节能。任何一步尚未完成，都不能写成“已经独立复现”。
05 / Four kinds of evidence
相关案例有价值，但不能把分数排成榜单。
培养神经元常在二维电极表面形成网络；类脑器官是三维组织。二者都不是缩小版完整人脑，任务与接口也不同。
2023 / BRAINOWARE
储备池计算：把动态组织作为特征变换器
通过高密度电极输入、读出类脑器官活动，研究非线性动态、衰减记忆与训练后的连接变化；展示语音分类和非线性方程预测任务。
2026 / CORTICAL LABS × HONDA
虚拟气味导航：证据比机器狗视频具体
公开v2论文以26个培养网络进行约1,300组参数评估，累计超过4,000小时交互，找到12组持续改善的配置。输入把虚拟气味场方向压缩成三种标量状态：右方或后方、左方、前方；动作是前进、左转、右转。
所选生物配置在相同交互预算下优于所比较的优化DQN。DQN是深度Q网络，一种强化学习算法；它不代表所有传统AI。
双方都做过参数优化：DQN约9,500组；BNN约1,300组。接口搜索与培养成本不能由“相同交互预算”概括。不能把12/1300当作随机成功概率，也不能据此证明总成本更低。[P4] [P5]
演示线索 / ROBOT DOG
真实动作演示：可追溯，量化结论仍缺
即使神经放电能控制转向，也只证明某个控制连接成立；适应陌生地形、实地学习与可靠导航仍要单独测试。这里列为待核实案例，不以二手报道代替技术证据。[M1] [V1]
可切换的任务结构
固定输入 → 神经响应 → SVM标签。分类结果不返回去教组织。
闭环是动作改变下一次输入的系统结构；存在闭环本身，还不等于已经证明学习。
06 / System boundary
20瓦是人脑的量级，不是这套机器的电表读数。
领域综述常用人脑约10–20W说明生物计算的潜力。但“数字模拟一个脑”的耗电取决于模拟多细、是否实时、用什么硬件；它不是完成同一盲文任务的公平对照。[P9]
该测的指标：整套系统每完成一次合格任务消耗多少焦耳；同时报告延迟、准确率、维持功耗、可用率和更换培养物的成本。
实际比较必须计入这些部分
活组织代谢
培养基化学能
培养基化学能
维持生命设备
温控、气体、灌流
温控、气体、灌流
电子接口
刺激、放大、采集
刺激、放大、采集
软件与外设
电脑、网络、传感器
电脑、网络、传感器
各部分的供能形式不同；需要说明能源核算边界。此图不按面积表示功耗，也没有填入未经测量的比例。
本田合作论文附录A.9：67台CL1、两天、96,186个数据点，统计典型负载下支撑生物接口的硬件功耗。第1百分位10.6W，中位22.7W，第99百分位25.5W。 [P4 表6]
“100天”需要拆成四个不同承诺
1
细胞活着
存活指标
2
可记录电活动
平台能力的语境
3
响应稳定
需要长期漂移测试
4
任务长期可用
需要可靠性与成本证据
盲文论文引用的是有利条件下约100天的电生理活性维持能力。它不是所有类脑器官的寿命上限，也不是100天持续达到83%的纪录。[P1 §2.1] [P8]
意识问题：应当研究，但不能从“会放电”直接推出
神经活动、任务改善、主观感受是不同命题。这些实验没有证明人类式意识，也没有解决未来更复杂组织的道德地位。眼下可执行的伦理工作是供体知情同意、用途与商业化说明、独立监督，以及随复杂度提高而更新的研究边界。[P10]
08 / Script fact-check
原稿可以保留兴奋感，事实要加上边界。
按用户提供的逐字稿核对，未取得原视频时间轴。下面的引号摘录来自该文本。
显示12条
“布里斯托大学读出了盲文”
可保留为标题简写，正文必须写明：系统从神经响应分类26个字母，不是组织理解文字。正式发表日是2026-10-16。 [P1]
“按得越重脉冲越多，碰得越久脉冲越长”
实际是触觉事件特征的线性映射；还有幅度和触发延时。接触强度并非直接等于压力，神经响应也不保证单调增加。 [P1]
“加噪后软件55%，三个迷你大脑仍83%”
只对应高斯扰动。扰动施于特征，其他噪声下三器官为82%、72%、68%；没有证实组织主动净化嘈杂输入。 [P1]
“三个人各听漏一点，拼回整句话”
这是帮助理解互补特征的比喻；器官之间没有对话或互接，三个响应向量由电脑拼接。互补机制仍需相关性与消融实验。 [P1]
“活体神经元指挥真实机器狗随机应变”
“没有真正学会盲文，更像活的信号处理器”
符合论文的开放环编码—响应—解码定位。更精确地说，是活组织参与的特征变换与软件分类系统。 [P1]
可直接采用的结论段
研究者已把活体神经组织接进计算流程：机器采集触觉，把它变成电刺激，再由软件从组织响应中识别盲文字母。三个类脑器官的组合达到约83%，但无噪声的直接软件对照也有82%。更值得研究的是特定特征扰动下的差异，以及未来能否通过反馈实现稳定学习。它还不是会读书的迷你大脑，也尚未证明整套设备更省电；它提供了一种可继续检验的生物与电子混合计算方法。
09 / Sources & verification
来源、覆盖与本页的边界
主论文已读正式全文；本田案例已核对公开v2的方法、结果与限制。平台、伦理与领域综述只核对相关段落；Brainoware只覆盖原论文摘要与图题。没有访问私人知识库，没有重新训练模型，也没有把网页演示当作生物实验复现。
- P1 · 盲文原论文 · 已读全文
Liu, Philamore & Ward-Cherrier · 2026-10-16 · Frontiers in Artificial Intelligence · DOI 10.3389/frai.2026.1800219。重点：§2.1、§2.3.1–2.3.4、§3.2–3.3、§4；图4、9、10。
打开来源 ↗ - P2 · 布里斯托大学新闻稿 · 已读
2026-10-16。约1万个神经元、另有支持细胞；核对了61%/83%及作者明确否认已证明学习。新闻稿与论文出自同一研究，不能当成独立重复实验。
打开来源 ↗ - P3 · 原始数据登记 · 已读元数据打开来源 ↗
- P4 · Honda 合作原论文 · 已核对 v2 正文
Zhou 等：Embodied Neurocomputation: A Framework for Interfacing Biological Neural Cultures with Scaled Task-Driven Validation。2026-05-13首投，v2为2026-10-02；arXiv备注NeurIPS 2026。本页依据公开稿，不把未来会议报告当作已经发生。
打开来源 ↗ - P5 · Honda Research Institute Europe · 已核对
机构论文目录列出同一合作论文及摘要；支持合作身份与研究范围，不构成独立重复实验。
打开来源 ↗ - P6 · DishBrain · 论文全文可读
Kagan 等，Neuron，2022，DOI 10.1016/j.neuron.2022.09.001。本页核对摘要、方法及作者对sentience的定义。
打开来源 ↗ - P7 · Brainoware · 原论文摘要与图题打开来源 ↗
- P8 · Neuroplatform · 平台原论文
Jordan 等，2024-05-02，Frontiers in Artificial Intelligence，DOI 10.3389/frai.2024.1376042。核对培养、灌流、远程接口与寿命语境。
打开来源 ↗ - P9 · Organoid intelligence · 研究路线综述打开来源 ↗
- P10 · 类脑器官伦理 · 综述
Hartung, Morales Pantoja & Smirnova，2024-01-05，DOI 10.3389/frai.2023.1307613。核对供体同意、潜在道德地位、监督、商业化等问题。
打开来源 ↗ - M1 · 机器狗线索 · 二手报道
New Atlas报道嵌入名为Bio-computing guides robot dog的视频。仅用于追溯叙事出处，不据此确认真实导航性能。
打开来源 ↗