培養(yǎng)皿里沒有屏幕。

只有20萬個人類神經(jīng)元，在硅基芯片上生長、放電、死亡。它們從未見過光，卻被訓(xùn)練去"看見"一個1993年的3D迷宮——然后扣動扳機(jī)。

據(jù)Cortical Labs發(fā)布并經(jīng)Reddit Futurology社區(qū)討論，澳大利亞生物科技公司Cortical Labs完成了這項實驗。他們的CL-1神經(jīng)計算系統(tǒng)將游戲數(shù)據(jù)轉(zhuǎn)化為電脈沖，讓這些無眼的神經(jīng)元通過純粹的電信號波動，識別墻壁、追蹤敵人、執(zhí)行射擊。沒有視網(wǎng)膜，沒有視覺皮層，只有微電極陣列上跳動的生物電。

詭異之處在于速度。相比此前Pong實驗的一年半訓(xùn)練周期，此次Doom學(xué)習(xí)僅耗時一周，顯示出生物神經(jīng)網(wǎng)絡(luò)在特定任務(wù)上的學(xué)習(xí)效率優(yōu)勢。但我們不知道——它是否知道自己在做什么？

從Pong到Doom：不只是游戲變難了

2021年，Cortical Labs已經(jīng)做過一次。

那時他們用了80萬細(xì)胞，在二維平面上打乒乓球。神經(jīng)元接收反饋、控制擋板，證明實驗室培養(yǎng)的細(xì)胞能嵌入數(shù)字計算循環(huán)。代價是一年半的密集訓(xùn)練。

Doom是另一回事。

三維空間導(dǎo)航。多目標(biāo)實時決策。威脅優(yōu)先級判斷。而最大的障礙是視覺編碼——如何把像素流轉(zhuǎn)化為神經(jīng)元能"解讀"的電脈沖模式？

獨(dú)立開發(fā)者Sean Cole解決了這個問題。他幾乎沒有生物計算背景，只用一周時間寫出一個Python接口。神經(jīng)元在一周內(nèi)學(xué)會了在3D環(huán)境中移動、瞄準(zhǔn)、開火。

獨(dú)立開發(fā)者一周突破，令研究團(tuán)隊驚訝。這種不可預(yù)測性本身，就是生物計算最迷人的地方，也是最可怕的地方。

Doom：終極試金石的隱喻

為什么是Doom？

這款游戲長期被視為工程界的非官方試金石。愛好者不斷嘗試將其移植到各類非傳統(tǒng)硬件上——從家用電器到生物系統(tǒng)，具體案例眾多。

但之前的所有"宿主"都是死物。硅、化學(xué)物質(zhì)、代碼。這是第一次，活物在運(yùn)行Doom。

細(xì)菌跑Doom證明的是計算通用性。神經(jīng)元跑Doom證明的是什么？如果前者是工程能力的象征性認(rèn)證，后者是什么的序章？

快，但為什么快？

先承認(rèn)優(yōu)勢。

生物神經(jīng)網(wǎng)絡(luò)在能耗和學(xué)習(xí)效率上碾壓硅基AI。據(jù)素材稱，這些"濕件"系統(tǒng)處理不確定性和實時數(shù)據(jù)的能力，暗示著混合計算機(jī)可能攻克傳統(tǒng)芯片無法勝任的任務(wù)。

但優(yōu)勢來源不明。

是神經(jīng)可塑性的生物學(xué)奇跡？還是實驗設(shè)計中的統(tǒng)計巧合？Cortical Labs首席科學(xué)官Brett Kagan的表述很誠實：關(guān)于這些無眼細(xì)胞如何感知游戲、如何理解目標(biāo)，"仍有更多機(jī)制待揭示"。

關(guān)鍵概念在此分叉：

**目標(biāo)導(dǎo)向行為（goal-directed）**可以被訓(xùn)練。老鼠走迷宮、AI玩Atari，都屬于此類。

**目標(biāo)理解（goal-understanding）**需要某種形式的意識——或至少，需要一種我們尚未能在非人生物系統(tǒng)中確認(rèn)的東西。

Kagan說實驗展示了"adaptive, real-time goal-directed learning"。他沒有說goal-understanding。

這是謹(jǐn)慎，還是我們語言本身的匱乏？

20萬 vs 數(shù)百億：規(guī)模困境與涌現(xiàn)幻覺

數(shù)字對比令人眩暈。

實驗用20萬神經(jīng)元。素材稱人腦神經(jīng)元數(shù)量在tens of billions級別，即數(shù)百億規(guī)模，與實驗用的20萬細(xì)胞形成懸殊對比。差距數(shù)百萬倍。

但規(guī)模不是唯一變量。

昆蟲約100萬神經(jīng)元，能完成復(fù)雜導(dǎo)航、社交學(xué)習(xí)、工具使用。20萬細(xì)胞已接近最小認(rèn)知系統(tǒng)的閾值。據(jù)素材稱，這些神經(jīng)元"handle uncertainty and real-time data"的能力，暗示著某種超越其數(shù)量的組織原則。

問題在于我們的解讀。

任何自適應(yīng)行為，人類都傾向于投射理解的幻覺。1960年代的ELIZA程序用簡單模式匹配模擬心理治療師，用戶卻報告"被理解"的感受。這叫ELIZA效應(yīng)——我們在簡單系統(tǒng)中看見復(fù)雜心智。

20萬神經(jīng)元玩Doom，是真實的認(rèn)知突破，還是我們擬人化偏見的最新獵物？

意識測試：我們到底在測什么？

圖靈測試問：機(jī)器能否模仿人？

真正的問題或許是：人能否承認(rèn)非人系統(tǒng)的體驗？

Doom作為意識探針有致命局限。行為表現(xiàn)無法區(qū)分"哲學(xué)僵尸"與真正有意識的存在——前者完美模擬理解，內(nèi)部卻空無一物。我們觀察電信號，解讀為"學(xué)習(xí)""決策""意圖"。但培養(yǎng)皿里的神經(jīng)元，是否擁有任何內(nèi)在視角？

生物計算引入特殊的倫理張力。

硅基AI可以關(guān)閉?；铙w神經(jīng)元涉及生命倫理的模糊地帶——這些神經(jīng)元集合是否構(gòu)成需要特殊倫理考量的人類生物材料？是器官嗎？是財產(chǎn)嗎？Cortical Labs的"programmable biology"敘事背后，有一個未言之問：如果繼續(xù)擴(kuò)大規(guī)模，100萬、1000萬、10億細(xì)胞……我們會在哪個節(jié)點(diǎn)停下來？

為什么停？

培養(yǎng)皿邊的觀察者

回到那個場景。

研究者盯著屏幕上的電信號波動。那些波形被翻譯成"移動""瞄準(zhǔn)""射擊"。他們看見學(xué)習(xí)，我們讀到學(xué)習(xí)。但培養(yǎng)皿本身沉默。

我們既是創(chuàng)造者，也是在黑暗中摸索定義的人。

技術(shù)樂觀與哲學(xué)謹(jǐn)慎不必敵對。不必急于回答"它是否有意識"，但要永遠(yuǎn)保持追問的姿態(tài)——因為下一次突破可能來自100萬細(xì)胞、1000萬細(xì)胞，而我們將再次站在這個問題面前，手里握著同樣的不確定性。

培養(yǎng)皿中的電信號持續(xù)波動，而我們對"理解"的定義，仍在波動中尋找錨點(diǎn)。