Prima che la narrazione sopra le righe prenda il sopravvento, ecco cosa è successo il 6 agosto 2026.
Esattamente presso il Life Sciences Institute della National University of Singapore , NUS Yong Loo Lin School of Medicine , DayOne e la startup australiana Cortical Labs hanno presentato un prototipo di Biological Data Centre. L’installazione comprende 20 unità CL1, sistemi ibridi nei quali cellule neuronali umane coltivate in vitro crescono su un’interfaccia a microelettrodi collegata all’elettronica convenzionale.
Ma cosa sono realmente questi computer a neuroni?
Il CL1 di Cortical Labs è, tecnicamente, un hybrid biological–electronic computing platform. Neuroni ottenuti da cellule staminali pluripotenti umane vengono coltivati sopra un chip dotato di microelettrodi. L’elettronica invia pattern di stimolazione elettrica alla coltura, registra gli spike prodotti dai neuroni e chiude il loop attraverso software. Una sorta di closed loop che consente alla rete biologica di modificare nel tempo la propria risposta. La piattaforma CL1 integra anche un sistema di supporto vitale che Cortical Labs dichiara capace di mantenere le colture per fino a circa sei mesi. Attenzione a non scivolare nella semplificazione e definirlo neuromorfismo, però.
Il motivo è presto detto, nel neuromorphic computing classico (Intel Loihi, IBM TrueNorth e architetture analoghe), continuiamo ad avere silicio che imita alcuni principi del cervello. Nel progetto Cortical Labs il substrato adattativo è costituito da cellule neuronali reali. Siamo quindi più propriamente nell’area del biological computing, della Synthetic Biological Intelligence o #SBI e, in senso più ampio, della ricerca sull’#Organoid_Intelligence. Parliamo di un progetto di 16 milioni di cellule neuronali, ricordando che un cervello umano adulto ne contiene circa 86 miliardi di neuroni, inseriti in una struttura tridimensionale estremamente organizzata, con glia, vascolarizzazione, neuromodulazione e una connettività che queste colture non possiedono. Sarebbe fuorviante, quindi, il confronto quantitativo tra il nostro cervello ed un piccolo cervello.
Il risultato fondamentale di Cortical Labs risale, però, al lavoro pubblicato su Neuron nel 2022, quindi peer-reviewed. Kagan e colleghi costruirono il sistema #DishBrain, collegando colture neuronali umane e murine, a un ambiente simulato simile a Pong. Con feedback closed-loop, l’attività delle reti cambiava progressivamente e migliorava la prestazione rispetto ai controlli. Questo è un risultato scientificamente interessante perché dimostra una forma di adaptive computation in una coltura neuronale. Bisogna però stare molto attenti al verbo imparare, perché in questo contesto significa che la dinamica elettrofisiologica della rete si modifica in funzione del feedback e produce un comportamento progressivamente più adeguato alla funzione-obiettivo. Non equivale, quindi, all’apprendimento cognitivo umano, né dimostra comprensione, intenzionalità o coscienza. Perfino l’impiego del termine sentience nel titolo del paper del 2022 è stato discusso e resta concettualmente controverso.
Prima che diventi hype, bene sapere che:
1) Il fatto che il cervello biologico sia straordinariamente efficiente ai fini energetici, è noto. Anche la letteratura sull’Organoid Intelligence considera l’efficienza energetica uno dei potenziali vantaggi del biological computing. Attualmente, però, non esiste una comparazione prestazionale normalizzata CL1/GPU che permetta di affermare che X watt di CL1 producono la stessa capacità computazionale utile di X watt di GPU. Dire, quindi, che un CL1 consuma poche decine di watt e confrontarlo con una GPU che consuma centinaia di watt non significa dimostrarne la maggiore efficienza computazionale. Bisognerebbe confrontare almeno sullo stesso task, a parità di accuratezza, latenza, affidabilità e throughput e questo benchmark indipendente non sembra esistere ancora. Aggiungiamo che andrebbe conteggiato anche incubazione, perfusione, nutrienti, controllo di temperatura e gas, sterilità, produzione cellulare, degradazione biologica e sostituzione delle colture, ciò che normalmente scompare dal confronto energetico:.
2) Non è ancora un data center AI nel significato industriale che conosciamo.
Quello di Singapore è un’infrastruttura sperimentale multi-unità ospitata in un ambiente di ricerca, che i partner chiamano Biological Data Centre prototype. Quindi non sta addestrando LLM al posto di cluster NVIDIA o eseguendo workload cloud general purpose. Non sta sostituendo CPU o GPU e nemmeno fornendo capacità HPC comparabile ai data center convenzionali. Il termine data center, quindi, descrive soprattutto la scalabilità architetturale dell’esperimento con venti unità biologiche gestite come infrastruttura condivisa e potenzialmente accessibile da remoto.
Rimane però un progetto di grande valore quello della piattaforma nella computational neuroscience e nel drug discovery. Una coltura neuronale umana collegata a un sistema di stimolazione controllabile permette infatti di osservare come una rete biologica reagisce a farmaci, tossine, patologie neurodegenerative, perturbazioni elettriche, differenti meccanismi di feedback e processi di plasticità.
Dottoressa Valeria Lazzaroli
Valeria Lazzaroli è Presidente dell’Ente Nazionale per l’Intelligenza Artificiale (ENIA) e Chief AI & Risk Officer di ARISK®, spin-off deeptech del Politecnico di Torino specializzato in AI per il Risk Management. Economista, psicologa del lavoro e sociologa dell’innovazione.