新加坡打造「活體神經元」伺服器，以活細胞破解 AI 耗電痛點

新加坡團隊打造以活體神經元作為運算單元的伺服器，試圖以生物運算的路徑突破 AI 的耗電瓶頸。這條路線的核心依據，是人腦在能耗效率上遠優於現行電子系統的事實。

這個對比的量級相當驚人。人腦的功耗約在二十瓦上下——大致等同於一顆燈泡；而執行大規模模型訓練的資料中心，用電規模可比擬中型城鎮。兩者處理的任務性質雖然不同，但這個差距凸顯了一個可能性：生物運算採用的機制，在某些方面可能遠比電子電路有效率。

效率差異的來源，主要在資訊處理的方式。電子電路以時脈驅動，所有元件在每個週期都消耗能量，無論是否有實際的運算需求；而神經元採用事件驅動——只在接收到足夠的訊號時才「發火」，其餘時間幾乎不消耗能量。同時，神經元的記憶與運算發生在同一處，不需要在儲存與運算單元之間反覆搬運資料——而資料搬運正是當前 AI 晶片最主要的能耗來源。

以活體細胞而非模擬電路實現這個機制，是這條路線的關鍵選擇。神經型態晶片以電子電路模仿神經元行為，已發展多年；而直接使用培養的活體神經元，則保留了生物系統的完整特性——包含突觸可塑性與自組織能力，這些在電子模擬中極難完整重現。

不過，實務上的障礙同樣可觀。活體細胞需要持續的營養供應、溫度控制與無菌環境，維持系統運作本身就需要能量與資源；細胞的存活期有限，系統的長期穩定性難以保證；而生物系統的反應速度以毫秒計，遠慢於電子元件的奈秒等級。這些特性決定了它不可能在通用運算上取代現行架構。

真正的價值可能在特定場景。生物系統擅長的是模式識別、適應與在噪聲環境中的穩健運作——這些恰好是傳統運算相對吃力的領域；而其極低的能耗特性，在需要長時間持續運作但運算量不高的應用中具有優勢。

從產業脈絡看，這類研究的出現有其時機因素。AI 的能耗問題已從技術議題升級為基礎設施與社會議題——資料中心的用電規模引發電網承載與地方反彈的討論，而能源使用效率指標正成為新的競爭維度。在這種壓力下，任何可能大幅改善能耗的路徑都值得投入探索。

後續觀察重點包括：系統的實際運算能力與能耗數據、細胞存活與系統穩定性的時間尺度，以及具體應用場景的驗證。