新加坡的一座数据中心已经开始依靠人类脑细胞运行，这并不是科幻剧本中的情节反转。在新加坡国立大学生命科学研究所，一座可运行的生物数据中心已于7月16日低调上线，使用实验室培育的人类神经元而非传统硅芯片来处理信息。该系统于8月6日公开亮相，研究人员表示，这预示着一种在高耗能AI基础设施上截然不同的思路。
Summary
要点速览
- 新加坡国立大学推出了其合作伙伴称之为全球首个独立运行的生物集成服务器机架。
- 该系统由20个生物计算单元驱动，每个单元内含实验室培育的人类大脑皮层神经元，并与硅基微电极阵列配对。
- 每个单元耗电约30瓦，而一块高端的Nvidia H100 GPU在满载时大约需要700瓦。
- 这些神经元每三天必须“喂养”一次，通常可维持约六个月后需要更换。
- 参与该项目的数据中心运营商DayOne据称正在评估将规模从20个单元扩展到多达1,000个单元。
新加坡发布全球首个生物数据中心
该项目源自新加坡国立大学医学院杨潞龄医学院、总部位于墨尔本的生物科技初创公司Cortical Labs，以及新加坡本地数据中心运营商DayOne之间的合作。三方共同打造了他们所称的首个由生物集成计算硬件驱动、可独立运行的服务器机架，将这一概念从实验台搬向更接近真实基础设施的形态。
该系统的核心是Cortical Labs的CL1单元，每个单元中包含20万到80万个人类大脑皮层神经元。这些细胞并非从人体中提取，而是专门为此目的在实验室中培育。神经元被安置在基于硅的微电极阵列上，形成一个混合系统，在其中，活体组织与传统芯片并肩工作，各自承担部分计算负载。
这种混合式方法正是该项目引人注目的原因所在。研究人员并未完全取代硅芯片，而是让人脑计算层与其协同工作，由神经元提供一种传统芯片本身并不具备的自适应处理能力。
核心技术与混合计算单元
Cortical Labs此前已经展示过，其神经元簇可以学习玩基础电子游戏，并会随着时间推移对数字输入进行适应性响应。那次早期演示起到了概念验证的作用。新加坡国立大学的这次部署标志着该公司首次在墨尔本总部之外建立生物计算设施。该合作关系于3月宣布，从宣布到原型系统投入运行大约只有四个月，这表明该技术已经超越了纯实验阶段。
能效表现与运行细节
这套系统背后的能效数据是最受关注的部分。每个CL1单元（包括生命维持系统在内）耗电约30瓦，而一块高端Nvidia H100 GPU在满载时耗电可高达700瓦。两者之间每个单元相差超过20倍，在全球AI基础设施都在为飙升的用电需求苦恼之际，这一差距显得尤为重要。
这种高效也带来了完全不同的运维方式。神经元每三天需要“喂养”一次，并依赖专门的生命维持设备来维持精确比例的二氧化碳、氧气和氮气，以及严格控制的温度。它们的运行寿命大约为六个月，之后这些细胞必须被完全更换。
神经元寿命与维护需求
这一个六个月的周期引入了一种与数据中心运营商以往经验完全不同的维护模式。传统服务器硬件可以连续运行数年才需要更换。相比之下，生物计算单元需要定期补充细胞，这意味着持续的成本和物流安排，而这些在传统机房中根本不存在。这更像是在管理一个需要持续照料的生命系统，而不是一排排硬件机架。
未来扩展与应用场景
目前，这个由20个单元组成的原型系统按数据中心标准来看仍然相当小型。但在6月筹集了45亿美元资金并达到200亿美元估值的DayOne，据报道正在考虑更大规模的部署，将规模扩展到多达1,000个生物计算单元。以每个单元30瓦计算，如此规模的集群耗电约30千瓦，仍然只是等效GPU集群用电量的一小部分。
其重要性在于：如果在大规模条件下经济性和可靠性都能站得住脚，生物计算就可能成为削减AI基础设施能耗的一种真正不同的杠杆，而不仅仅是芯片效率的渐进式提升。从原型到全面部署实现50倍扩容，将是检验这项技术能否走出研究演示阶段的严峻考验。
在AI处理与生物医学研究中的应用
该系统被设计为服务于两个截然不同的目标。一是高能效AI处理，以远低于纯硅方案的功耗来完成计算任务。另一项用途是生物医学研究，包括疾病建模和药物筛选。在受控的计算环境中引入活体人类神经元，为研究人员提供了一个独特的平台，可以观察这些细胞对药物化合物或模拟疾病状态的反应，而这是硅芯片根本无法复现的。
监管挑战与系统局限
监管审批仍然是围绕这项技术的最大悬而未决问题之一。在商业计算环境中部署活体人类组织，带来了现有数据中心和生物医学监管框架都未曾预料的问题，任何大规模部署都很可能需要在尚未完全成形的规则中摸索前行。
同样重要的是，要明确这套系统不是什么。这座生物数据中心中的神经元并不会产生意识，也不会“体验”任何东西。它们只是执行计算任务的细胞簇，在功能上类似处理器，只不过是由活体组织而非晶体管构成。这一区分在科学和伦理层面都至关重要，也是研究人员在公开介绍该项目时反复强调的核心。
数据中心中活体组织的监管障碍
随着DayOne权衡是否将规模扩展到1,000个单元，未来的监管路径将决定这种高能效AI基础设施究竟能以多快、多大的规模发展。接下来的真正考验不再是神经元能否进行计算——这一点已经得到验证——而是商业和监管体系能否足够快速地适应，从而让生物计算从新加坡的一台原型机架走向更接近标准基础设施的形态。
常见问题
新加坡国立大学新数据中心采用了什么技术？
它使用20个生物计算单元，这些单元内含实验室培育的人类大脑皮层神经元，并与硅基微电极阵列集成，构成一个将生物计算神经元与传统芯片硬件相结合的混合系统。
这些生物计算单元与传统GPU相比有多节能？
每个生物计算单元（包括生命维持系统在内）耗电约30瓦，而一块高端Nvidia H100 GPU在满载时耗电约700瓦，两者之间每个单元相差超过20倍。
运营生物数据中心的主要挑战是什么？
主要挑战包括：神经元每三天需要“喂养”一次；其大约六个月的寿命需要定期更换；以及在商业环境中使用活体人类组织所需面对的监管审批流程。
该系统会利用人类神经元产生意识吗？
不会。该系统不会产生意识；神经元仅执行计算任务，作为处理信息的细胞簇运作，而不是进行思考或体验任何事物。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”What technology powers the National University of Singapore’s new data center?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”It uses 20 biological computing units containing lab-grown human cortical neurons integrated with silicon microelectrode arrays, creating a hybrid system that combines biological computing neurons with traditional chip-based hardware.”}},{“@type”:”Question”,”name”:”How energy-efficient are the biological computing units compared to traditional GPUs?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Each biological computing unit consumes about 30 watts, including life support, while a high-end Nvidia H100 GPU consumes around 700 watts under full load, a difference of more than 20 times per unit.”}},{“@type”:”Question”,”name”:”What are the main challenges in operating a biological data center?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”The main challenges include the neurons’ need for feeding every three days, their roughly six-month lifespan requiring periodic replacement, and the regulatory approval process for using living human tissue in a commercial setting.”}},{“@type”:”Question”,”name”:”Does the system generate consciousness using human neurons?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”No. The system does not generate consciousness; the neurons perform computational tasks only, functioning as clusters that process information rather than think or experience anything.”}}]}
本文在人工智能协助下完成，由编辑团队进行审核。
