本次访谈由《星际访谈》特别版主持人尼尔·德格拉斯·泰森主持，访谈对象是 Cortical Labs 的首席科学官（CSO）布雷特·卡根（Brett Kagan）。访谈围绕生物计算的未来展开，讨论了类脑器官智能的研究方向、伦理问题、多学科协作的重要性以及意识的复杂性与研究挑战等话题。
Cortical Labs 是一家位于澳大利亚墨尔本的生物技术公司，专注于开发和利用脑类有机体（Brain Organoids）和类脑芯片（Brain-on-a-Chip）技术。公司的目标是通过结合生物学和电子学的优势，创造出具有更高效能和更强适应能力的计算系统。自成立以来，Cortical Labs 与美国约翰霍普金斯大学合作，开发出利用类脑器官进行计算的标志性项目。
参与主持：
- 尼尔·德格拉斯·泰森（Neil deGrasse Tyson）： 著名的天体物理学家、科普作家、科学传播者，以及美国自然历史博物馆海登天文馆的主任，《StarTalk Radio》主持人；
- 查克·奈斯（Chuck Nice）： 一位喜剧演员、作家和播客主持人。他与尼尔·泰森共同主持了 《StarTalk Radio》，这是一个结合了科学和流行文化的播客节目；
- 奥瑞利·加里（Gary O’Reilly）： 心理学家和神经科学家，主要研究人类行为和认知功能。他在认知心理学和神经科学领域拥有丰富的研究经验，致力于揭示大脑如何支持学习、记忆和决策等高级认知功能。
访谈嘉宾：
- 布雷特·卡根（Brett Kagan）： Cortical Labs 的首席科学官（CSO），神经科学家，专注于研究神经元和大脑功能。他在生物医学和神经科学领域发表了多篇重要论文。卡根的研究主要集中在神经网络的形成和功能上，试图揭示大脑如何处理信息和进行复杂的认知任务。
核心观点摘要
- 合成生物智能（SBI）的前景：布雷特·卡根 解释了 Cortical Labs 如何通过合成生物智能（SBI）技术，将生物神经元与电子电路结合，创建高效、适应性强的计算系统。SBI 相比硅基智能，具有低能耗和高效学习的优势，可以快速处理复杂任务并进行自我调整。
- 伦理和可持续性：卡根讨论了在培养脑细胞和整合生物技术中的伦理问题，强调了合成生物学在提供可持续解决方案方面的重要性。他指出，使用诱导多能干细胞（iPSCs）可以避免传统动物实验中的伦理困境，实现更大规模且可持续的脑细胞生产。
- 神经网络的学习和适应能力：通过互动实验，卡根展示了神经元如何通过实时反馈和自我组织来学习和改进任务表现，例如学习玩乒乓球。这种研究不仅有助于理解大脑的基本工作原理，也为开发新型智能设备提供了理论和实践基础。
- 未来应用和挑战：卡根展望了 SBI 在多个领域的应用，包括基础科学研究、医疗保健、药物测试和智能计算。讨论了未来可能的技术挑战和发展的方向，包括构建具有更高复杂性和智能水平的生物计算系统。
- 多学科协作的重要性：卡根强调了多学科团队在推动技术进步中的作用，包括生物医学工程、神经科学、硬件和软件工程等领域的紧密合作。通过结合不同领域的专业知识，Cortical Labs 致力于创造一个能带来广泛社会影响的技术平台。
以下是本期播客内容的完整翻译，我们作了不改变原意的删减。
用符合伦理的方式生产脑细胞
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
这是《星际访谈》特别版，尼尔·德格拉斯·泰森。今天和我一起主持的是我的联合主持人，奥瑞利·加里。
查克·奈斯（Chuck Nice）
每个人都想知道未来会带来什么。你可以把技术应用到生物学家身上，想想 Elon 和神经连接。但这是通往未来的唯一途径吗？如果我们将生物学引入技术领域，又会带来什么呢？这就是所谓的合成生物智能，简称 SBI。在本期节目中，Neil，我们将探讨 AGI（通用人工智能）的伦理问题，比较 SBI 和硅基智能，以及更多内容。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你在培养皿中培养脑细胞，也就是说你在培养神经元吗？你还打算将它们放入电子电路中？
布雷特·卡根（Brett Kagan）
没错，这正是我们所追求的目标。所以，当你深入思考这个问题时，我觉得你用天体物理学作为类比非常有趣。因为在宏观尺度上观察宇宙的复杂性时，会发现无数不同的天体相互作用，整体上运作。实际上，当你观察大脑及其所有功能时，也会发现类似的复杂性。 大脑能够构建我们对周围世界的认知，你会意识到大脑是一个非常特殊的系统。因此，我们对这个想法非常感兴趣。
那么，如果你能利用大脑的基本单元来创建一个智能设备会怎么样呢？于是，我们开始研究一种可持续且符合伦理的方式来生产脑细胞。 幸运的是，通过大量的学术研究，这已经成为可能。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
等一下，你说的“伦理问题”是指有些脑细胞会对你的工作产生抱怨和抗议吗？你到底说的是什么？
布雷特·卡根（Brett Kagan）
我们显然对许多人从事的从动物身上获取材料的工作感兴趣。因此，必须养殖动物、宰杀动物并收获材料，这对于某些工作是必要的。但我们想弄清楚是否有一种更大规模且可持续的方法来实现这一点。因此，我们转向了合成生物学。我们发现可以生成一种叫做诱导多能干细胞的东西，这种干细胞可以从任何成年人的血液、组织或皮肤细胞中制造，有多种方法可以实现这一点。然后，我们可以使用多种方法将它们转化为脑细胞，并将它们集成到像我旁边这个设备中，这使我们能够与它们进行互动。
我们称这种设备为 CL1。它主要用于记录脑细胞活动时产生的小电脉冲，同时也能通过小电脉冲与脑细胞进行通信。因此，电流在这里作为信息传递的媒介。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你正在探索自然法则，并借鉴其中的元素、方法和工具，以改进你在硬件中的复制。这种描述是否恰当？
布雷特·卡根（Brett Kagan）
我们并不是要在硬件中复制大脑。我们真正想做的是直接利用大脑细胞。问题在于，我们无法在硬件中复制脑细胞，因为它们的复杂性超出了我们目前的技术能力。因此，我们提出了一个理念：既然可以直接利用，为什么还要模仿呢？
查克·奈斯（Chuck Nice）
你是如何将培养的神经元和脑细胞移植到多电极阵列中的？它们是如何连接并开始发挥功能的？
布雷特·卡根（Brett Kagan）
这些问题都非常重要。我们可以利用这些细胞外基质，让神经元在其上生长，并将它们放置在多电极阵列上。这是一种高密度的电子平台，我们可以在上面培养神经元，并通过标准方法使它们存活长达一年，甚至更久。那么，我们如何与它们进行交互呢？这正是神经计算方法的关键所在。实际上，这是一个物理学问题：信息系统在基本层面上是如何运作的？
奥瑞利·加里（Gary O’Reilly）
那么，现在这些神经元是在你设置的这个矩阵上相互通信，还是你专门设计的？因为在我们的脑中，神经元会发放信号。
布雷特·卡根（Brett Kagan）
实际上，两种神经元都会产生所谓的自发活动。当它们存在时，会形成网络并相互交流。当然，在没有任何信息输入的情况下，它们的交流内容并不多。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
您是研究海马体（Hippocampus）的专家吗？
布雷特·卡根（Brett Kagan）
确实，这会带来大量的复杂性。但有趣的是，当你转换并提供这些信息时，重组效果非常显著。这表明，与这些系统进行交互是可行的。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你是说神经元在放置于多电极阵列上时，会自发地以某种方式自我组织。
布雷特·卡根（Brett Kagan）
你可以输入信息，并使用各种材料创建有目的的结构，这是我们研究的一个非常有趣的领域。但更令人兴奋的是，这些结构会根据你提供的信息，通过电信号重新组织功能模块。
奥瑞利·加里（Gary O’Reilly）
这的确很有趣，因为我们的大脑也是这样运作的。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
但是，你并不是在生长神经元，而是在激活它们。
布雷特·卡根（Brett Kagan）
这些步骤必须同时进行。因此，我们开发它们，部署它们，然后瞄准目标。我们如何利用信息来操作它们？
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
如果神经元能够再生，为什么脊髓损伤和神经断裂等问题却无法治愈呢？
布雷特·卡根（Brett Kagan）
许多合成生物学技术实际上源于对帕金森病、脊髓损伤和阿尔茨海默病等问题的研究。几十年来，人们一直尝试利用这些技术开发脑细胞。然而，我们选择了不同的方向，认为这些技术也可以用于构建具有智能功能的脑细胞。因此，我们就这样做了。
具身网络和 Neuralink 有何不同
查克·奈斯（Chuck Nice）
在阅读你的项目时，我遇到了一个叫“具身网络”的术语。Brett，你能为我们解释一下这个术语吗？我认为在了解这种智能未来的应用之前，我们需要先掌握一些基础知识。请你详细解释一下这个术语。
布雷特·卡根（Brett Kagan）
简单来说，具身性是指每个人都有的特性，对吧？我们的身体和外部世界之间存在一个统计上的物理屏障。问题在于，如何为培养皿中的一组神经元创造这种屏障。大多数神经元在黑暗中自言自语，我们不知道它们在做什么。我们尝试创建一种所谓的闭环系统，从细胞中获取信息并将其应用到一个虚拟世界中。比如，我们从乒乓游戏开始，然后将这种变化反馈给神经元。这样一来，神经元的活动与它们如何影响世界之间就有了一个屏障，它们被告知了这一点。这就是具身性，因为有了这个屏障和分离。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
在我们讨论你在“弗兰肯斯坦实验室”中创造的这些东西的能力之前，请先解释一下，为什么你认为在电路中添加神经元比在神经元中添加电路更好。因为你的做法似乎与主流观点相反。你知道，埃隆·马斯克（Elon Musk）和其他人的 Neuralink 项目，他们的目标是将互联网植入我们的头脑中，以增强我们的生物能力。而你的方法却有所不同。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
那我为什么要选择你呢？
布雷特·卡根（Brett Kagan）
这不是一个零和博弈，对吧？它们的目标不同。一个旨在提升人类能力，另一个试图利用生物学来增强其他过程。 所以两者都有其适用的时间和场合，而且它们也有可能相互作用。将脑机接口（BCI）植入大脑是一回事，但如何实际解读这些信号呢？这是一个尚未解决的问题。也许脑细胞更擅长解读来自自身的信号。在这方面，确实有很大的潜力。看看我们作为人类或动物，比如猫、老鼠等，它们在进入新环境、调查并优化方面做得很好，而且它们的能耗只是机器学习的几百分之一到几百万分之一，对吧？它们所需的数据量更少，处理速度更快。
奥瑞利·加里（Gary O’Reilly）
那么现在让我问你几个问题，关于你刚才提到的原因。比如说，我们能够做到一些事情，而计算机不能，是因为我们有现实世界的知识和经验。那么，究竟如何将这些知识转移到电路中的神经元上呢？你如何将这种现实世界的基础知识引入？或者说，我们拥有的现实世界基础知识是因为我们大脑中的神经元网络。
布雷特·卡根（Brett Kagan）
我们获取现实世界知识的能力是令人着迷的。我们可能对老虎或蛇有遗传的先天恐惧。世世代代的人们如果看到老虎不跑，就会被吃掉。然而，我们也会学会害怕电击。由于我们与电的接触时间还不够长，所以不太可能有遗传的倾向让我们害怕电。但我们学得很快，不是吗？你给孩子看一两次，或者给他们看一个视频，他们就会明白，哦，电不好。通常他们只需要一两次经历。这是因为神经系统具有高度的并行性和灵活性，使我们能够迅速建立这些连接。
查克·奈斯（Chuck Nice）
神经元学习玩乒乓球需要多长时间？还是说这个实验仍在进行中？
布雷特·卡根（Brett Kagan）
我们仍然只是触及了表面，这是科学研究的一个过程。我们希望能够真正实现这一目标，并且我们喜欢把自己看作是反炒作的科学家。因此，我们想向人们展示这项工作。它虽然充满了缺陷和混乱，但也有一些效果，所以我们希望与大家分享。我们能够看到一些学习的迹象。每次测试大约 20 分钟，我们发现前五分钟和后十五分钟之间有非常大的差异。在五分钟内，他们就开始重新组织。实际上，他们重新组织的时间甚至可能比五分钟还要快。然后，随着时间的推移，学习效果在接下来的几分钟内逐渐显现，他们开始调节和改进。
奥瑞利·加里（Gary O’Reilly）
我仍在试图确定，这是否只是神经功能的自然过程？因为有句话说，“同时激活的神经元会彼此连接”。你所说的学习是指这个吗？
布雷特·卡根（Brett Kagan）
不，那是一句经典的名言。首先，有一种现象叫做突触可塑性，当神经元同时活动时，它们会相互连接。这在神经科学中已经是常识了。
奥瑞利·加里（Gary O’Reilly）
你指的是在短时间内发生的学习现象吗？
布雷特·卡根（Brett Kagan）
这是我们所观察到现象的一部分。所谓的强可塑性，在这些环境中确实会迅速大幅增强。但有趣的是，还有更多的事情在发生。如果你将其细分，会发现许多在不同时间尺度上相互作用的过程。因此，当我谈到这些系统的复杂性时，少数能与之相提并论的就是那些在银河系层面的宏观相互作用。这真是令人震惊。
奥瑞利·加里（Gary O’Reilly）
你现在说的这些简直太疯狂了，因为你谈论的基本上是一个生物计算机。它能够完成我们能做的事情，而目前的计算机却无法做到。这些功能无法通过硅基技术实现。是的，它们无法完成我们能做的事情。要做到这一点，必须具备现实世界的基础知识。计算机可以进行大量计算和关联，但它必须看到所有这些关联才能进行。而你之前说的才真正有道理。
你给孩子看一个球，他会知道这是一个球；如果你给他看一个棒球或篮球，他也会说这是球。而如果你给计算机看，你必须给它看每一种球，它才能说这是一个球。你现在谈论的是使用神经元，你可以将这些东西打开和关闭，而不是使用零和一。与必须展示每一个事物的零和一不同，它实际上可以完成我们能做的事情，并且可以开始自己进行关联。我这样说对吗？
布雷特·卡根（Brett Kagan）
这正是我们希望能够说明的。你这里有一个很好的例子，即一个“真实情况”。假设人们正在追求人工通用智能，我们不知道是否可以用硅实现这一目标，因为这一目标从未被实现过。正如我所说，你、我、猫、老鼠、鸟、蜜蜂在某种程度上都具有这种通用智能。所以问题不在于是否可能，而在于如何实现。这是一个截然不同的起点。
奥瑞利·加里（Gary O’Reilly）
你为什么要这么做？这可能会有很多种出错的方式。比如，你可能真的会创造出一种新的智能物种。它不会是计算机，而是某种更高级的存在。我很害怕，你害怕吗？
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
值得一提的是，终结者的外骨骼上覆盖着生物组织。
布雷特·卡根（Brett Kagan）
我认为这是一个重要的区别。它不是一个生物大脑，对吧？某种能够快速自我复制的东西是很难控制的，比如进入互联网，这正是我们担心的事情。例如，AGI（通用人工智能）。所有这些恐惧在生物智能中实际上是不存在的。即使你在实验室中创造了一个极其智能的系统，假设这种情况发生了，并且我们完全超越了，达到了超级智能的水平。它仍然无法真正应对一小杯漂白剂。所以这些东西是可以控制的。这是其中一个方面，即使我们达到了你所说的那种智能水平。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
是的，它不会从培养皿里跳出来揍你。确实如此。
布雷特·卡根（Brett Kagan）
我们提供的每一项功能都是必要的。近期我们无意进行这些变更。目前，这些功能将是离散且可控的，就像我们的思维一样。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
那么，你教了它什么？例如，我们具体教了它哪些内容？
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你怎么能从一些电路和神经元中感受到痛苦呢？
布雷特·卡根（Brett Kagan）
这是一个很好的问题。我们不仅仅是想研究一些基本的反应机制，例如在这里施加刺激，然后测量相应的反应，这是许多人一直在研究的内容。我们想知道智能的基本原理是什么。 关于这个问题，有很多理论。因此，我们开始与伦敦大学学院的杰出神经科学家杰西卡·弗里斯顿教授合作。他提出了一个叫做自由能原则的理论。基本上，这个原则指出，一个系统会努力最小化其环境中的不确定性和信息熵。我们认为，如果这个理论能够成为普遍智能的基础，那将是非常好的；如果我们找到反例，那我们也找到了一个非常著名理论的反例，这也会引起人们的注意。
无论如何，对我们来说，进行好的科学研究就是胜利。因此，我们进行了测试，并构建了一个环境。当系统错过球时，我们给予控制权，并告知如果错过了球，系统将被注入随机因素。这看起来是什么样子呢？就是在整个培养皿中施加随机刺激。这是一个非常简单的想法来测试一个非常复杂的概念。我们发现，随着时间的推移，通过我们创建的实时反馈循环，系统确实迅速改变了其行为，并且在我之前提到的所有层面上都发生了变化。这对我们来说非常令人兴奋。
查克·奈斯（Chuck Nice）
当机器人没打中球时，你如何评估它的智能程度？它不会像人类一样生气、扔下球拍并发脾气，对吧？还是说，它会？我们之前讨论过它会重新调整自己的动作。那么，你如何获得衡量智能的指标？还是说这只是表面现象？嗯，它击球更准确、更好。
布雷特·卡根（Brett Kagan）
这是最简单的方法，对吗？如果你要训练人、猫或狗做一个动作，关键不在于它们在想什么，而在于下次我让它坐下时，它会不会坐下，或者它能不能解出 2+2 的答案。这就是我们所讨论的内容。因此，我们基本上将输入和输出分开了。我们将信息输入和输出分开，这样系统内部就必须进行某种处理。然后我们只观察它是否会随着时间的推移而学习。
合成生物学与机器学习
查克·奈斯（Chuck Nice）
如果将合成生物学与机器学习算法进行比较，它们在有效性、效率和速度方面表现如何？
布雷特·卡根（Brett Kagan）
确实，这个问题让很多人感到不安，因为我们已经对此进行了深入研究。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
让他们感到不安的不是问题，而是答案。
布雷特·卡根（Brett Kagan）
尽管这个问题可能会让一些人感到不安，但长期以来，AIML（人工智能和机器学习）一直被认为是至高无上的。不幸的是，在科学领域，某些领域可能存在许多障碍，但我们已经初步证明，这些系统实际上在学习速率和样本效率方面优于机器学习。 当然，机器学习会继续进步，你可以加快它的速度并绘制这些数据。但如果你谈论的是达到某个目标所消耗的电力和数据量，这些系统将表现得更好。
奥瑞利·加里（Gary O’Reilly）
在某些情况下，你所需的样本量较少。但机器学习效果依赖于训练数据集的质量和数量，因此，为了获得有用的结果，你需要大量的数据。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
AGI 意味着什么呢？
布雷特·卡根（Brett Kagan）
拥有一种能够解决问题的 AI，具备类似人类的能力，能够在给定的数据集上采用通用的方法，而不需要像目前这样为每个任务进行专门训练。
查克·奈斯（Chuck Nice）
我们使用这些算法时，如果希望它们解决极其庞大的问题，就需要消耗大量的能量。你已经强调这是一个低能耗的智能系统。那么，我是否需要一个足球场大小的生物计算系统来解决大问题？还是说它最终会变得可扩展且方便使用？你可以回想一下电话的发展。现在我们可以把电话放进小口袋里，而以前只能在电话亭里使用，无法随处携带。
布雷特·卡根（Brett Kagan）
这是个很好的问题。实际上，脑容量并非越大越好。例如，大象的大脑约为我们大脑的 2.5 倍，但大多数大象如果不被捕食者杀死，通常会因牙齿磨损而饿死。因此，关键在于大脑的连接方式和使用方法。即使是大黄蜂这样的生物，也能完成很多事情。大黄蜂的大脑中只有约 80 万到 100 万个神经元，但它们能实现很多功能。如果我们能利用这种水平的智能，它将超越现有的任何基于机器学习的无人机。
奥瑞利·加里（Gary O’Reilly）
这真是太不可思议了。我难以置信，大象竟然会因为缺乏牙齿护理而死亡。
查克·奈斯（Chuck Nice）
合成生物智能是否会像硅基智能一样解决问题？尽管关于 AI 的伦理问题存在担忧，但生物智能会给我们带来更多还是更少的伦理问题呢？
布雷特·卡根（Brett Kagan）
这两个问题都非常好。第一个问题的答案几乎可以肯定是否定的，我可以花几个小时来讨论我们观察到的差异。当你观察一个像大脑这样复杂的动态系统，并向其中输入信息时，会看到非常显著的变化。这些变化在硅基计算中是看不到的，比如所谓的临界性。临界性基本上是指系统在混沌边缘的平衡状态，介于有序和无序之间。
这很有趣，因为这正是你在鸟群响应并改变其行为和飞行模式时所看到的现象，比如应对一只鹰的出现。因此，你开始看到这些系统在神经元、鸟类，甚至城市层面的行为变化之间的平行联系。所以这本质上是一个自然过程，而不是简单的二进制编码。虽然会有重叠和联系，但从根本上说，差异更多，这也引发了伦理问题。因此，我们与世界各地的许多独立生物伦理学家合作来研究这个问题。
实际上，有一件非常令人兴奋的事情是，如果你开始研究什么是道德相关的状态，比如意识，这种工具实际上可以帮助你理解这意味着什么。因为当你观察一个人的意识时，有太多的事情在发生。但如果你能将其分解到一个更简单的层次，并开始在那个层次上观察指标，你也许可以真正理解一些道德相关状态的生物学基础。
奥瑞利·加里（Gary O’Reilly）
我在想，当你谈论蜜蜂和大象时，是否根本不需要担心意识的问题？我把它看作一个神经网络。如果你观察 AI 神经网络，当你为生物计算机执行特定任务并将它们全部连接在一起时，你可以构建一个临时的、简单的大脑。这不一定需要智能。我不是在谈论智能或意识，确切地说。
布雷特·卡根（Brett Kagan）
你说得很对，这正是我想传达的信息。智能和意识并不是天生就联系在一起的。在一些人身上也能看到这种现象。有一种现象叫做盲视，不知道你是否熟悉。在盲视中，视觉皮层受损，导致某人成为法定盲人，他们无法感知任何视觉意识体验。然而，如果你向他们扔一个球，或者在他们走路时在前面放一把椅子，虽然这样做不太好，但确实有人为了测试这样做过。他们会绕过椅子，接住球。但他们自己却不知道是怎么做到的。你问他们，他们会说，哦，这是运气，我什么也没做。
所以你会看到这种智能行为，比如接住一个球，但没有意识到。所以这当然是可能的。而且，我们并不一定要在培养皿中创造一个人脑。我们使用神经元作为工程基础。如果我们理解了什么导致了意识，我们可以在需要时绕过或避免它。
查克·奈斯（Chuck Nice）
你说你并不是在试图创造一个大脑，但听起来你确实在做这件事。
查克·奈斯（Chuck Nice）
不过，关于类脑器官的智能，Cortical Labs 确实与美国约翰霍普金斯大学进行过一些研究。我可以这么说，但无法详细解释具体内容。你能帮我更好地理解吗？
布雷特·卡根（Brett Kagan）
是的，有两种方向。这就是为什么我说不一定要完全复制人类大脑。一种方向是重现人类大脑，因为它是我们已知最擅长处理复杂任务的。这确实会带来一些好处和风险。另一种方法是走不同的路径。 在类器官智能研究中，我们希望看到一个更生理或生物兼容的系统，它看起来更像人类大脑，但要小得多，简单得多。在这条路径上，我们已经取得了一些进展。如果我们对意识感到担忧，可以选择完全不同的方向，这仍然有很多用途。因此，我们可以让它不像人类大脑，但利用神经元的基本特性。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
在整个讨论中，伦理问题究竟体现在哪些方面？
布雷特·卡根（Brett Kagan）
我认为有两个或三个较为广泛的领域需要关注。其中一个是干细胞治疗，这方面的问题已经基本解决。主要涉及遗传学领域，特别是血液组织的捐赠。尽管过程相对简单，但仍需防止滥用，确保公平性并保护遗传多样性。幸运的是，这方面已经取得了很大进展。另两个领域中，一个是应用领域，需要根据具体情况逐案处理。另一个则是关于这些技术是否会变得有意识的问题。 因此，我认为我们需要关注这三个伦理方面的路径。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你会请伦理学家还是神经科学家来完成这项工作？
布雷特·卡根（Brett Kagan）
我们与伦理学家和神经科学家紧密合作，坚定支持多学科协作。我们与伦理学家讨论伦理问题，并尝试将这些问题与神经科学家的研究相结合。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
Brett，你提到意识，似乎暗示你能够在实验皿中创造出意识。但对于那些脑死亡的人，他们还具备意识吗？我们对意识的了解是否足够深入？你所创造的东西能够达到意识的程度吗？
布雷特·卡根（Brett Kagan）
对不起，那不是我的本意。我可能说错了。我们并不是认为自己能够创造出意识。事实上，我个人认为我们很难做到这一点，因为正如你所说，这其中的复杂性太高了。但我们必须认识到这些可能性。因此，我们会确保以一种伦理可持续的方式推进这项工作。
不过，我想说的是，如果我们发现了意识或类似的东西，这不仅会改变我们对待这些事物的方式，还会改变我们与整个自然界的互动。你知道，我们目前研究的东西仍然远比蟑螂简单得多。但其中的复杂性可能不仅仅影响这个研究领域、这个应用、这项技术的伦理，还会影响我们与世界的互动。我认为这是一个重要的考虑因素。
奥瑞利·加里（Gary O’Reilly）
这真是令人兴奋。但等一下，布雷特，我有不同的看法。当你谈论复杂性时，你指的那种复杂性可能会导致意识的产生，而我们甚至不知道这是怎么回事。我的意思是，意识对我们来说，是我们生来就有的，假设如此。但正如尼尔刚才所说，有些人活着却没有意识。那么，意识是一种涌现现象吗？它到底是什么？一旦我们弄清楚它是什么，当你谈论的那种复杂性出现时，也许它会以同样的方式在我们身上发生。如果它确实是涌现的，也许你会偶然发现意识。那时你该怎么办？
布雷特·卡根（Brett Kagan）
这是个很好的问题。我们也在思考，但目前还没有答案。不过，我们希望能找到。
布雷特·卡根（Brett Kagan）
作为科学家，我认为我们必须保持谦逊，承认有许多未知的领域。正如我所说，我认为这种情况在可预见的未来不会发生，但我们并不确定。因此，我们必须保持谦逊，采取一种方法，测试并确保我们能够在到达转折点之前识别出路标。我们正在与人们积极合作，而不是盲目进入这个领域。我们需要召集大家共同努力，找出实现目标的最佳方法，最终造福社会。
合成生物智能体的未来
查克·奈斯（Chuck Nice）
未来的计算是会走向合成生物智能体，还是更有可能发展出生物与硅基的混合体？
布雷特·卡根（Brett Kagan）
我们已经有了异构计算的概念。 简单来说，CPU 和 GPU 以不同的方式处理数据，并且它们协同工作得非常好。如果有一天我们能够引入更多类型的处理单元，比如一个在密码学方面非常擅长的量子处理单元，和一个在实时应用方面非常擅长的生物处理单元，并且它们能够协同工作，那么我们就能为每项任务找到最合适的工具。
查克·奈斯（Chuck Nice）
他们解决问题的方式是否有所不同？或者我们是否已经完全解释了生物智能和硅基智能在解决方案路径上的差异？
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
这确实非常有趣。
布雷特·卡根（Brett Kagan）
根据我们在人类与 AI 对比研究中的发现，可以肯定地说，机器学习（ML）和人类研究人员已经关注过这个问题。我们确实以不同的方式解决问题。人类有时无法得出最优答案，他们的答案往往只是“足够好”。因此，你需要弄清楚我们真正的目标是什么。
我们是想知道如何在 A、B 和 C 点之间找到一种可以在有限时间内完成的方法，还是想找到一种可能需要消耗大量电力的最优路径？所以你需要明确我们真正需要了解的是什么。我认为这是人类一直不擅长的事情，我们并不总是能找到最佳或最有效的方法。
奥瑞利·加里（Gary O’Reilly）
生物计算机的计算能力会因为它更接近人类的思维方式而受到影响吗？换句话说，赋予它现实世界的常识会成为一种障碍吗？
布雷特·卡根（Brett Kagan）
我无法想到任何一个例子，证明了解现实会妨碍解决问题。
奥瑞利·加里（Gary O’Reilly）
是的，我同意。我只是在观察这些差异，因为它们反映了我们与计算机思维方式的不同。你认为这些差异会成为障碍吗？
布雷特·卡根（Brett Kagan）
总体来说，作为一名科学家，我从不喜欢断言某事是不可能的，因为可能性几乎是无穷无尽的。但我想说的是，如果你确实找到了那些极端情况的解决方案，这只是意味着生物计算并不是解决那个问题的最佳方法。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
在编程过程中，我们会遇到各种情况。在编写计算机程序时，有特定的编程方法、计算方式以及 CPU 架构。这些方法不一定适合你的问题。理解这一点后，你可以继续处理其他任务。你可以编写代码来解决这些问题，但这会消耗用于实际计算的 CPU 资源。
查克·奈斯（Chuck Nice）
Brett，当这项技术开始发展时，你认为它在哪个领域会表现得特别出色？是医疗领域、数据处理、自主系统，还是其他领域？我不太确定，或者说在最初阶段，是自动驾驶、无人飞行，还是其他领域？
布雷特·卡根（Brett Kagan）
这种方法的优势在于它是一种平台技术。因此，最初的应用领域，如基础科学研究，是一个非常有趣且庞大的领域，每年投入的资金达数十亿甚至数百亿美元。我们常用的工具并不能完全解决我们面临的问题。此外，正如你所提到的，医疗保健和药物测试也是其应用领域。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你是否曾经意识到自己需要某种工具，但目前还没有，而这种工具可能是由医学工程师或物理学家提供的？
布雷特·卡根（Brett Kagan）
我们有生物医学工程师，也与物理学家合作，正是因为这个原因。我们是一个多学科的团队，结合了生物医学工程、硬件和软件，需要我们所有人共同合作。我们成为了一家公司，而不是一个专注于某一领域的学术实验室。我非常尊重这种专注，但我们无法通过这种方法构建平台技术。因此，我们必须把所有人聚集在一起。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
除了乒乓球，是否有其他游戏即将推出？我们可以期待一些其他的智力挑战吗？
布雷特·卡根（Brett Kagan）
我们最初选择乒乓球游戏，是因为它是最早的计算机游戏之一，符合我们的初步研究标准。随后，我们尝试了其他项目，并取得了一些有趣且有价值的结果。但我们很快意识到，现有的硬件需要大量改造。由于起初资金和资源有限，团队人数也少，我们只能勉强使用这些设备。然而，使用这些并非为此设计的设备极其困难。因此，我们决定构建自己的平台，以简化开发过程。现在，开发一个乒乓球游戏不再需要 18 个月，只需一到两周即可完成。随着这些平台的上线，我们开始快速迭代，开展各种研究。其中一些是非常基础但以前无法解决的神经计算问题。我们试图理解神经元的波形及其在计算中的意义。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
所以你的意思是，这将帮助我们更好地理解自己的大脑，还是它会朝其他方向发展并最终统治我们？
布雷特·卡根（Brett Kagan）
我们认为这肯定有助于我们理解自己的大脑。当你理解一个系统时，你就能构建它。我忘了是谁说的这句话，但如果我不能理解它，我就无法构建它。这基本上就是我们正在尝试做的。
查克·奈斯（Chuck Nice）
在我们遭遇失败之前，我对尼尔提到的脊柱损伤理论并不太感兴趣。是否有一种方法可以利用这项技术来治疗神经元疾病并促进愈合过程？如果你让它玩乒乓球，这不仅涉及感官问题，还涉及运动技能。这其中包含了许多复杂性。你能详细说明一下这些复杂性吗？
布雷特·卡根（Brett Kagan）
是的，完全正确。这正是我所说的。对于精神疾病和神经疾病的神经学临床试验，它们几乎总是失败。成功率大约在 7%到 8%之间，有时甚至低于 1%，这取决于具体领域。部分原因在于我们的预筛选工具、试验前评估和临床前测试并不适合这项任务。这是因为，当你观察一个神经元时，神经元的主要功能并不是表达蛋白质，甚至也不是发射动作电位。它的目的是不仅仅是为了产生电化学活动，更重要的是为了处理和操作信息。它需要外部信息来完成工作，实现其功能。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
这是通过电化学方法进行的吗？
布雷特·卡根（Brett Kagan）
该系统确实在进行电化学反应，但需要外部信息作为标记。因此，我们可以观察这些系统的反应，以及它们在面对药物时如何改变信息处理方式。这样你会更深入地理解药物对系统的影响，我们已经验证了这一点。我们使用了一个非常简单的癫痫模型，发现该模型无法学习玩乒乓游戏，这并不令人意外。如果使用一些减少这种活动的药物进行治疗，不仅可以改善其游戏表现，还能获得以前无法获取的大量信息。
查克·奈斯（Chuck Nice）
你提到的临界状态，即有序和混沌之间的边界。这不就像癫痫发作一样吗？不，实际上，当你进入完全混沌的状态时，情况并不是这样的。
布雷特·卡根（Brett Kagan）
我的意思是，他们在秩序与混乱之间维持平衡。这种平衡实际上对信息传递非常重要，并且与信息传递密切相关。我们实际上有一篇关于这个主题的论文。很多人认为这与记忆、智力等有关，并且存在很多争议。我们发现，这实际上是所有这些现象的基础，因为它是动态系统响应外部信号的基本模式。 我们将其与鸟群、人群在城市中的行为等进行类比，可以看到相同的模式反复出现。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
在自然界中，虽然确实如此，但你不能仅仅通过观察一只鸟就知道它会成群飞行。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
你知道群体飞行吗？但你可能不知道它是如何实现的。群体飞行本身是一种鸟类行为的涌现现象。
布雷特·卡根（Brett Kagan）
没错。因此，我们尝试构建一个系统，能够实际观察集群中出现的各种特征。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
在基础神经生物学课程中，我们了解到大脑的不同区域专门负责不同的活动，尽管这些区域之间有相当多的重叠。例如，有些区域专注于视觉、姓名、面部识别和语言。通过研究脑损伤，我们发现如果某人失去了这些能力，说明这些特定功能的大脑区域受到了影响。这是否意味着，如果从大脑的不同区域采集神经元，它们在电路中的活动会有所不同？还是说它们完全相同，只是由于后天的训练方式不同？
布雷特·卡根（Brett Kagan）
虽然都是神经元，但它们类型不同，功能各异。因此，我们主要研究的是皮质神经元。
布雷特·卡根（Brett Kagan）
皮质神经元是大脑皮层的神经元。它们在注意力等高级认知功能中起着至关重要的作用。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
是什么特质使我们成为人类。
布雷特·卡根（Brett Kagan）
如果你仔细观察，会发现人类与灵长类动物或其他生物相比，最大的区别在于我们的大脑皮层更为发达，对吧？正是这一点赋予了我们独特的能力。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
有些人的内心有一个更为强大的爬行脑。现在还在讨论这个爬行脑吗？
布雷特·卡根（Brett Kagan）
这更像是一种隐喻或模型。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
如果有要求的话，我希望你提供优质的神经元，而不是普通的神经元，对吧？
奥瑞利·加里（Gary O’Reilly）
与睡眠无关的神经元。
布雷特·卡根（Brett Kagan）
是的，没错。但我们也可以获取特定类型的细胞。目前我们在这方面的限制主要是由于资金和时间。我以前举过一个例子，我认为如果我们有足够的资金，并且利用现有的合成生物学和生物工程工具，我们可以重现大脑的复杂性。 我认为这是可能的。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
布伦特，你有没有什么未来的计划或想法，可以让我们对你的工作充满期待，而不是担心它有一天会成为我们的统治者？我对此非常感兴趣。
布雷特·卡根（Brett Kagan）
尽管如此，我认为没有必要担心这些事物会统治我们。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
他不认为有这种事，你听到了吗？我也不认为。
布雷特·卡根（Brett Kagan）
我是一名科学家。我必须为未知留有可能性，因为未知总是存在。正是这种未知促使我每天早晨起床。我相信你也有同样的感觉，正是未知推动我们前进。
尼尔·德格拉斯·泰森（Neil deGrasse Tyson）
当然，这就是这里唯一的动机。
布雷特·卡根（Brett Kagan）
我认为正是这些特性让这项工作如此令人兴奋。即使我们走上了工程化的道路，仍然会面临类似的挑战。正是这种对未知的理解和优化的驱动力，让我们有机会更好地理解自己和世界。 这也可能为我们提供一个改变许多领域的平台，从药物发现到计算等。吸引我加入这家公司的原因之一是创始人的愿景。当他找到我时，他说：“我们正在启动这个项目。你愿意加入吗？”我回答：“好吧，你们的目标是什么？我喜欢这个想法，但你们只是为了卖掉它吗？”他说：“不，我们想创造一个遗产，改变事情的做法。我们不在乎钱，有更容易赚钱的方法。这不是一个方便的赚钱方式，但我们认为这是影响世界并使之变得更好的机会。”