Reading time: 6 min
Ein unabhängiger Entwickler ohne jegliche Erfahrung in biologischer Datenverarbeitung setzte sich an eine Python-API, verband sich mit einem Chip, auf dem 200.000 lebende menschliche Neuronen in einem Labor in Melbourne wachsen – und hatte diese innerhalb von sieben Tagen so weit, dass sie den Ego-Shooter Doom von 1993 steuerten. Die Neuronen sind nicht gut darin. Sie spielen wie jemand, der noch nie eine Tastatur gesehen hat. Aber sie lernen. Und das Unternehmen hinter dem System hat bereits 115 Einheiten zu je 35.000 $ ausgeliefert.
Das Unternehmen heißt Cortical Labs, wurde von Dr. Hon Weng Chong gegründet und hat seinen Hauptsitz in Melbourne. Das Produkt ist der CL1 – laut Unternehmen der weltweit erste kommerziell erhältliche biologische Computer. Er verschmilzt im Labor gezüchtete menschliche Neuronen mit einem Siliziumchip und erzeugt damit das, was Cortical Labs als Synthetische Biologische Intelligenz (SBI) bezeichnet. Die Doom-Demonstration, Ende Februar auf YouTube veröffentlicht und diese Woche von Popular Science, Tom’s Hardware, The Register und praktisch jedem Technik-Portal aufgegriffen, markiert den Moment, in dem die Technologie vom Laborkuriosum zu etwas wurde, mit dem Entwickler tatsächlich interagieren können. Der Quellcode liegt auf GitHub, die API ist in Python geschrieben – und die Neuronen leben in einem Nährstoffbad in Australien.
Wie das System tatsächlich funktioniert
Der CL1 züchtet menschliche Neuronen auf einem 59-Elektroden-Multielektrodenarray, das auf einem Chip aus Metall und Glas aufgebaut ist. Die Neuronen werden nicht aus Gehirnen entnommen – sie entstehen aus Zellen erwachsener Haut- oder Blutspender, die zu induzierten pluripotenten Stammzellen umprogrammiert und anschließend zu kortikalen Neuronen differenziert werden, wie PerfScience in einer detaillierten technischen Analyse vom März 2026 beschrieb. Die Zellen werden in einer versiegelten Lebenserhaltungskammer am Leben gehalten, die Temperatur, Gasaustausch und Nährstoffzufuhr reguliert. Laut Cortical Labs können die Neuronen bis zu sechs Monate überleben.
Das System läuft auf dem hauseigenen biOS, einem Biological Intelligence Operating System. Es erzeugt eine simulierte Umgebung und übermittelt Informationen über diese Umgebung als elektrische Stimulationsmuster über die Elektroden an die Neuronen. Die Neuronen feuern ihre eigenen elektrischen Impulse zurück, die als Aktionen interpretiert werden. Bei Pong, der früheren Demonstration von 2022, war der Zusammenhang direkt: Ball geht hoch, Schläger geht hoch. Bei Doom ist das Problem um Größenordnungen komplexer – das Spiel ist dreidimensional, es gibt Gegner, und der Spieler muss erkunden, navigieren, zielen und schießen.
Um diese Lücke zu überbrücken, übersetzte Sean Cole, der unabhängige Entwickler hinter dem Doom-Interface, den Video-Feed des Spiels in elektrische Stimulationsmuster, die die Neuronen verarbeiten konnten. Wie Tom’s Hardware berichtete, erklärte CTO David Hogan die Zuordnung: „Wenn die Neuronen in einem bestimmten Muster feuern, schießt der Doom-Typ. Feuern sie in einem anderen Muster, bewegt er sich nach rechts.” Die Neuronen erhalten Verstärkungs-Feedback – positive und negative Signale, die ihre Feuermuster im Laufe der Zeit formen. Im buchstäblichsten Sinne handelt es sich um Reinforcement Learning, das auf biologischer Hardware statt auf Silizium läuft.
Was es kann – und was nicht
Brett Kagan, Chief Scientific Officer von Cortical Labs, äußerte sich unverblümt zur aktuellen Leistung. „Ist es ein eSports-Champion? Auf keinen Fall”, sagte er im Ankündigungsvideo, wie Tom’s Hardware zitierte. Das System spielt Doom besser als ein Zufallsgenerator, aber schlechter als jeder Mensch, der fünf Minuten mit dem Spiel verbracht hat. Entscheidend sei aber nicht der Punktestand, argumentierte Kagan, sondern dass die Neuronen „adaptives, echtzeitbasiertes, zielgerichtetes Lernen” in einer komplexen dreidimensionalen Umgebung demonstriert haben. Das ist eine völlig andere Problemklasse als ein Pong-Ball hin- und herzuschlagen.
Um das einzuordnen: 2022 lernte DishBrain, der frühere Prototyp von Cortical Labs, Pong in rund fünf Minuten. Ein Standard-Deep-Reinforcement-Learning-System braucht laut PerfScience etwa 90 Minuten für vergleichbare Leistung. Die Neuronen rechnen nicht schneller – sie sind dateneffizienter. Sie lernen aus weniger Beispielen. Sollte sich diese Eigenschaft skalieren lassen, wäre das von enormer Bedeutung für Wirkstoffentdeckung und Krankheitsmodellierung, wo die Kosten für die Generierung von Trainingsdaten oft der limitierende Faktor sind.
Das Geschäftsmodell
Der CL1 wurde auf dem Mobile World Congress in Barcelona im März 2025 vorgestellt und wird seit der zweiten Jahreshälfte ausgeliefert. Jede Einheit kostet 35.000 $ – oder 20.000 $ pro Einheit in einem 30-Unit-Server-Rack. Ein volles Rack verbraucht zwischen 850 und 1.000 Watt, was, wie mehrere Medien anmerkten, weniger ist als mancher High-End-Gaming-PC. Cortical Labs hat bislang 115 Einheiten ausgeliefert, so PerfScience, was zum Listenpreis einem Umsatz von rund 4 Millionen $ entspricht. Darüber hinaus bietet das Unternehmen Wetware-as-a-Service (WaaS) an, mit dem Forscher über die Cortical Cloud per Fernzugriff auf die Neuronen zugreifen können.
Gegenüber IEEE Spectrum erklärte Kagan, das Unternehmen verzeichne starkes Interesse von Universitäten, Startups und Regierungsstellen, die Anwendungen in der Wirkstoffentwicklung, Neurocomputation, KI-Beschleunigung und – etwas unerwartet – im Bitcoin-Mining erkunden. Das zentrale Verkaufsargument: Der CL1 sei eine ethisch überlegene Alternative zu Tierversuchen in der pharmazeutischen Forschung. Da er menschliche Neuronen anstelle von Nagermodellen verwendet, kann er genetische Unterschiede zwischen Spendern erfassen und krankheitsspezifische Reaktionen modellieren, wie es Tierversuche nicht vermögen. Cortical Labs positioniert die Technologie als Plattform zur Erforschung von Epilepsie, Alzheimer und anderen neurologischen Erkrankungen.
Die Wettbewerbslandschaft ist überschaubar, wächst aber. Das Schweizer Unternehmen FinalSpark bietet bereits Fernzugriff auf neuronale Organoide ab 1.000 $ pro Monat an. An der Indiana University entwickelten Forscher Brainoware, ein System, das nach nur zwei Tagen Training eine Genauigkeit von 78 % bei der Sprecheridentifikation erreichte. Ein Team der UC San Diego hat den Einsatz organoidbasierter Systeme für Umweltmodellierung vorgeschlagen, und an der Universität Tianjin in China wurde MetaBOC eingeführt, eine Brain-on-Chip-Plattform. Keines dieser Projekte ist kommerziell so weit wie Cortical Labs, doch das Risikokapital, das derzeit in alles fließt, was auch nur entfernt mit KI zu tun hat, macht spekulative Wetten auf Biocomputing plötzlich finanzierbar.
Die Frage, die niemand beantworten will
Die ethische Dimension ist unausweichlich – und Cortical Labs hat nicht versucht, ihr auszuweichen. Die Neuronen auf dem CL1 sind nicht bewusst. Es sind zu wenige und zu einfache Zellen, um irgendetwas zu erzeugen, das an Bewusstsein erinnert. Der aktuelle neurowissenschaftliche Konsens besagt, dass 200.000 Neuronen auf einem Elektrodenarray keine subjektive Erfahrung hervorbringen können. Ein menschliches Gehirn enthält rund 86 Milliarden Neuronen, verbunden durch Billionen von Synapsen. Die Kluft ist nicht graduell – sie ist zivilisatorisch.
Doch die Entwicklungsrichtung wirft Fragen auf, die die Branche bislang nicht beantwortet hat. Wie RealClearScience in einer Analyse vom Januar 2026 feststellte, sind Behauptungen über Intelligenz oder Bewusstsein in diesen Systemen heute nicht belegbar. Die Systeme zeigen eine einfache Fähigkeit zu reagieren und sich anzupassen – keine höhere Kognition. Die eigentliche Frage ist, was passiert, wenn die Neuronenzahl skaliert, die Elektrodenarrays dichter werden und die Feedback-Schleifen ausgefeilter. Cortical Labs hat davon gesprochen, ein „Minimal Viable Brain” zu bauen. Dieser Begriff, aus der Startup-Kultur entlehnt und auf biologisches Gewebe angewandt, birgt Implikationen, die das Unternehmen möglicherweise nicht vollständig kontrollieren kann.
Vorerst aber ist der CL1 eine 35.000-$-Box, die menschliche Neuronen sechs Monate am Leben hält, jedem mit Python-Kenntnissen ermöglicht, mit ihnen zu kommunizieren – und der man gerade beigebracht hat, in einem Spiel von 1993 Dämonen zu erschießen. Dass das Doom-Interface von einem einzigen Entwickler in einer Woche gebaut wurde, über eine öffentliche API, ganz ohne neurowissenschaftliche Ausbildung – das ist das Detail, das aufhorchen lassen sollte. Es bedeutet, dass die Einstiegshürde für diese Plattform bereits niedrig genug ist, damit die Entwickler-Community anfangen kann zu experimentieren. Was sie als Nächstes darauf bauen, ist die Geschichte, die es zu verfolgen gilt.
