Reading time: 6 min
Niezależny programista bez doświadczenia w obliczeniach biologicznych usiadł przed API w Pythonie, połączył się z chipem zawierającym 200 000 żywych ludzkich neuronów w laboratorium w Melbourne — i w ciągu siedmiu dni zmusił je do sterowania kultową strzelanką Doom z 1993 roku. Neurony nie radzą sobie dobrze. Grają jak ktoś, kto nigdy nie widział klawiatury. Ale się uczą. A firma, która zbudowała ten system, sprzedała już 115 sztuk po 35 000 USD każda.
Firma to Cortical Labs, założona przez dr. Hon Weng Chonga z siedzibą w Melbourne. Produkt nosi nazwę CL1, a producent określa go jako pierwszy komercyjnie dostępny komputer biologiczny na świecie. Łączy on hodowane laboratoryjnie ludzkie neurony z krzemowym chipem, tworząc coś, co Cortical Labs nazywa Syntetyczną Inteligencją Biologiczną (Synthetic Biological Intelligence, SBI). Demonstracja z Doomem, opublikowana na YouTube pod koniec lutego i podchwycona w tym tygodniu przez Popular Science, Tom’s Hardware, The Register i niemal każdą redakcję technologiczną, która jeszcze oddycha, to moment, w którym technologia przekroczyła granicę między laboratoryjną ciekawostką a czymś, z czym programiści mogą realnie pracować. Kod źródłowy jest na GitHubie. API działa w Pythonie. Neurony żyją zanurzone w pożywce w Australii.
Jak to właściwie działa
CL1 hoduje ludzkie neurony na 59-elektrodowej macierzy wieloelektrodowej (MEA) osadzonej na chipie z metalu i szkła. Neurony nie pochodzą z mózgów. Zaczynają jako komórki pobrane ze skóry lub krwi dorosłych dawców, które zostają przeprogramowane na indukowane pluripotencjalne komórki macierzyste, a następnie różnicowane w neurony korowe — jak szczegółowo opisał PerfScience w marcu 2026 roku. Komórki utrzymywane są przy życiu w hermetycznej komorze podtrzymującej życie, regulującej temperaturę, wymianę gazową i przepływ składników odżywczych. Cortical Labs deklaruje, że neurony mogą przetrwać do sześciu miesięcy.
System działa na platformie zwanej biOS — Biological Intelligence Operating System. Tworzy symulowane środowisko i przesyła informacje o nim do neuronów w postaci wzorców stymulacji elektrycznej za pośrednictwem elektrod. Neurony odpowiadają własnymi impulsami elektrycznymi, które są interpretowane jako działania. W Pongu — wcześniejszej demonstracji z 2022 roku — zależność była bezpośrednia: piłka idzie w górę, paletka idzie w górę. Doom to problem o kilka rzędów wielkości trudniejszy. Gra jest trójwymiarowa. Są wrogowie. Gracz musi eksplorować, nawigować, celować i strzelać.
Aby pokonać tę przepaść, Sean Cole — niezależny programista, który zbudował interfejs do Dooma — przełożył obraz gry na wzorce stymulacji elektrycznej, które neurony mogły przetwarzać. Jak relacjonował Tom’s Hardware, CTO David Hogan wyjaśnił mapowanie: „Jeśli neurony wystrzelą impuls w określonym wzorcu, Doom guy strzela. Jeśli wystrzelą inny wzorzec — rusza w prawo.” Neurony otrzymują zwrotne sygnały wzmacniające — pozytywne i negatywne — które z czasem kształtują ich wzorce aktywności. Jest to w dosłownym sensie uczenie ze wzmocnieniem realizowane na tkance biologicznej zamiast na krzemie.
Co potrafi, a czego nie potrafi
Brett Kagan, dyrektor naukowy Cortical Labs, nie owijał w bawełnę, oceniając obecne wyniki. „Czy to mistrz e-sportu? Absolutnie nie” — powiedział w filmie zapowiadającym demonstrację, cytowanym przez Tom’s Hardware. System gra w Dooma lepiej niż generator losowych danych wejściowych, ale gorzej niż jakikolwiek człowiek po pięciu minutach z grą. Znaczenie — jak argumentował Kagan — nie tkwi w wyniku. Chodzi o to, że neurony wykazały „adaptacyjne, realizowane w czasie rzeczywistym, ukierunkowane na cel uczenie się” w złożonym trójwymiarowym środowisku. To zupełnie inna klasa problemów niż odbijanie piłeczki w Pongu.
Warto to osadzić w kontekście. W 2022 roku wcześniejszy prototyp Cortical Labs — DishBrain — nauczył się grać w Ponga w około pięć minut. Standardowy system głębokiego uczenia ze wzmocnieniem potrzebuje na osiągnięcie porównywalnych wyników około 90 minut, jak podaje PerfScience. Neurony nie obliczają szybciej — są bardziej efektywne w wykorzystaniu danych. Uczą się z mniejszej liczby przykładów. Ta właściwość, jeśli da się ją skalować, ma ogromne znaczenie dla odkrywania leków i modelowania chorób, gdzie koszt generowania danych treningowych jest często głównym ograniczeniem.
Model biznesowy
CL1 zadebiutował na Mobile World Congress w Barcelonie w marcu 2025 roku, a dostawy ruszyły w drugiej połowie ubiegłego roku. Pojedyncza jednostka kosztuje 35 000 USD, natomiast w konfiguracji serwerowej (30 jednostek w jednym racku) cena spada do 20 000 USD za sztukę. Pełny rack pobiera od 850 do 1000 watów — co, jak odnotowało wielu komentatorów, jest mniej niż zużycie niektórych topowych pecetów gamingowych. Cortical Labs dostarczył dotychczas 115 jednostek, jak podaje PerfScience, generując szacunkowo około 4 mln USD przychodu w cenach katalogowych. Firma oferuje także usługę Wetware-as-a-Service (WaaS), umożliwiającą badaczom zdalny dostęp do neuronów przez Cortical Cloud.
Jak informował IEEE Spectrum, Kagan stwierdził, że firma obserwuje silne zainteresowanie ze strony uczelni, startupów i instytucji rządowych eksplorujących zastosowania w odkrywaniu leków, neuroobliczeniach, akceleracji AI, a nieco nieoczekiwanie — także w kopaniu Bitcoina. Główny argument komercyjny sprowadza się do tego, że CL1 stanowi etycznie lepszą alternatywę dla testów na zwierzętach w badaniach farmaceutycznych. Ponieważ wykorzystuje ludzkie neurony zamiast modeli gryzoniowych, potrafi uchwycić różnice genetyczne między dawcami i modelować odpowiedzi specyficzne dla danej choroby w sposób niedostępny dla testów na zwierzętach. Cortical Labs pozycjonuje technologię jako platformę do badań nad padaczką, chorobą Alzheimera i innymi schorzeniami neurologicznymi.
Krajobraz konkurencyjny jest jeszcze niewielki, ale rośnie. Szwajcarska firma FinalSpark już oferuje zdalny dostęp do organoidów neuronowych od 1000 USD miesięcznie. Na Uniwersytecie Indiana naukowcy zbudowali Brainoware — system, który po zaledwie dwóch dniach treningu osiągnął 78% dokładności w identyfikacji mówców. Zespół z UC San Diego zaproponował wykorzystanie systemów opartych na organoidach do modelowania środowiskowego. W Chinach Uniwersytet w Tianjin zaprezentował MetaBOC — platformę typu brain-on-chip. Żaden z tych projektów nie jest tak zaawansowany komercyjnie jak Cortical Labs, ale strumień kapitału venture capital płynący w kierunku wszystkiego, co choćby ociera się o AI, sprawił, że spekulacyjne zakłady w bioobliczenia nagle stały się finansowalne.
Pytanie, na które nikt nie chce odpowiadać
Wymiar etyczny jest nie do uniknięcia — i Cortical Labs nie próbuje go unikać. Neurony na CL1 nie są świadome. Jest ich zbyt mało i są zbyt proste, by mogły wytworzyć cokolwiek przypominającego świadomość. Aktualny konsensus w neuronaukach mówi, że 200 000 neuronów na macierzy elektrodowej nie jest w stanie generować subiektywnych przeżyć. Ludzki mózg zawiera około 86 miliardów neuronów połączonych bilionami synaps. Różnica nie jest stopniowa — jest cywilizacyjna.
Ale trajektoria rozwoju rodzi pytania, na które branża wciąż nie ma odpowiedzi. Jak zauważył RealClearScience w analizie ze stycznia 2026 roku, twierdzenia o inteligencji czy świadomości w tych systemach nie mają dziś pokrycia. Systemy wykazują prostą zdolność reagowania i adaptacji, nie wyższą kognicję. Kluczowe pytanie brzmi: co się stanie, gdy liczba neuronów wzrośnie, macierze elektrodowe staną się gęstsze, a pętle sprzężeń zwrotnych — bardziej wyrafinowane? Cortical Labs mówi o budowaniu „Minimal Viable Brain” — Minimalnego Działającego Mózgu. To sformułowanie zapożyczone z kultury startupowej i zaaplikowane do tkanki biologicznej niesie implikacje, nad którymi firma może nie mieć pełnej kontroli.
Na razie jednak CL1 to pudełko za 35 000 USD, które utrzymuje ludzkie neurony przy życiu przez sześć miesięcy, pozwala każdemu ze znajomością Pythona z nimi rozmawiać i właśnie nauczyło się strzelać do demonów w grze z 1993 roku. Fakt, że interfejs do Dooma zbudował pojedynczy programista w ciągu tygodnia, korzystając z publicznego API i bez żadnego przeszkolenia w neuronaukach — to szczegół, który powinien zatrzymać uwagę. Oznacza on, że bariera wejścia na tę platformę jest już wystarczająco niska, by społeczność deweloperów mogła zacząć eksperymentować. Co zbudują dalej — to historia, którą warto śledzić.
