Reading time: 9 min
Một lập trình viên độc lập — không hề có nền tảng về điện toán sinh học — đã ngồi xuống với một API Python, kết nối tới con chip mang 200.000 neuron người sống trong phòng thí nghiệm ở Melbourne, và trong vòng bảy ngày đã khiến chúng điều khiển được tựa game bắn súng góc nhìn thứ nhất Doom từ năm 1993. Các neuron chơi không giỏi — trông như một người chưa bao giờ nhìn thấy bàn phím. Nhưng chúng đang học hỏi. Và công ty phát triển hệ thống này đã bán ra 115 thiết bị với giá $35.000 mỗi chiếc.
Công ty đứng sau dự án là Cortical Labs, do Tiến sĩ Hon Weng Chong sáng lập, trụ sở đặt tại Melbourne. Sản phẩm mang tên CL1, được hãng gọi là máy tính sinh học thương mại đầu tiên trên thế giới. Nó kết hợp neuron người nuôi cấy trong phòng thí nghiệm với chip silicon để tạo ra thứ Cortical Labs mô tả là Trí Tuệ Sinh Học Tổng Hợp (Synthetic Biological Intelligence, hay SBI). Bản demo Doom, được công bố qua YouTube vào cuối tháng 2 và được Popular Science, Tom’s Hardware, The Register cùng hầu hết các trang công nghệ đưa tin tuần này, chính là khoảnh khắc công nghệ này bước ra khỏi phòng thí nghiệm để trở thành thứ mà lập trình viên thực sự có thể tương tác. Mã nguồn đã có trên GitHub. API viết bằng Python. Còn các neuron thì đang sống trong bể dung dịch dinh dưỡng tại Australia.
Hệ Thống Này Hoạt Động Như Thế Nào
CL1 nuôi cấy neuron người trên một mảng đa điện cực gồm 59 điện cực, được chế tạo trên chip kim loại và thủy tinh. Các neuron không được lấy từ não người. Chúng bắt đầu là tế bào được lấy từ da hoặc máu của người hiến tặng trưởng thành, sau đó được tái lập trình thành tế bào gốc vạn năng cảm ứng (induced pluripotent stem cells) rồi biệt hóa thành neuron vỏ não — theo phân tích kỹ thuật chi tiết do PerfScience công bố vào tháng 3/2026. Các tế bào được nuôi sống trong buồng hỗ trợ sự sống kín, kiểm soát nhiệt độ, trao đổi khí và dòng chất dinh dưỡng. Cortical Labs cho biết neuron có thể tồn tại lên đến sáu tháng.
Hệ thống vận hành trên nền tảng mà công ty gọi là biOS — Hệ Điều Hành Trí Tuệ Sinh Học (Biological Intelligence Operating System). Nó tạo ra một môi trường mô phỏng và gửi thông tin về môi trường đó tới các neuron dưới dạng các mẫu kích thích điện thông qua điện cực. Các neuron phản hồi bằng xung điện của chính chúng, và những xung này được diễn giải thành hành động. Với Pong — bản demo trước đó từ năm 2022 — mối quan hệ rất trực tiếp: bóng đi lên, thanh chắn đi lên. Nhưng với Doom, bài toán khó hơn nhiều bậc. Trò chơi ba chiều, có kẻ thù, người chơi phải khám phá, di chuyển, ngắm bắn và khai hỏa.
Để thu hẹp khoảng cách đó, Sean Cole — lập trình viên độc lập xây dựng giao diện Doom — đã chuyển đổi nguồn dữ liệu hình ảnh của trò chơi thành các mẫu kích thích điện mà neuron có thể xử lý. Theo Tom’s Hardware, CTO David Hogan giải thích cách ánh xạ: “Nếu các neuron phát xung theo một mẫu cụ thể, nhân vật Doom sẽ bắn. Nếu chúng phát theo mẫu khác, anh ta di chuyển sang phải.” Các neuron nhận phản hồi củng cố — tín hiệu tích cực và tiêu cực giúp định hình mẫu phát xung theo thời gian. Đây là học tăng cường (reinforcement learning) theo đúng nghĩa đen — nhưng chạy trên “phần ướt” (wetware) thay vì silicon.
CL1 Làm Được Gì — Và Chưa Làm Được Gì
Brett Kagan, Giám đốc Khoa học của Cortical Labs, rất thẳng thắn về hiệu suất hiện tại. “Đây có phải một nhà vô địch eSports không? Chắc chắn là không,” ông nói trong video công bố, theo Tom’s Hardware. Hệ thống chơi Doom tốt hơn một bộ phát tín hiệu ngẫu nhiên, nhưng tệ hơn bất kỳ ai đã chơi game năm phút. Theo Kagan, điểm mấu chốt không nằm ở điểm số mà ở chỗ các neuron đã thể hiện “khả năng học hỏi thích ứng, theo thời gian thực và hướng mục tiêu” trong một môi trường ba chiều phức tạp. Đó là một lớp bài toán hoàn toàn khác so với việc đánh qua đánh lại quả bóng Pong.
Hãy đặt vào bối cảnh rộng hơn. Năm 2022, nguyên mẫu trước đó của Cortical Labs — DishBrain — học chơi Pong chỉ trong khoảng năm phút. Một hệ thống học tăng cường sâu (deep reinforcement learning) tiêu chuẩn mất khoảng 90 phút để đạt hiệu suất tương đương, theo PerfScience. Neuron không tính toán nhanh hơn — chúng hiệu quả hơn về mặt dữ liệu, học được từ ít ví dụ hơn. Đặc tính này, nếu có thể mở rộng quy mô, sẽ có ý nghĩa cực kỳ lớn đối với nghiên cứu phát hiện thuốc và mô hình hóa bệnh tật, nơi chi phí tạo dữ liệu huấn luyện thường là rào cản lớn nhất.
Mô Hình Kinh Doanh
CL1 ra mắt tại Mobile World Congress ở Barcelona vào tháng 3/2025 và bắt đầu giao hàng từ nửa cuối năm ngoái. Mỗi thiết bị có giá $35.000, hoặc $20.000/thiết bị khi mua theo giá đóng 30 đơn vị trong một rack máy chủ. Toàn bộ rack tiêu thụ từ 850 đến 1.000 watt — như nhiều trang công nghệ đã chỉ ra, ít hơn cả một số PC gaming cao cấp. Theo PerfScience, Cortical Labs đã bán được 115 thiết bị, ước tính mang về khoảng $4 triệu doanh thu theo giá niêm yết. Công ty cũng cung cấp dịch vụ Wetware-as-a-Service (WaaS), cho phép các nhà nghiên cứu truy cập neuron từ xa thông qua Cortical Cloud.
Theo IEEE Spectrum, Kagan cho biết công ty nhận được sự quan tâm mạnh mẽ từ các trường đại học, startup và cơ quan chính phủ đang tìm kiếm ứng dụng trong phát hiện thuốc, tính toán thần kinh, tăng tốc AI và — khá bất ngờ — đào Bitcoin. Lập luận thương mại cốt lõi là CL1 là giải pháp thay thế vượt trội về mặt đạo đức so với thử nghiệm trên động vật trong nghiên cứu dược phẩm. Vì sử dụng neuron người thay vì mô hình chuột, hệ thống có thể nắm bắt sự khác biệt di truyền giữa các người hiến tặng và mô hình hóa phản ứng đặc trưng theo bệnh — điều mà thử nghiệm trên động vật không làm được. Cortical Labs định vị công nghệ này như nền tảng để nghiên cứu động kinh, Alzheimer và các bệnh thần kinh khác.
Bối cảnh cạnh tranh còn nhỏ nhưng đang mở rộng nhanh chóng. Công ty Thụy Sĩ FinalSpark đã cung cấp quyền truy cập từ xa vào các organoid thần kinh với giá từ $1.000/tháng. Tại Indiana University, các nhà nghiên cứu xây dựng Brainoware — hệ thống đạt độ chính xác 78% trong nhận dạng người nói chỉ sau hai ngày huấn luyện. Một nhóm tại UC San Diego đề xuất sử dụng hệ thống dựa trên organoid cho mô hình hóa môi trường, trong khi tại Trung Quốc, Đại học Thiên Tân giới thiệu MetaBOC — nền tảng “não trên chip” (brain-on-chip). Chưa đơn vị nào tiến xa về thương mại hóa bằng Cortical Labs, nhưng dòng vốn đầu tư mạo hiểm đang đổ vào mọi lĩnh vực liên quan đến AI đã khiến những khoản đặt cược mang tính thử nghiệm trong điện toán sinh học bỗng trở nên khả thi về mặt huy động vốn.
Câu Hỏi Không Ai Muốn Trả Lời
Khía cạnh đạo đức là điều không thể né tránh, và Cortical Labs cũng không cố né tránh. Các neuron trên CL1 không có ý thức. Chúng quá ít và quá đơn giản để tạo ra bất cứ thứ gì giống như nhận thức. Đồng thuận hiện tại của khoa học thần kinh cho rằng 200.000 neuron trên một mảng điện cực không thể tạo ra trải nghiệm chủ quan. Não người chứa khoảng 86 tỷ neuron được kết nối bởi hàng nghìn tỷ synapse — khoảng cách ở đây không phải là sự khác biệt về mức độ, mà là khác biệt mang tính nền tảng.
Tuy nhiên, quỹ đạo phát triển đặt ra những câu hỏi mà ngành chưa có lời giải. Theo phân tích của RealClearScience vào tháng 1/2026, các tuyên bố về trí thông minh hay ý thức trong những hệ thống này hiện chưa có cơ sở. Chúng thể hiện khả năng phản ứng và thích nghi đơn giản, không phải nhận thức bậc cao. Vấn đề nằm ở tương lai: khi số lượng neuron tăng lên, khi mảng điện cực dày đặc hơn, khi vòng phản hồi tinh vi hơn thì điều gì sẽ xảy ra? Cortical Labs đã nhắc đến việc xây dựng một “Bộ Não Khả Dụng Tối Thiểu” (Minimal Viable Brain). Cụm từ này — vay mượn từ văn hóa startup rồi áp dụng cho mô sinh học — mang hàm ý mà có lẽ chính công ty cũng chưa kiểm soát hết.
Nhưng ở thời điểm hiện tại, CL1 là một thiết bị giá $35.000, giữ cho neuron người sống trong sáu tháng, cho phép bất kỳ ai biết Python tương tác với chúng, và vừa được dạy bắn quỷ trong một trò chơi từ năm 1993. Chi tiết đáng chú ý nhất là: giao diện Doom được xây dựng bởi một lập trình viên duy nhất trong một tuần, sử dụng API công khai, không hề có kiến thức khoa học thần kinh. Điều này cho thấy rào cản gia nhập nền tảng đã đủ thấp để cộng đồng lập trình viên bắt đầu thử nghiệm. Những gì họ xây dựng tiếp theo mới là câu chuyện thực sự đáng theo dõi.
