Intelligenza organoide: il futuro del calcolo è nei cervelli in provetta

Nel 2013, un gruppo di ricercatori giapponesi e tedeschi ha utilizzato uno dei supercomputer più potenti al mondo all'epoca, il Fujitsu K, per simulare l'attività di circa l'1% del tessuto nervoso del cervello umano. Questa simulazione rappresentava una rete di 1,73 miliardi di neuroni connessi da 10,4 trilioni di sinapsi. Ogni sinapsi, un sistema elettrochimico complesso, era codificata con 24 byte per riprodurne accuratamente l'ampiezza dell'attività. Il supercomputer K ha impiegato 40 minuti per emulare un solo secondo di attività cerebrale, e anche questa simulazione era intrinsecamente casuale, con connessioni che si formavano e si dissolvevano in modo aleatorio.

L'obiettivo dell'esperimento era dimostrare che i futuri supercomputer exascale, capaci di eseguire 10^18 operazioni in virgola mobile al secondo, sarebbero stati in grado di emulare l'intero cervello umano. Tuttavia, nessuna delle quattro attuali sistemi exascale (El Capitan, Frontier, Aurora e JUPITER Booster) è ancora in grado di affrontare questa sfida. Teoricamente, con circa 100 miliardi di neuroni e tra 10^14 e 10^15 sinapsi nel cervello umano, un supercomputer da 1 a 10 EFLOPS dovrebbe essere sufficiente.

Tuttavia, numerosi ostacoli impediscono questo traguardo, tra cui il collo di bottiglia nell'architettura dei computer moderni. Maggiore è il numero di operazioni che un sistema deve eseguire (come nell'emulazione di una rete neurale), più denso diventa il flusso di dati tra i core di calcolo e la memoria. L'architettura di Von Neumann, alla base di quasi tutti i computer attuali, separa fisicamente le unità logiche dai depositi di dati. Questo approccio, sebbene inizialmente vantaggioso per l'accelerazione del progresso IT, è diventato un ostacolo per i calcoli neurali altamente paralleli. Per questo motivo, negli ultimi anni si è assistito a un crescente interesse per i computer neuromorfici, che imitano il funzionamento del tessuto nervoso biologico. Ma perché non utilizzare direttamente il tessuto cerebrale per creare un sistema di calcolo?

Un altro fattore limitante nella costruzione di vaste reti neurali su hardware a semiconduttore è la sua bassa efficienza energetica. Il cervello umano consuma circa 20 W sotto sforzo, mentre i supercomputer di punta come Frontier richiedono oltre 21 MW, una differenza di sei ordini di grandezza. Nel 2024, l'Agenzia Internazionale dell'Energia ha stimato che i data center consumano 415 TWh di energia a livello globale, e prevede un aumento a 945 TWh entro il 2030, pari a circa il 3% della produzione globale totale, più del budget energetico annuale combinato di Germania e Francia. Negli Stati Uniti, la carenza di energia disponibile per i data center è considerata un ostacolo per mantenere la leadership mondiale nell'intelligenza artificiale. La ricerca di metodi più efficienti di calcolo "brain-like" sta diventando una priorità strategica.

Nel febbraio 2023, un gruppo di ricercatori dell'Università Johns Hopkins (JHU), guidato da Lena Smirnova, ha pubblicato un lavoro su Frontiers in Science intitolato "Intelligenza Organoide (OI): una nuova frontiera nel bio-computing e nell'intelligenza in una capsula di Petri". Gli organoidi sono analoghi funzionali di organi creati in laboratorio. Il termine OI si riferisce all'attività di organoidi cerebrali umani coltivati da cellule staminali che riproducono l'attività del neocortex biologico, come l'apprendimento, la formazione della memoria e altre funzioni cognitive, in vitro. A differenza delle colture cellulari bidimensionali, gli organoidi sono tridimensionali, con neuroni che si mielinizzano e sono alimentati da sistemi di perfusione microfluidici integrati, consentendo loro di operare in condizioni più naturali. Matrici di microelettrodi tridimensionali vengono utilizzate per comunicare con i neuroni e le cellule gliali, e potrebbero evolvere in interfacce di rete complesse per l'interazione degli organoidi con sensori e dispositivi di output, permettendo loro di apprendere attraverso il feedback biologico e di interagire con il mondo esterno attraverso piattaforme robotiche.

Gli organoidi coltivati dal gruppo di JHU hanno una dimensione di 500 μm. I neuroni al loro interno formano connessioni sinaptiche e generano pattern di attività elettrochimica in risposta a segnali di apprendimento. La mielinizzazione è essenziale per un sistema di calcolo elettrochimico tridimensionale per prevenire cortocircuiti. Si ritiene che la mielinizzazione si sia evoluta grazie all'inserimento di informazioni genetiche da un antico retrovirus endogeno nel DNA degli oligodendrociti, cellule gliali specifiche, circa 440 milioni di anni fa. La memoria di lavoro e l'attenzione si sono sviluppate in un antenato comune di vertebrati, artropodi e altri cladi oltre 600 milioni di anni fa. La mielinizzazione supporta metabolicamente l'assone, l'output del neurone, e consente la modulazione del segnale, permettendo la creazione di contatti diretti lunghi ed efficienti tra le cellule nervose, fino a 1 metro con un diametro dell'assone di 10-20 μm. In futuro, sarà necessario coltivare e integrare oligodendrociti artificiali con neuroni derivati da cellule staminali.

Dal punto di vista bioingegneristico, la creazione di organoidi da tessuto nervoso è complessa. Richiede la costruzione di impalcature su microscala da materiali biocompatibili e la crescita di tessuto nervoso con il livello necessario di connettività da neuroni e cellule gliali artificiali. I ricercatori ritengono che l'interazione spaziale dei neuroni sia guidata dalla loro genetica, e che il passaggio da due a tre dimensioni sia la chiave per un calcolo neuromorfico efficace. Tuttavia, il lavoro con il tessuto biologico è complesso e richiede un equilibrio delicato tra l'apporto di ossigeno, nutrienti e fattori di crescita e la rimozione dei prodotti di scarto per prevenire la necrosi del tessuto nervoso artificiale. Lo scambio di segnali con le cellule nervose è difficile e la creazione di matrici di microelettrodi necessarie è una sfida ingegneristica. Gran parte dello sforzo nello sviluppo di OI è dedicato al mantenimento dell'oggetto di studio in condizioni operative, piuttosto che allo sviluppo di metodi di apprendimento per il cervello artificiale.

Pertanto, l'approccio bidimensionale all'OI non è considerato un vicolo cieco. Sebbene il potenziale di crescita creativa di una coltura di tessuto nervoso bidimensionale sia più limitato rispetto a un organoide tridimensionale, è tecnicamente più facile da mantenere. Dal 2019, la startup Cortical Labs sta sviluppando biochip neurali bidimensionali, a partire dal concetto di "cervello in una capsula di Petri" chiamato DishBrain, che ha imparato a giocare a Pong in soli cinque minuti, senza causare dolore al tessuto nervoso artificiale. I ricercatori si sono basati sul principio dell'energia libera, che afferma che un sistema complesso cerca di ridurre al minimo l'imprevedibilità e di ordinare le informazioni accumulate. Quando DishBrain sbagliava, i ricercatori fornivano rumore bianco ai suoi input; quando colpiva la palla con successo, lo premiavano con un segnale armonico. Questo è stato sufficiente per imparare le basi del gioco. Nel 2017, quando Google DeepMind ha addestrato il suo modello di IA avanzato allo stesso gioco, ha raggiunto un livello decente (circa l'85% di vittorie) solo dopo diverse ore.

Nel 2025, al MWC di Barcellona, Cortical Labs ha presentato il computer bio-semiconduttore ibrido CL1, un chip di silicio inserito in un bioreattore su cui è coltivata una colonia di circa 800.000 neuroni umani (ottenuti anche da cellule staminali), interagendo con i circuiti logici del chip attraverso una matrice di microelettrodi con 59 pad di contatto. L'interfaccia bidirezionale fornisce stimoli di controllo (impulsi elettrici) ai neuroni e riceve risposte da essi, realizzando un loop di feedback per l'apprendimento di rinforzo. Il sistema operativo biologico (biOS) proprietario, sviluppato anche da Cortical Labs, simula un ambiente digitale per l'interazione dei neuroni, consentendo agli utenti di "programmare" la risposta delle cellule nervose biologiche a determinati stimoli modificando questo ambiente. Questo approccio consente di emulare non solo il gioco di Pong, ma anche l'effetto di vari fattori avversi sul tessuto nervoso, aprendo ampie opportunità per studiare l'effetto dei farmaci sul cervello vivente. Un'unità di supporto vitale autonoma crea condizioni ottimali per i neuroni all'interno di CL1, consentendo loro di rimanere vivi e funzionali fino a sei mesi, e potenzialmente più a lungo.

Nello stesso 2025, Tianyi Liu e colleghi dell'Università di Bristol hanno pubblicato un preprint che descrive un sistema di soli tre organoidi neurali in grado di abbinare i simboli del Braille alle lettere dell'alfabeto inglese con una precisione dell'83%, e anche un singolo organoide ha completato l'attività a un livello decente del 61%. I segnali tattili primari per il sistema sono stati formati da un sensore neuromorfico specializzato, Evetac, e attraverso una matrice di microelettrodi a bassa densità, simile a quella utilizzata in Cortical Labs, gli stimoli sono stati applicati al tessuto nervoso. In questo esperimento, l'organizzazione del lavoro congiunto degli organoidi fisicamente separati è importante: è chiaro che per risolvere problemi seri sono necessari decine e centinaia di milioni di neuroni che agiscono in un'unica rete neurale, ma la formazione di un organoide intero così grande, come abbiamo detto, è una notevole sfida ingegneristica. Una configurazione multi-organoide è un modo più realistico per aumentare le prestazioni dei calcoli di OI.

Se si legge attentamente l'annuncio del bio-computer CL1, si possono sentire note meno brillanti. Si ha la sensazione che i creatori di questo sistema non capiscano appieno per quali attività applicative, non risolvibili (o risolvibili in modo inefficiente) con altri mezzi disponibili, possa essere utilizzato direttamente ora, nel suo stato attuale, piuttosto modesto. Ed è difficile biasimarli per questo: con tutti i suoi vantaggi, il tessuto nervoso è una parte del tessuto della nostra evoluzione biologica di miliardi di anni. È emerso e si è sviluppato non da considerazioni astratte di ottimizzazione - come la stessa architettura di Von Neumann - ma in risposta a condizioni molto specifiche in cui innumerevoli generazioni di organismi viventi hanno vissuto e lottato per l'esistenza. Prendiamo, ad esempio, una caratteristica così importante del cervello biologico come la memoria a lungo termine: i modelli di IA cloud avanzati non possono vantare una finestra contestuale paragonabile ad essa - e non saranno in grado di farlo per molto tempo a venire: le catene di token autoregressive troppo lunghe diventano troppo costose. E negli esseri viventi, la memoria a lungo termine è "cresciuta" da sola molto tempo fa come necessità evolutiva - grazie al senso di paura. In parole povere, quegli organismi il cui sistema nervoso primitivo ha formato associazioni stabili di alcuni oggetti (predatori, piante velenose) o condizioni (alta temperatura, aumento della concentrazione di sostanze nocive) con il pericolo, di volta in volta hanno lasciato più prole vitali. In particolare, negli esseri con un cervello sviluppato, in una situazione di stress viene prodotto il neurotrasmettitore noradrenalina; stimola un certo gruppo di neuroni inibitori nell'amigdala - e quindi impedisce la cancellazione dei ricordi spaventosi. Ne consegue che comunicando con i neuroni viventi solo elettricamente, senza l'ausilio di neurotrasmettitori chimici, in linea di principio non si attiveranno quei meccanismi che si sono sviluppati naturalmente in queste cellule, che per le reti neurali artificiali basate su di esse non sarebbero solo utili, ma vitali.

Ciò significa che è necessario riprodurre interamente il cervello vivente in laboratorio, con tutta la sua chimica interna, oppure rinunciare ai neuroni naturali eccessivamente complessi. E coltivare, anche con gli stessi metodi biologici, una sorta di loro somiglianza, orientata allo scambio esclusivamente di segnali elettrici, senza alcuna neurochimica, - ma comunque in tre dimensioni, con un'altissima densità di connessioni (i neuroni del cervello umano possono avere fino a 200.000 contatti sinaptici, che in assenza di neurotrasmettitori dovranno essere emulati anche non con numeri a 24 bit, ma in un modo ancora più sofisticato) e con la massima efficienza possibile. Tuttavia, l'indiscutibile complessità di questo compito spaventa di meno, basta calcolare attentamente il beneficio atteso dalla sua soluzione di successo. In una struttura tridimensionale di neuroni artificiali, i ritardi sui percorsi di comunicazione tra singoli nodi della rete neurale scelti casualmente sono molto inferiori rispetto a una struttura bidimensionale - il che consente sia di ridurre il tempo medio di passaggio di un singolo impulso, sia di formare strutture di elaborazione della catena di segnali molto più complesse (rispetto alle reti neurali dense multistrato).

L'uso di neuroni veramente biologici - ottenuti artificialmente da cellule staminali, ma comunque viventi - è irto di un problema così serio come la loro potenziale mortalità. Il vivente, tra l'altro, a priori non deve necessariamente morire: alcuni batteri, dividendosi durante la mitosi, in realtà si auto-riproducono per sempre in forma immutata - se non si considerano i danni casuali ai cromosomi. Ma con gli organismi multicellulari è diverso e le singole cellule hanno un ciclo di vita ben definito. Contrariamente all'espressione comune "le cellule nervose non si ripristinano", la neurogenesi nel cervello, compresi gli animali superiori, è ancora in corso - cioè, parte delle cellule staminali fin dalla fase di embriogenesi è come se si intorpidisse, in modo che quando necessario, quando i neuroni che hanno vissuto la loro vita falliscono, il loro posto possa essere occupato da nuovi. Va capito che le funzioni superiori del cervello - in particolare, la memoria - vengono realizzate attivando alcuni contatti specifici delle cellule nervose nella rete generale, cioè, in realtà sono formate dall'attività estremamente dinamica (plastica) delle sinapsi, e non grazie al mantenimento di alcuni analoghi di bit e byte all'interno degli stessi neuroni. Quindi, anche se i neuroni artificiali (ma viventi) smettessero di funzionare all'interno del bio-computer abbastanza velocemente - ricordiamo, per CL1 il periodo "di garanzia" del suo funzionamento è fino a sei mesi - con la presenza di una rete sinaptica ben organizzata sarà possibile sostituire le cellule nervose morenti con nuove, introdotte secondo necessità dall'esterno, senza danneggiare l'attività "mentale" di questo sistema di calcolo. Ma poi, ancora una volta, bisogna innanzitutto prendersi cura della formazione di una rete di comunicazione così altamente plastica e stabile. E come si possa ottenere questo solo su base elettrica, senza quelle proteine che sono responsabili negli organismi viventi della creazione di connessioni sinaptiche - finora non è chiaro.

Oggi, gli esperti nel campo nascente del bio-computing parlano con ottimismo dei "decenni" che devono essere trascorsi prima della comparsa di neuro-computer seriali con OI, realmente capaci di risolvere problemi applicativi in modo più economico e/o più veloce degli attuali modelli di IA completamente virtuali, emulati nella memoria dei server di Von Neumann. L'intelligenza organoide, anche tenendo conto di tutte le difficoltà oggettive (solo tecniche; sui prossimi cavilli morali e legali con lo sfruttamento da parte dell'uomo di una vera e propria intelligenza artificiale biologica, per ora non cominciamo nemmeno a parlare), è estremamente attraente per le sue innate, come si dice, capacità di auto-organizzazione plastica e attività dinamica. Dopotutto, abbiamo già un'idea di ciò che un cervello biologico ben organizzato, sorto in modo naturale, è capace di fare - basta guardarsi intorno e valutare i frutti del suo lavoro. Sicuramente, la sua abile imitazione fatta a mano, se non supererà l'originale, avrà tutte le possibilità di mettersi alla pari con esso.

L'integrazione di reti neurali viventi con piattaforme di calcolo più tradizionali (a quel punto, molto probabilmente, non solo a semiconduttore, ma anche fotoniche e quantistiche) consentirà - in teoria - di creare sistemi con un circuito chiuso, combinando l'adattabilità dei tessuti biologici con la scalabilità e l'interpretabilità dell'IA a noi familiare oggi. L'obiettivo a lungo termine che si pongono i ricercatori che lavorano sull'OI è quello di creare piattaforme bio-ibride capaci di apprendere, formare una memoria veramente a lungo termine e praticamente inesauribile, nonché risolvere efficacemente problemi specifici dell'attività nervosa superiore, per i quali i supercomputer attuali spendono troppe risorse. Qui, ovviamente, si pone in modo particolarmente acuto la questione della potenziale insorgenza di coscienza in tali sistemi e dell'uscita sull'altrettanto famigerata AGI - ma in ogni caso, prima che questa questione abbia una possibilità non illusoria di passare alla pratica, resta ancora molto, molto tempo.