Articolo

Andrea Daniele Signorelli

Abbiamo messo dei neuroni umani dentro un computer. Che cosa abbiamo creato?

La creazione di un essere umano sintetico deve seguire una ricetta ben precisa, descritta nel testo arabo del X secolo Kitāb al-nawāmīs (nella traduzione latina: Liber vaccae, ovvero “il libro della mucca”). Prima di tutto, è necessario depositare dello sperma umano nell’utero di una mucca, che deve essere rinchiusa in un edificio senza finestre e nutrita con sangue animale fino a quando non dà alla luce un essere completamente privo di pelle. La creatura appena nata deve poi riposare al buio, immersa in una polvere composta da pietra del sole, zolfo, magnetite e ossido di zinco, affinché possa sviluppare una pelle umana.

Rinchiuso in un recipiente di vetro e tenuto lontano dalla luce solare, l’essere comincia a muoversi e a nutrirsi del latte e del sangue della madre. Trascorso un anno, l’entità, ormai del tutto simile a un essere umano nell’aspetto e nell’intelligenza, inizierà a rivelare segreti al proprio creatore, svelando “tutte le cose che sono assenti”.

Come spiega Laura Tripaldi – ricercatrice al Center for AI and Culture di NYU Shanghai – nel suo splendido paper Substrates Unbound, “la creazione di esseri artificiali di questo tipo, che nell’Europa medievale divennero noti con il nome di homunculi, è stata uno dei più ambiziosi obiettivi dell’alchimia occidentale, assieme alla trasformazione del metallo in oro”. Più che una disciplina sistematica, l’alchimia raccoglieva una grande varietà di conoscenze e pratiche accomunate dal tentativo di intervenire sulla materia, tanto organica quanto inorganica. Pur appartenendo a un territorio più vicino alla magia che alla scienza come la intendiamo oggi, queste sperimentazioni avevano dato origine a riflessioni filosofiche sulla distinzione tra ciò che è naturale e ciò che è prodotto artificialmente. Interrogativi che, con l’avvento delle nuove tecnologie, hanno assunto un’importanza sempre maggiore.

L’alchimia non cercava quindi di imitare la natura con mezzi artificiali, come avveniva invece con la tradizione meccanica degli automi. L’obiettivo era piuttosto riprodurre e accelerare in laboratorio gli stessi processi materiali che avvengono spontaneamente in natura. La trasformazione dei metalli in oro, per esempio, veniva concepita come una versione artificiale e più rapida dei processi geologici naturali. Naturale e artificiale non erano quindi visti come mondi contrapposti, e la tecnica interveniva sulla natura proprio perché ne utilizzava le stesse dinamiche profonde.

Questa continuità tra naturale e artificiale, e l’insistenza sulla replica esatta dei processi naturali, rendono l’alchimia un’inattesa antenata della disciplina che va oggi sotto il nome di “biologia sintetica”: il campo di ricerca che applica princìpi e metodi dell’ingegneria alla biologia per progettare, modificare o costruire cellule e sistemi viventi con funzioni specifiche. “Oggi, a più di mille anni dalla prima ricetta conosciuta per creare un homunculus, i ricercatori stanno sviluppando i primi processori informatici che utilizzano reti di neuroni umani come substrato”, continua Tripaldi.

Biomimesi e tecnomorfismo

È esattamente quello che sembra: delle colture di neuroni umani vengono fatte crescere su degli appositi processori per effettuare calcoli. Ed è proprio tramite questo sorprendente sviluppo – che approfondiremo più avanti – che il confine tra naturale e artificiale torna a complicarsi, mettendo in crisi le due principali prospettive attraverso cui abbiamo tradizionalmente pensato il loro rapporto: la biomimesi e il tecnomorfismo. 

Nella lettura di Tripaldi, la biomimesi è l’idea che la tecnologia possa al massimo imitare i processi naturali senza riuscire a riprodurli davvero. In questa prospettiva, il cervello e l’intelligenza biologica mantengono una sorta di primato: una macchina può simulare alcune funzioni della mente, ma non può avere le proprietà del substrato biologico che rendono possibili quelle funzioni. È una distinzione che il neuroscienziato Anil Seth illustra attraverso un esempio diventato celebre: una simulazione al computer di un temporale, per quanto accurata, non produrrà mai vera pioggia. Allo stesso modo, riprodurre digitalmente il funzionamento del cervello non significa generare coscienza, che potrebbe dipendere dalle caratteristiche fisiche e biologiche dell’organismo e non soltanto dai processi computazionali. 

Secondo Tripaldi, questa concezione della biomimesi rischia però di trattare la natura come qualcosa di essenzialmente unico e non replicabile, mantenendo una separazione rigida tra organismo e macchina.

In sintesi, scrive Tripaldi, nella biomimesi “la natura non può mai essere riprodotta completamente in modo artificiale e la realtà tecnica non è altro che un’imitazione imperfetta dei processi naturali, la cui vera essenza rimane al di fuori della portata della tecnologia. […] In altre parole, le funzioni mentali sarebbero un prodotto specifico del cervello, e soltanto del cervello, il che implica che nessun altro substrato possa produrre effetti comparabili”.

All’estremo opposto c’è il tecnomorfismo, in cui non è la tecnologia a essere pensata come imitazione della natura, ma è la natura stessa a essere interpretata attraverso il modello della macchina. “Da un punto di vista tecnomorfo, affermare che ‘l’organismo è una macchina’ significa ritenere che la categoria di ‘macchina’ sia abbastanza ampia e potente da fungere da modello anche per l’organismo”, si legge sempre in Substrates Unbound. “Da qui deriva un’altra implicazione importante: se la nozione di macchina può comprendere tanto dadi e bulloni quanto sangue e carne, allora essa rimanda a una realtà concepita come indipendente dalla sua incarnazione materiale”. 

Il problema del tecnomorfismo è speculare a quello della biomimesi: invece di attribuire troppo potere alla natura, si finisce per attribuirne troppo poco alla materia concreta, trattando i substrati – cioè i supporti materiali attraverso cui un’elaborazione o un compito vengono concretamente svolti – come intercambiabili, trascurando il fatto che possano influenzare non solo il modo in cui un’elaborazione viene svolta, ma anche quali tipi di elaborazione siano possibili.

Saranno le interfacce neurali, che permettono di collegare neuroni e computer, a mettere in discussione la dicotomia tra naturale e artificiale. Le basi di questa tecnologia risalgono agli anni Venti del Novecento, quando lo sviluppo dell’elettroencefalografia (EEG) permise per la prima volta di misurare l’attività elettrica del cervello umano e osservare come variasse in relazione all’attività cognitiva.

Intelligenza biologica sintetica

A partire dagli anni Settanta, gli scienziati iniziarono a immaginare che i segnali elettrici del cervello potessero essere utilizzati per comunicare con sistemi informatici. Un’idea che poi evolverà in due direzioni differenti: da una parte la “internalizzazione del computer” (quindi le interfacce cervello-computer, in stile Neuralink); dall’altra la “esternalizzazione del cervello”, che prevede di coltivare in vitro reti di neuroni al di fuori del corpo per metterle in comunicazione diretta con sistemi elettronici.

È un’idea – che suona al contempo fantascientifica e vagamente “frankensteiniana” – che risale ormai a quasi trent’anni fa. È infatti il 1997 quando un gruppo di ricercatori del Caltech annuncia la costruzione della prima interfaccia neurale in vitro, battezzata “neurochip”. Il sistema era ancora estremamente rudimentale: i neuroni, prelevati da embrioni di ratto, venivano inseriti manualmente uno a uno in minuscole cavità ricavate nel silicio, dove riuscivano a sopravvivere per non più di due settimane. I limiti erano soprattutto biologici: i neuroni maturi non si dividono e, una volta estratti dal tessuto embrionale o neonatale, sopravvivono solo per brevi periodi.

La svolta arriva nel 2006 con lo sviluppo delle cellule staminali pluripotenti indotte (iPSC), ottenute riportando cellule adulte a uno stato più precoce, simile a quello staminale (cioè ancora capace di trasformarsi in diversi tipi di cellule), dal quale possono poi essere differenziate in quasi qualunque tipo di cellula, compresi i neuroni della corteccia cerebrale. Negli anni immediatamente successivi diventa così possibile disporre di una fonte rinnovabile e scalabile di neuroni umani coltivabili in vitro, senza doverli prelevare direttamente da tessuti embrionali.

Parallelamente migliora anche la componente elettronica. Se il neurochip del 1997 disponeva di appena sedici elettrodi, gli attuali array multielettrodo ad alta densità (HD-MEA) possono concentrarne decine di migliaia in pochi millimetri quadrati. Questo consente non soltanto di registrare con grande precisione l’attività delle reti neuronali, ma anche di inviare loro stimoli elettrici in tempo reale, creando una comunicazione bidirezionale sempre più sofisticata tra substrato biologico ed elettronico.

È proprio l’incontro tra questi due sviluppi – la possibilità di coltivare reti neuronali umane stabili e quella di stimolarne l’attività con grande precisione – ad aprire la strada a forme di computazione biologica che fino a pochi anni prima sarebbero state difficili persino da immaginare. E così, nel 2022, arriviamo a DishBrain, un dispositivo biotecnologico – creato dalla startup australiana Cortical Labs – che mette in comunicazione una rete di neuroni vivi con un sistema elettronico capace sia di registrarne l’attività sia di inviare loro stimoli in tempo reale. Il gruppo, guidato dal neuroscienziato Brett Kagan, ha definito questo approccio synthetic biological intelligence (SBI, intelligenza biologica sintetica): l’idea è di non limitarsi a osservare i neuroni, ma inserirli in un ambiente artificiale con cui possano interagire e modificare progressivamente il proprio comportamento.

A differenza della prima immagine che potrebbe venire in mente, DishBrain non si presenta come un cervello in miniatura. È piuttosto una piccola piastra da laboratorio su cui viene fatta crescere una sottile coltura di neuroni, distesa sopra una griglia di microelettrodi. A occhio nudo si presenta quindi come un dispositivo molto più vicino a una capsula da laboratorio che a un organo: la parte “intelligente” non ha una forma riconoscibile, ma consiste in uno strato di cellule vive che si connettono tra loro mentre, immediatamente sotto, la parte elettronica registra i loro segnali e invia nuovi impulsi. DishBrain è quindi un sistema propriamente ibrido: la coltura neuronale costituisce la componente biologica, mentre elettrodi, elettronica e software permettono di stimolare i neuroni, leggerne l’attività e tradurla in operazioni informatiche.

“Queste cellule, una volta messe in coltura in un ambiente controllato con la temperatura giusta e con i nutrienti necessari, crescono e formano delle reti”, mi spiega Luca Berdondini, ricercatore dell’Istituto Italiano di Tecnologia e cofondatore – oggi fuoriuscito – di 3Brain, startup specializzata in interfacce neuroelettroniche. “Queste reti neuronali hanno proprietà estremamente interessanti. Sono plastiche, possono modificare l’attività elettrica che esprimono e – dal momento che i neuroni sono cellule capaci di generare e trasmettere segnali elettrici – comunicano tra loro formando una rete. Se poi il sistema invia loro degli stimoli e ne registra le risposte, è possibile non soltanto osservare come la rete evolve nel tempo, ma anche interagire con essa: la coltura neuronale si adatta e risponde”.

Per mostrarne le capacità, i ricercatori che hanno sviluppato DishBrain hanno collegato la rete neuronale a una versione simulata di Pong, il videogioco Atari degli anni Settanta che riproduce una partita di ping pong virtuale. Gli elettrodi trasmettevano ai neuroni informazioni sulla posizione della pallina rispetto alla racchetta, mentre l’attività elettrica prodotta dalla rete veniva tradotta nei movimenti della racchetta stessa. Il risultato era un circuito chiuso: ciò che i neuroni facevano modificava il gioco e, a sua volta, il gioco determinava gli stimoli successivi inviati alla rete.

“I ricercatori hanno scelto arbitrariamente due aree della coltura cellulare, assegnando a una il movimento della racchetta verso l’alto e all’altra quello verso il basso”, prosegue Berdondini. “Quando la racchetta colpiva la pallina, la coltura riceveva una stimolazione prevedibile; quando invece falliva, riceveva una stimolazione casuale e imprevedibile, quasi a dire alla coltura: ‘Guarda che stai sbagliando’. Ripetendo questo addestramento hanno mostrato che la capacità di giocare a Pong migliorava nel tempo. È certamente un risultato interessante, ma non significa aver dimostrato l’intelligenza di un sistema in vitro: dimostra piuttosto che è possibile addestrare una coltura biologica a svolgere un compito molto semplice, rinforzando progressivamente le connessioni utili a ottenere il comportamento desiderato”.

Questa dinamica potrebbe ricordare quella delle reti neurali “classiche” (in cui l’apprendimento passa attraverso il rafforzamento o l’indebolimento delle connessioni), ma in realtà l’analogia, secondo Berdondini, è parziale: “È un po’ diverso. Nelle reti artificiali servono enormi quantità di dati per adattare e ottimizzare i pesi della rete. Nelle colture cellulari, invece, c’è una plasticità dipendente dall’attività: attraverso il circuito chiuso si possono stimolare e allenare le connessioni tra i nodi della rete biologica. La coltura, in questo senso, impara mentre sta giocando a Pong; i modelli di AI tradizionali imparano invece durante una fase di addestramento basata su volumi enormi di dati. Inoltre, naturalmente, i compiti svolti oggi dai modelli di intelligenza artificiale sono incomparabilmente più complessi”.

“Il metodo è ovviamente diverso nella pratica, ma il principio non è poi così distante”, sostiene invece Laura Tripaldi, che mi racconta: “In fondo, anche alla base della synthetic biological intelligence di Cortical Labs c’è una forma di apprendimento per rinforzo utilizzata per insegnare ai neuroni a svolgere un compito, come giocare a un videogioco”. Alcuni aspetti del deep learning e dell’intelligenza artificiale non simbolica – che apprende dai dati invece di operare principalmente attraverso simboli e regole esplicitamente codificati – ci stanno quindi già spingendo a ripensare il nostro rapporto con le macchine e a confrontarci con le cosiddette black box, sistemi il cui funzionamento interno è difficile da interpretare. “Dobbiamo cambiare i nostri paradigmi, ma in un certo senso li stiamo già cambiando e li abbiamo già cambiati: può essere che il passo verso questi nuovi sistemi non sia così grande come pensiamo”.

Le differenze, comunque, restano profonde, soprattutto sul piano materiale. Nelle reti neurali artificiali, i neuroni sono unità matematiche standardizzate: possono avere pesi e valori differenti, ma sono costruiti secondo le stesse regole e il loro funzionamento è definito con precisione. Nella “tecnologia biologica”, come la definisce Berdondini, i neuroni sono invece cellule vive, inevitabilmente diverse l’una dall’altra e impossibili da riprodurre in maniera perfettamente identica. Questo potrebbe far pensare a un comportamento molto più variabile e imprevedibile rispetto alle reti neurali artificiali, ma le cose non stanno così.

“Nella tecnologia artificiale dobbiamo costruire componenti il più possibile uguali tra loro e garantire una qualità costante. La biologia non funziona così, ma tende a adattarsi”, spiega Berdondini. “Nei nostri esperimenti utilizzavamo neuroni provenienti ogni volta da animali diversi, con colture composte da cellule diverse anche per numero. Eppure tutte convergevano verso la stessa dinamica. Abbiamo osservato che queste colture non esprimono un’attività casuale, ma pattern molto stereotipati durante il loro sviluppo. È un dato biologico: la rete si sta formando e, sebbene le colture siano diverse, convergono verso l’espressione della stessa dinamica in modo estremamente ricorrente. È come se esistesse una sorta di principio organizzativo, che oggi ancora non comprendiamo, capace di guidare la formazione di queste reti”.

È proprio questa capacità del substrato biologico di trasformarsi e adattarsi nel tempo a rappresentare una delle differenze fondamentali rispetto ai sistemi di intelligenza artificiale attuali: “Un cervello si modifica a livello strutturale nel corso della sua vita e delle sue esperienze: è un’intelligenza plastica, che si adatta. E questa capacità è legata alle specifiche caratteristiche materiali del tessuto neurale”, racconta Laura Tripaldi.

Tutto questo incrina anche una distinzione fondamentale dell’informatica tradizionale: quella tra hardware e software. In un computer convenzionale, il supporto materiale è progettato per essere stabile, mentre a cambiare sono i programmi, i dati o, nel caso delle reti neurali artificiali, i pesi del modello. In DishBrain questa separazione diventa molto meno netta. La rete elabora le informazioni tramite cellule vive e, mentre apprende, modifica materialmente le proprie connessioni. Il substrato biologico non si limita quindi a eseguire un’elaborazione definita altrove, ma si trasforma nel corso dell’elaborazione stessa. Da un certo punto di vista, è un’inversione della traiettoria inaugurata dalla macchina universale di Alan Turing, con cui l’informatico britannico aveva teorizzato che uno stesso dispositivo, mantenendo stabile la propria struttura, potesse svolgere operazioni diverse semplicemente cambiando le istruzioni che riceve. In DishBrain, invece, al mutare di ciò che il sistema impara cambia anche materialmente la rete che esegue l’elaborazione.

La questione del substrato torna così al centro. DishBrain sembra infatti sfuggire a entrambe le interpretazioni incontrate all’inizio. Da una parte mette in crisi il tecnomorfismo e la sua idea di un’intelligenza sostanzialmente indipendente dal supporto materiale: in questi sistemi, le proprietà specifiche dei neuroni – plasticità, capacità di auto-organizzarsi, variabilità – contribuiscono direttamente a determinare ciò che la macchina può fare. Dall’altra, mette in difficoltà anche la biomimesi, perché quelle stesse proprietà biologiche non restano confinate all’interno di un organismo naturale, ma vengono incorporate in un dispositivo artificiale, collegate a componenti elettroniche e utilizzate per svolgere un compito. Non si tratta quindi di imitare il funzionamento di un cervello biologico, ma di utilizzare direttamente neuroni viventi all’interno di una macchina.

Sia la biomimesi, sia il tecnomorfismo, scrive Tripaldi, “cancellano l’agency del substrato: la prima perché considera il substrato naturale come fisso e immutabile, il secondo perché tratta invece tutti i substrati come intercambiabili. Nessuno dei due paradigmi ereditati riesce a rendere conto degli intrecci complessi tra macchine e organismi, substrati e funzioni, che emergono dalle tecnologie contemporanee. […] Di fronte a questo confine, il potere dei substrati consiste invece proprio nel liberarsi: sottrarre la materia alla subordinazione alla funzione, e mettere in discussione la separazione tra artificio e natura”. Non dobbiamo quindi stabilire una superiorità della natura sulla tecnica o viceversa, ma riconoscere che la materia svolge un ruolo attivo e non è “un semplice palcoscenico passivo sul quale si realizzano funzioni astratte”. 

I computer biologici come DishBrain mostrano che la nano-intenzionalità (la capacità di reagire e adattarsi autonomamente all’ambiente) non è necessariamente una proprietà esclusiva degli organismi naturali, ma può essere incorporata anche in dispositivi progettati artificialmente. Mentre l’intelligenza artificiale basata sul silicio presuppone un substrato progettato per restare strutturalmente stabile, la synthetic biological intelligence sfrutta proprio la capacità della materia biologica di auto-organizzarsi, modificarsi e formare autonomamente nuove connessioni. 

Dal golem all’homunculus

Nella mitologia ebraica è presente la nota figura del golem: il servitore d’argilla che può essere creato solo da chi conosce i segreti della cabala. Secondo la leggenda che ha come protagonista il rabbino Jehuda Löw ben Bezalel, vissuto nel Cinquecento a Praga, in alcuni casi questi golem possono però sfuggire al controllo dell’essere umano.

Da un certo punto di vista, il golem può essere considerato uno degli antenati culturali della robotica e dell’intelligenza artificiale. In questo mito, il substrato – cioè la materia argillosa di cui la creatura è composta – ha infatti un ruolo sostanzialmente passivo, mentre i processi biologici vengono aggirati o simulati attraverso mezzi non biologici.

Con la tecnologia biologica, passiamo invece dal mondo del golem a quello dell’homunculus: “Invece di assumere come modello di riferimento la natura oppure la tecnologia, l’homunculus non nasce da una gerarchia metafisica prestabilita, ma da una negoziazione continua tra l’alchimista e la plasticità vitale della materia”, scrive Tripaldi. “La ricerca alchemica di un modo per generare artificialmente materia, vita e intelligenza si fondava infatti sulla convinzione che una continuità tra naturale e artificiale fosse possibile: non superando la natura o opponendosi alle sue forze, ma sfruttandone i processi materiali”.

Questo passaggio, come abbiamo visto, ha profonde implicazioni filosofiche e scientifiche. E dal punto di vista pratico, invece, che ricadute ha? “Questi modelli in vitro, che sono ancora una piattaforma di ricerca sperimentale, possono sicuramente essere un veicolo per capire meglio i meccanismi di calcolo del cervello umano, ma al momento non abbiamo ancora questa comprensione”, precisa Luca Berdondini. “Quello che possiamo fare oggi è mettere queste reti alla prova con compiti di calcolo specifici, per capire se possano essere in qualche modo utilizzate in un contesto applicato”.

Tecnologie come DishBrain e le piattaforme sviluppate da 3Brain – queste ultime nate dal lavoro di Berdondini sui chip ad alta densità di elettrodi per registrare e stimolare colture neuronali – possono già avere applicazioni molto concrete nella ricerca biomedica: “Oltre a essere un bellissimo modello per studiare i meccanismi alla base del funzionamento del cervello – la plasticità, la risposta ai farmaci, all’ambiente e alle variazioni – le piattaforme di 3Brain si collocano anche nello screening farmacologico: possono cioè essere utilizzate per testare farmaci e sviluppare modelli di patologie in vitro. […] Per alcuni passaggi dello sviluppo farmacologico, per esempio nei test di tossicità dei composti, questi sistemi possono offrire vantaggi che non sono necessariamente simulabili attraverso modelli artificiali e permettere di eseguire un gran numero di test senza ricorrere, almeno in alcune fasi, agli animali”.

In una parte crescente di questi esperimenti vengono utilizzate cellule umane derivate da staminali. Ma perché proprio umane? Negli esperimenti in cui DishBrain si cimentava con il Pong, sono state osservate alcune differenze a seconda dell’origine dei neuroni impiegati: mentre quelli di topo mostravano inizialmente prestazioni migliori, i neuroni umani apparivano capaci di apprendere più rapidamente e di mostrare movimenti nel gioco più “esplorativi”.

Berdondini ridimensiona però l’importanza pratica di questa differenza, soprattutto in un compito elementare come giocare a Pong: “A quel livello credo che cambi poco e non c’è per forza bisogno di usare cellule umane. Da una parte, ho l’impressione che l’utilizzo di neuroni umani serva proprio a enfatizzare l’avvicinarsi alle capacità e all’intelligenza dell’essere umano. Da un punto di vista pratico, e anche etico, il vantaggio è semmai che le cellule umane sono oggi già disponibili in linee derivate da staminali, quindi permettono di non sacrificare animali”.

I neuroni derivati da cellule staminali vengono infatti già prodotti in quantità e distribuiti da aziende specializzate che ne controllano la qualità. Questo non significa però che possano essere fabbricati con la stessa rapidità di un componente elettronico. Il processo di trasformazione delle cellule staminali in neuroni richiede tempo e, soprattutto nel caso delle cellule umane, servono diverse settimane o anche mesi prima che la coltura raggiunga un grado di maturazione e stabilità sufficiente per essere sottoposta a stimolazione, registrazione e addestramento.

È possibile immaginare che, un domani, queste reti neuronali in vitro – che comprendono sia colture neuronali bidimensionali sia strutture tridimensionali più complesse, chiamate “organoidi cerebrali” – diventino una sorta di nuove GPU, cioè i sofisticati processori usati per l’addestramento e l’impiego dei sistemi di intelligenza artificiale? In realtà, proprio Cortical Labs (la startup a cui dobbiamo DishBrain) sta andando in questa direzione, e nell’agosto 2026 ha presentato a Singapore, insieme all’operatore di data center DayOne e alla National University of Singapore, il primo prototipo di “data center biologico”.

Il sistema di Singapore è composto da venti sistemi di biocomputing (possiamo immaginarli come dei piccoli “computer biologici”, detti CL1) che integrano in un unico dispositivo una coltura di neuroni umani, un chip di silicio con microelettrodi, il software di controllo e il sistema necessario a mantenere vive le cellule. 

Il sistema trasforma i dati digitali in impulsi elettrici che gli elettrodi inviano ai neuroni; la rete reagisce producendo a sua volta segnali elettrici, che vengono registrati dagli elettrodi e riconvertiti in dati dal computer. Le venti unità sono collegate nella stessa struttura modulare, in modo che più reti biologiche possano essere utilizzate contemporaneamente come componenti di una stessa infrastruttura di calcolo.

Secondo Cortical Labs, ogni CL1 consuma circa 30 watt, compreso il sistema che mantiene vive le cellule, molto meno di una GPU di fascia alta. Ma l’azienda punta soprattutto sulle proprietà di adattamento dei neuroni. “Il biocomputing può affiancare l’intelligenza artificiale nei contesti in cui i dati sono scarsi, imparando da molti meno esempi e adattandosi quando le condizioni cambiano”, ha spiegato Hon Weng Chong, cofondatore di Cortical Labs.

“Quello di Cortical Labs è un risultato interessante in un contesto sperimentale e di ricerca”, precisa Berdondini. “Ma non possiamo fare un confronto diretto tra le prestazioni e i consumi energetici dei due sistemi, perché di mezzo c’è un abisso: penso che sia sbagliato paragonare i 30 watt di CL1 con i 700 watt di una GPU, perché non svolgono gli stessi calcoli, non hanno le stesse capacità e soprattutto c’è ancora molto da dimostrare sulle reali capacità di calcolo che queste colture potrebbero forse un giorno sviluppare”.

Il problema è che, proprio perché si tratta di materia vivente, queste reti introducono una serie di limiti differenti da quelli dei sistemi digitali. “Ci sono sfide legate alla riproducibilità delle colture neuronali, alla scalabilità e all’affidabilità”, spiega Berdondini. Le colture devono per esempio essere mantenute a temperatura controllata, nutrite e monitorate, hanno una durata limitata e cambiano nel tempo: attraversano una fase di sviluppo, una di relativa stabilità e infine una di declino, e ciò introduce ulteriore variabilità nel sistema. 

Nel prototipo di Singapore, per esempio, ogni tre giorni le cellule vengono letteralmente nutrite con una soluzione contenente zuccheri, micronutrienti e sostanze che mantengono stabile il pH, mentre un sistema separato regola la miscela di ossigeno, anidride carbonica e azoto. Nel CL1, i neuroni possono essere mantenuti in vita fino a circa sei mesi e le colture devono quindi essere periodicamente sostituite. Aumentare la capacità di calcolo non significa semplicemente aggiungere nuovi dispositivi, ma anche produrre, mantenere e sostituire una quantità crescente di materiale biologico.

Al di là della campagna di marketing di Cortical Labs, non siamo ancora nemmeno vicini alla creazione di un vero e proprio “data center biologico” in grado di sostituire quelli attuali: “È uno strumento di ricerca, qualcosa da cui – direttamente o indirettamente, comprendendo meglio i princìpi di calcolo e di funzionamento di queste reti – potremmo magari derivare nuove tecnologie”, spiega Berdondini. “L’ispirazione biologica è sempre stata alla base dell’innovazione scientifica e questo tipo di tecnologia ci permette di affrontare queste domande da una prospettiva diversa”.

“Anche se queste tecnologie non diventassero mai mainstream – e non credo che andremo mai all’Apple Store a comprare un DishBrain – questi sistemi di confine ci obbligano comunque a farci domande cruciali sulla natura dell’intelligenza e sul confine tra tecnologia e natura”, conclude Laura Tripaldi. “E in più sollevano domande pratiche: che cosa significa lavorare con sistemi di computazione non astratti, basati sulla plasticità materiale?”.

Non sappiamo insomma se queste tecnologie arriveranno mai a sostituire le GPU o i data center tradizionali. E questo non è nemmeno, almeno per ora, l’aspetto più interessante. Per secoli abbiamo interpretato il corpo e il cervello attraverso le tecnologie dominanti dell’epoca, dall’orologio al computer. Allo stesso tempo, abbiamo costruito nuove tecnologie ispirandoci agli organismi, come nel caso delle reti neurali artificiali. 

Ora siamo giunti a inserire direttamente neuroni biologici all’interno della macchina, lasciando che cambino, si adattino, formino nuove connessioni e contribuiscano a ciò che il sistema può fare. La materia non è quindi più né un supporto intercambiabile, come nel tecnomorfismo, né qualcosa di rigidamente vincolato a una funzione naturale prestabilita, come nella biomimesi. È la prospettiva che Laura Tripaldi definisce una “terza ontologia del substrato”, in cui la materia partecipa attivamente alla produzione di nuove forme di funzionamento, di computazione e forse, in futuro, di intelligenza.