Vědci vypěstovali mozky, které čtou Braillovo písmo a ovládají robotické psy. Biologické PC mohou nahradit klasické čipy
Laboratorní organoidy menší než milimetr rozpoznaly písmena Braillovy abecedy s 83% přesností. Jiný tým živými neurony navigoval robotického psa.
Obsah článku
Dva nezávislé výzkumy publikované v roce 2026 posunuly biologické počítání z kategorie „zajímavý experiment“ do kategorie „funkční prototyp“. Na University of Bristol vědci vypěstovali trojici mozkových organoidů, tedy trojrozměrných shluků lidské nervové tkáně o průměru menším než jeden milimetr, z nichž každý obsahoval přibližně deset tisíc neuronů. Následně je nechali zpracovávat hmatové signály zakódované jako Braillovo písmo. Mezitím australská firma Cortical Labs ve spolupráci s Honda Research Institute Europe představila systém, v němž živé neurony na křemíkovém čipu řídily navigaci agenta v uzavřené zpětnovazební smyčce. Podle reportáže New Scientist byla tato technologie později využita také k ovládání fyzického robotického psa. Ani jeden z těchto systémů zatím nepředstavuje „biologický notebook“ v běžném slova smyslu. Jde však o první příklady využití živé nervové tkáně jako specializovaného koprocesoru pro úlohy, při nichž klasické čipy narážejí na limity adaptace, množství potřebných trénovacích dat nebo energetické náročnosti.
Jak organoid přečte Braillovo písmeno
Bristolský tým neučil organoidy číst pomocí zraku. Místo toho použil hmatový senzor Evetac, který snímal vzory odpovídající všem 26 písmenům Braillovy abecedy při pěti různých hloubkách přítlaku. Z takto zaznamenaných asynchronních hmatových událostí vědci vytvořili elektrické stimulační signály, které následně přiváděli do organoidů prostřednictvím osmi elektrod na multielektrodovém poli. Organoidy reagovaly vlastní nervovou aktivitou a klasifikátor typu SVM z těchto reakcí určoval, které písmeno bylo předloženo.
Jeden organoid dosáhl přesnosti přibližně 61 %. Když výzkumníci spojili odpovědi všech tří organoidů, přesnost vzrostla na 83 %. Důležité je upozornění, které tisková zpráva University of Bristol výslovně zdůrazňuje: experiment neprokázal schopnost učení v čase. Organoidy dokázaly signály zpracovat a reagovat na ně natolik informativně, že klasifikátor mohl určit příslušné písmeno. Samotné organoidy se však neučily ani postupně nezlepšovaly. Šlo o systém s otevřenou smyčkou, který převáděl hmatové podněty na biologické odpovědi, nikoli o proces trénování.
Neurony na čipu, které navigují robotického psa
Cortical Labs přistoupily k problému z opačné strany. Jejich platforma CL1 je biohybridní systém, v němž živé neurony rostou na křemíkovém čipu. Součástí zařízení je také interní systém zajišťující podmínky potřebné k udržení buněk při životě, a to po dobu až šesti měsíců. Nad biologickou částí funguje softwarová vrstva, která umožňuje vytvořit uzavřenou zpětnovazební smyčku. Neurony tak dostávají informace o prostředí v reálném čase a mohou na ně reagovat.
V primárním článku, který autoři prezentovali na konferenci NeurIPS 2026 v Sydney, popisují navigaci v simulovaném prostředí typu grid-world o rozměrech 6 × 6 polí. Biologická neuronová kultura v něm řídila agenta, který sledoval „pachovou“ stopu vedoucí k cíli. Rozsah experimentu byl značný: tým otestoval přibližně 1 300 konfigurací parametrů na 26 neuronových kulturách a uskutečnil zhruba 4 000 hodin interakcí. V tomto srovnávacím testu biologické neuronové sítě překonaly optimalizovaný algoritmus Deep Q-Network (DQN). Konkrétně dosáhly 1,18násobného, respektive 1,25násobného výkonu oproti algoritmu v jednotlivých skupinách při stejném počtu interakcí s prostředím.
A co robotický pes? Tady je potřeba rozlišovat mezi tím, co dokládá vědecká studie, a tím, co uvádějí média. Primární článek popisuje navigaci v simulaci. Informace o fyzickém robotickém psu se v dostupných otevřených zdrojích objevují především v sekundárních reportážích. New Scientist například odkazuje na video zveřejněné společností Cortical Labs, v němž firma ukazuje přenos natrénovaného navigačního řízení na skutečného robota. Podrobný veřejně dostupný technický popis této demonstrace však zatím chybí.
Co odlišuje biologický čip od křemíkového
Klasický procesor pracuje deterministicky. Zadáte mu instrukci a za daných podmínek dostanete předvídatelný výsledek. Biologická neuronová síť je naproti tomu ze své podstaty proměnlivá a schopná adaptace. Její reakce se mohou mírně lišit, což nemusí být nevýhodou. Právě schopnost přizpůsobovat se měnícím se podmínkám je jednou z vlastností, díky nimž by biologické systémy mohly být užitečné při řešení specifických úloh. Zatímco některé přístupy založené na křemíkových čipech vyžadují rozsáhlé trénovací soubory a značný výpočetní výkon, biologický substrát by se mohl v určitých případech přizpůsobovat i s menším množstvím vstupních dat.
Z hlediska energetické náročnosti je zajímavé srovnání s lidským mozkem, který při své činnosti spotřebovává přibližně 20 wattů. Maximální příkon jediného čipu NVIDIA H100 přitom dosahuje až 700 wattů. Cortical Labs hovoří o výrazně nižší energetické náročnosti svých biologických systémů, ale bez veřejně dostupných podrobných údajů o spotřebě platformy CL1 je vhodné mluvit spíše o potenciálu této technologie než o konkrétním poměru úspor.
Jedním ze způsobů, jak se vypořádat s nepředvídatelností biologických systémů, je pečlivě navrhnout kódování vstupů a dekódování výstupů. Důležité je také testování různých parametrů stimulace. Bristolský experiment navíc ukázal, že propojení více organoidů do společného systému může pomoci omezit vliv individuální variability a zvýšit přesnost výsledků.
Náhrada klasických čipů je zatím horizont, ne realita
Z těchto experimentů rozhodně nevyplývá, že biologické systémy v dohledné době nahradí procesory CPU nebo grafické čipy GPU. Bristolský tým sám upozorňuje, že jeho experiment neprokázal schopnost učení ani dlouhodobé změny organoidů. Platforma CL1 je sice komerčně dostupná, jejími zákazníky jsou však především výzkumné laboratoře. Ty na ní zkoumají zpracování informací v neuronech, sledují účinky různých látek a hledají alternativy k některým typům pokusů na zvířatech.
Realističtější výhled nabízí přehledová studie publikovaná v časopise Biotechnology Advances. První praktické aplikace se podle tohoto směru výzkumu mohou objevit při modelování neurologických onemocnění a preklinickém testování léčiv. Teprve v delším časovém horizontu by mohly následovat adaptivní systémy pro robotiku a další specializovaná zařízení. Mezi hlavní překážky průmyslového nasazení patří dlouhodobé udržení buněk při životě, standardizace rozhraní, reprodukovatelnost výsledků a etická regulace.
Etika: regulace nestíhá za vědou
Nuffield Council on Bioethics v květnu 2026 upozornil na nedostatky v regulaci, které se objevují s rostoucí komplexitou neurálních organoidů. Kdo má udělovat souhlas s použitím buněk? Kde leží hranice morálního statusu tkáně, která dokáže zpracovávat informace? A co když podobné systémy v budoucnu získají určitou formu subjektivního prožívání?
Brett Kagan ze společnosti Cortical Labs v médiích uvádí, že u současných systémů neexistují důkazy o bolesti či utrpení. Zároveň ale zdůrazňuje potřebu průběžného monitorování za účasti nezávislých odborných skupin. V Česku se výzkumu mozkových organoidů věnují například Biotechnologický ústav AV ČR a Ústav experimentální medicíny. CIIRC ČVUT zase buduje v rámci centra CLARA infrastrukturu pro výzkum mozku a umělé inteligence. Komerční biologické počítání na platformě typu CL1 se však v Česku zatím neprovozuje.
Nejsme na prahu éry živých notebooků. Jsme na začátku období, kdy se živá nervová tkáň začíná využívat jako programovatelná výpočetní součástka. Jaké možnosti tato technologie skutečně nabídne a kde budou její hranice, teprve zjišťujeme.