All’Università del Massachusetts Amherst un gruppo di ingegneri ha costruito un neurone artificiale che lavora nello stesso regime elettrico di un neurone biologico. Non è un dettaglio di scala, è il punto. Il dispositivo opera intorno a 0,1 volt, cioè nella fascia tipica dei segnali neurali del corpo umano, e per questo può leggere e generare impulsi senza passare da stadi di amplificazione che oggi sono quasi inevitabili quando si tenta di collegare elettronica e tessuti viventi. In termini pratici significa ridurre circuiti, calore, consumo e ingombro, ma soprattutto significa rendere possibile una comunicazione “a livello nativo” tra una macchina e cellule che non tollerano tensioni più alte.
Per capire quanto sia grande la differenza basta guardare cosa succede di solito quando si prova a imitare un neurone con componenti elettronici. I tentativi precedenti tendevano a funzionare, ma in un’altra lingua elettrica: tensioni più alte, correnti più alte, energia per impulso più alta. Il risultato era un neurone artificiale che “spara”, ma che non può essere messo a contatto con un neurone o con un tessuto senza introdurre conversioni e protezioni, quindi senza perdere proprio quella parte di efficienza che rende il cervello interessante come modello. Il gruppo di Amherst dice di aver ridotto la tensione di un fattore dieci e la potenza di un fattore cento rispetto a versioni precedenti di neuroni artificiali. Il numero non va preso come slogan: serve a fissare una soglia. Sotto quella soglia l’interfaccia bioelettronica cambia natura.
Il confronto con l’intelligenza artificiale, in questo contesto, non è retorica: è un vincolo ingegneristico. Il cervello umano lavora con una potenza dell’ordine di decine di watt e fa calcolo, controllo motorio, percezione, memoria, previsione. Un modello linguistico moderno, per svolgere compiti che a livello fenomenologico sembrano simili, richiede infrastrutture che arrivano a potenze enormi, fino all’ordine del megawatt secondo la comunicazione legata a questo lavoro. Anche se quei numeri dipendono da hardware, carico, efficienza del data center e definizione del “compito”, la direzione è stabile: l’elettronica tradizionale paga caro il divario tra il suo modo di rappresentare informazione e quello del sistema nervoso, che è analogico, rumoroso, distribuito, guidato da eventi, e soprattutto ottimizzato da miliardi di anni per consumare poco.
Il cuore della novità è materiale e, insieme, architetturale. Il materiale consiste in nanofili proteici conduttivi ottenuti da un batterio, Geobacter sulfurreducens, noto per la capacità di trasferire elettroni nell’ambiente attraverso strutture extracellulari. Questi filamenti hanno dimensioni molecolari e formano reti dense che, in un dispositivo, possono comportarsi come un mezzo “morbido” dove cariche e ioni si muovono con barriere energetiche più basse rispetto a molte soluzioni inorganiche. Il punto non è la biologia come curiosità, ma la conseguenza elettrica: abbassare il voltaggio operativo di un componente chiave, il memristore, fino a farlo entrare nel range del segnale neurale.
Un memristore è, in modo brutale, una resistenza che cambia stato in base alla storia degli stimoli. Non è un interruttore digitale puro e non è nemmeno un condensatore; sta in mezzo, e per questo è utile quando si vuole imitare un neurone. Il neurone biologico integra nel tempo correnti sinaptiche, perde carica attraverso canali e conduttanze di perdita, e quando supera una soglia genera un impulso breve, l’azione potenziale. Nella ricerca neuromorfica, da anni, molti cercano un oggetto elettronico che riproduca quel ciclo senza doverlo simulare in software su milioni di transistor. Il memristore, soprattutto nella variante “volatile” che torna da sola allo stato iniziale, è un candidato naturale perché può integrare e poi “collassare” in uno stato conduttivo e infine spegnersi. Il problema era farlo a tensioni e correnti compatibili con i tessuti, e farlo in modo stabile e ripetibile.
Nel lavoro pubblicato su Nature Communications, il gruppo descrive un memristore basato su argento in cui viene inserito un film di nanofili proteici. La cosa rilevante non è la scelta dell’argento in sé, ma la dinamica: ioni metallici si accumulano e formano un filamento conduttivo; quando il filamento completa il ponte, la corrente schizza; poi il filamento si rompe e il dispositivo torna ad alta resistenza. È un processo fisico che assomiglia, per struttura logica, a un integra-e-spara. La differenza rispetto a molti memristori convenzionali è che qui le soglie possono scendere fino a decine di millivolt con correnti nell’ordine dei nanoampere. Il paper riporta accensioni intorno a ~60 mV e correnti di ~1,7 nA, con una resistenza “Off” di circa 200 megaohm, valori che entrano nel territorio della fisiologia, non solo in quello della microelettronica.
Questa compatibilità non si ottiene soltanto “miniaturizzando”. È un errore comune pensare che basta ridurre dimensioni e tutto diventi più efficiente. In realtà, quando si riducono le dimensioni, i campi elettrici locali aumentano, le non idealità crescono, il rumore diventa dominante, le variazioni di fabbricazione diventano decisive. Se vuoi un neurone artificiale che funzioni bene su un chip con milioni di copie, l’ultima cosa che puoi permetterti è un componente che cambia comportamento in modo imprevedibile. Il paper insiste sulla stabilità dei parametri di switching in una serie lunga di misure, perché senza quella stabilità il neurone artificiale diventa un oggetto da laboratorio, non un blocco costruttivo.
La seconda metà della novità è circuitale. Un memristore da solo può produrre un’uscita in corrente, ma un neurone biologico lavora con variazioni di potenziale di membrana e con un’uscita che è un impulso di tensione che viaggia e viene letto da altri neuroni. Il team costruisce un neurone artificiale collegando il memristore a un circuito RC in modo da ottenere una traduzione tensione-tensione, non solo un fenomeno di conduzione. La tensione sul condensatore diventa l’analogo del potenziale di membrana. Il memristore, quando è “Off”, permette l’integrazione lenta; quando va “On”, carica rapidamente il condensatore, come l’apertura rapida dei canali del sodio; poi la carica e la polarizzazione inversa contribuiscono a spegnere il memristore e a scaricare, come la fase di ripolarizzazione. Nel paper questa sequenza viene descritta esplicitamente come emulazione dei diversi stadi dell’azione potenziale.
Il dato energetico, qui, non è un contorno. Nel paper si parla di energie per spike nell’ordine dei picojoule, con un valore indicativo di ~37 pJ quando si usa una capacità di 4,7 nF, che è nello stesso ordine di grandezza della capacità di membrana di cellule reali. Riducendo la capacità si scende ulteriormente, arrivando a stime di pochi picojoule e perfino sotto il picojoule in condizioni specifiche. Questi numeri contano perché l’energia per evento è ciò che determina se una rete di milioni di neuroni artificiali può esistere senza diventare un forno, e se un impianto può lavorare giorni o settimane con una batteria piccola o con raccolta energetica ambientale.
L’ossessione per il voltaggio non è un capriccio. Nel corpo, 0,1 volt non è “basso” in senso assoluto: è un segnale. È una scala entro cui proteine, canali ionici, membrane e tessuti hanno dinamiche stabili. Superare quella scala significa cambiare il tipo di interazione. Un’interfaccia neurale che deve iniettare o leggere segnali di millivolt e che invece lavora a volt interi è obbligata a inserire amplificatori e attenuatori, e quegli stadi, oltre a consumare, introducono rumore, latenza e complessità. Se l’obiettivo è collegare protesi, sensori, sistemi di stimolazione e organi, la compatibilità di scala è la differenza tra un dialogo e una traduzione costante.
È qui che rientrano i nanofili. Geobacter sulfurreducens è famoso per la capacità di trasferire elettroni a minerali e ad altri accettori esterni, e per farlo usa strutture filamentose conduttive. In laboratorio quelle strutture si possono “raccogliere” e trasformare in un film. Negli anni, lo stesso gruppo e altri hanno mostrato che questi film possono essere usati in dispositivi che estraggono energia dall’umidità dell’aria, in sensori chimici e in sistemi che lavorano con segnali corporei come il sudore. Non è un catalogo di gadget: è una prova che il materiale, pur essendo biologico, regge processi e condizioni di fabbricazione e può diventare un elemento ingegnerizzabile. In IEEE Spectrum viene sottolineata la stabilità di questi nanofili e la loro efficienza nel favorire il movimento di cariche e ioni, cioè la proprietà che permette di abbassare la barriera energetica nel memristore.
Il lavoro, infatti, non promette un chip “vivente” nel senso facile del termine. Propone un ponte: un componente elettronico che usa un materiale biologico per ottenere un comportamento elettrico compatibile con la biologia. Il ponte non è solo concettuale. Nel test più importante, il dispositivo viene messo in relazione con cellule reali. IEEE Spectrum descrive l’esperimento su tessuto cardiaco: il neurone artificiale registra un livello base di contrazione cellulare che non basta a farlo scattare; quando il tessuto viene trattato con norepinefrina, che aumenta la frequenza delle contrazioni, l’artificiale inizia a generare potenziali solo durante la condizione “medicata”. Il senso del test non è dimostrare che il dispositivo cura qualcosa. È dimostrare che può leggere uno stato fisiologico, in tempo reale, senza amplificare e senza tradurre in un dominio estraneo al tessuto.
Questo punto cambia anche il discorso sulle protesi. Una protesi moderna è un sistema di controllo: sensori, attuatori, algoritmi. Il collo di bottiglia è spesso l’interfaccia con il corpo. I segnali muscolari e nervosi sono deboli e sporchi, e la catena di conversione tende a essere lunga. Se un neurone artificiale lavora già alla scala del segnale biologico, può diventare un front-end che fa pre-elaborazione sul posto con una spesa energetica piccola, e invia a un processore solo eventi, non flussi continui. Questo è, di fatto, il paradigma del cervello: non campiona tutto in modo uniforme, reagisce quando succede qualcosa. I sistemi indossabili oggi sono spesso l’opposto: campionano, amplificano, digitalizzano, inviano. Un neurone a 0,1 volt riduce l’attrito tra questi mondi e rende plausibile una miniaturizzazione reale, non solo estetica.
La stessa logica vale per impianti. Gli impianti neurali e cardiaci esistono già, ma hanno compromessi duri: dimensione della batteria, durata, riscaldamento, rischio di reazioni elettrochimiche, isolamento, packaging. Operare a basse tensioni riduce il rischio di eventi indesiderati in un ambiente che è, chimicamente, delicato. Nel paper si parla esplicitamente del fatto che segnali e energie neurali devono mantenere un ambiente elettrochimico “sicuro” e non reattivo, perché non stai lavorando in aria secca e inerte ma in un mezzo ricco di ioni, acqua, proteine e cellule. Quando aumenti tensioni e correnti, aumenta la probabilità di reazioni laterali e di danno. In questo senso, un neurone artificiale che rispetta il range biologico non è solo efficiente: è più compatibile per definizione.
Se si sposta lo sguardo dall’ambito medico a quello informatico, il discorso resta tecnico. L’idea di sostituire transistor con neuroni artificiali non è una provocazione: è un modo per dire che la computazione potrebbe spostarsi da logiche sincrone e digitali a logiche asincrone e basate su eventi. Un chip neuromorfico non cerca di essere un computer generico che poi “simula” neuroni. Cerca di essere una rete fisica di elementi che integrano e sparano, dove la dinamica del materiale fa parte del calcolo. È un cambio di paradigma che non elimina il digitale, ma lo sposta più in alto, lasciando al livello fisico compiti che oggi vengono pagati in energia perché tradotti in migliaia di operazioni logiche.
Il problema storico della neuromorfica è che spesso si finisce per costruire neuroni artificiali che hanno alcune proprietà giuste ma non tutte. Si replica la forma dell’impulso ma non la scala energetica. Si replica la plasticità ma non la stabilità. Si replica il comportamento medio ma non la variabilità controllata. In questo lavoro l’obiettivo dichiarato è “matching” dei parametri funzionali con valori biologici: ampiezza del segnale, energia per spike, caratteristiche temporali, risposta in frequenza, possibilità di tuning. È un modo per dire che non basta far “somigliare” un neurone: bisogna farlo parlare nello stesso dialetto fisico. La differenza tra 0,5 volt e 0,1 volt, qui, non è un fattore cinque. È l’ingresso o l’uscita dal territorio in cui la biologia vive.
Il paper entra nel dettaglio di come si ottengono soglie così basse. La rete di nanofili proteici forma un film denso, e la sua struttura molecolare favorisce la migrazione ionica e la formazione del filamento conduttivo a energie minori. Il risultato è un switching che avviene con tensioni inferiori ai memristori filamentari tipici, spesso sopra 0,5 volt. In più, limitando la corrente con un resistore in serie si ottiene un regime vicino a quello biologico, dove correnti di pochi nanoampere possono già cambiare il potenziale di membrana. Questo è un punto spesso ignorato nel racconto divulgativo: non è solo “basso voltaggio”, è anche “bassa corrente”, perché voltaggio basso con corrente alta può comunque significare potenza alta e incompatibilità termica. Qui il matching è doppio, e per questo ha senso.
C’è un altro aspetto, più sottile, che rende interessante questa architettura. Un neurone biologico non è un comparatore ideale. Non scatta sempre allo stesso identico input. Ha un’integrazione che dipende dallo stato precedente, da modulazioni chimiche, da rumore, da fatica, da refrattarietà. La possibilità di costruire un neurone artificiale che non è rigido, ma che può essere “tuned” cambiando parametri del circuito, come capacità e resistenza, avvicina di più a quel comportamento. Nel paper la frequenza di firing dipende dalla frequenza di input e dai valori del circuito, e questo consente di mappare dinamiche diverse, non solo un impulso standard.
La parte sulla neuromodulazione spiega anche perché i sensori entrano nel progetto. I neuroni reali non sono solo elettrici: sono chimici. Neurotrasmettitori, ioni extracellulari, ormoni e farmaci cambiano la probabilità di scarica. Un’interfaccia neurale utile non può ignorare questo livello, perché molte informazioni fisiologiche non stanno soltanto nel voltaggio ma nello stato chimico del tessuto. Nel paper si parla di integrazione con sensori chimici per emulare la neuromodulazione da sostanze extracellulari. Questo apre un campo dove i neuroni artificiali non sono soltanto “unità di calcolo”, ma front-end sensoriali e interpretativi che leggono segnali misti, elettrici e chimici, e li trasformano in eventi neurali artificiali.
Se si torna al confronto cervello-AI, il rischio è semplificare. Il cervello non fa la stessa cosa di un modello linguistico, e un megawatt “per compiti simili” non è una misura universale. Ma il punto ingegneristico resta: l’infrastruttura digitale moderna consuma energia perché rappresenta informazione in modo costoso, e poi deve muoverla in memoria, in rete, tra acceleratori, con latenza e dissipazione. Il cervello rappresenta informazione in forma di stati locali e impulsi che viaggiano solo quando servono, e fa memoria e calcolo nello stesso posto. La neuromorfica tenta di copiare proprio questo: colocalizzazione e event-driven. Un neurone artificiale che scende a 0,1 volt non risolve da solo il problema, ma elimina uno degli ostacoli più concreti: la barriera di ampiezza tra segnali biologici e segnali elettronici.
Qui si capisce anche perché la biocompatibilità del materiale conta. Usare una proteina conduttiva non significa automaticamente che un impianto diventa sicuro, perché l’impianto reale richiede encapsulation, sterilizzazione, stabilità per anni, risposta immunitaria, protezione da biofouling, controllo di degradazione. Ma significa che esiste un percorso in cui un elemento del dispositivo non è un intruso totale per il corpo. In un futuro dispositivo impiantabile, l’obiettivo non è mettere “batteri” nel corpo come processori. È costruire interfacce dove il corpo non debba essere forzato a parlare con un linguaggio elettrico estraneo. Se la scala elettrica è giusta, una parte del problema si sposta dal lato dell’elettronica al lato dell’integrazione e del packaging, che resta difficile ma è un problema diverso.
Il lavoro è stato sostenuto da diversi enti, tra cui Army Research Office, National Science Foundation, National Institutes of Health e Alfred P. Sloan Foundation. Questo dettaglio, in un articolo tecnico, non è solo protocollo: segnala che il tema è considerato strategico sia per applicazioni civili che per applicazioni dove autonomia energetica e interfacce bioelettroniche possono avere valore operativo.
Resta, però, la questione che decide se questa tecnologia è una svolta o un episodio: la scalabilità. IEEE Spectrum riporta un collo di bottiglia concreto detto dallo stesso Yao: la produzione dei nanofili. Il laboratorio lavora per giorni per ottenere quantità nell’ordine delle centinaia di microgrammi, circa il peso di un granello di sale, e quella quantità copre solo un dispositivo molto piccolo. Se si parla di milioni di neuroni su un chip, il problema non è solo fabbricare il chip. È produrre il materiale in modo industriale, standardizzato, con qualità costante, costi accettabili, e con una catena di fornitura che non dipenda da processi lenti e delicati.
Questo punto porta a un tema spesso trascurato: la bio-fabbricazione come parte dell’elettronica. L’industria dei semiconduttori è ossessionata da purezza, ripetibilità, yield. Portare dentro un materiale biologico non significa rinunciare a queste esigenze, significa tradurle in un altro linguaggio. Una proteina non è un wafer. Ha variabilità biologica, dipende da condizioni di crescita, nutrienti, stress, mutazioni, contaminazioni. Per trasformare un nanofilo in un materiale industriale serve una filiera biotecnologica che assomiglia più alla produzione farmaceutica o alla fermentazione avanzata che alla chimica dei dielettrici. Il salto non è impossibile, ma non è gratuito. Se il collo di bottiglia resta, la tecnologia può trovare spazio in nicchie ad alto valore, come impianti o sensori speciali, dove servono pochi dispositivi. Se il collo di bottiglia si risolve, allora il discorso sui milioni di neuroni su chip diventa credibile.
Anche la compatibilità con i processi di fabbrica è un criterio. IEEE Spectrum nota che la fabbricazione non richiede alte temperature e può usare fotolitografia simile a quella dei chip. Questo è importante perché molte idee neuromorfiche muoiono quando devono entrare in un flusso produttivo. Se un componente richiede condizioni esotiche o materiali incompatibili con i processi standard, rimane in laboratorio. Qui l’idea è che si possa integrare il film di nanofili in un memristore in modo non distruttivo. La domanda aperta è quanto questo sia robusto quando si passa da pochi dispositivi a un wafer pieno, e quanto il yield resti alto. La stabilità che il paper mostra in misure ripetute è un primo passo, ma la fabbrica è un test diverso: vibrazioni, contaminazioni, stress meccanici, packaging, invecchiamento accelerato.
C’è poi la questione del rumore e della variabilità. Un neurone biologico è rumoroso, ma è un rumore “gestito” dalla rete. Un neurone artificiale può permettersi una variabilità simile solo se l’architettura complessiva la assorbe e la usa. Se la variabilità è troppo alta e non controllata, diventa errore. Nel paper, il dato sui valori di soglia con deviazioni strette serve proprio a mostrare che questa variabilità può essere contenuta. Il punto non è replicare l’incertezza della biologia, ma rendere la dinamica affidabile abbastanza da essere programmabile.
In un contesto neuromorfico, programmabile non significa “scrivere codice” nel senso classico. Significa impostare parametri fisici e circuitali perché la rete produca dinamiche desiderate. Questo è un tipo di ingegneria che assomiglia più a progettare un sistema dinamico che a implementare un algoritmo su CPU. È anche il motivo per cui l’energia per spike è così decisiva: se ogni evento costa poco, si può lasciare che la rete esplori e si adatti. Se ogni evento costa troppo, si torna a una simulazione digitale che compensa consumando ancora più energia.
Il passaggio dai transistor ai neuroni artificiali, se mai avverrà, non sarà un rimpiazzo uno-a-uno. I transistor sono versatili e affidabili. I neuroni artificiali sono specializzati. L’uso realistico è ibrido: chip digitali che gestiscono memorie e controllo, e reti neuromorfiche che fanno front-end sensoriale, riconoscimento di pattern in tempo reale, decisioni rapide su segnali streaming, con consumi bassi. In questo scenario, un neurone a 0,1 volt diventa interessante soprattutto alla periferia, dove l’energia è scarsa e i segnali sono biologici o ambientali.
Questo spiega anche perché il lavoro parla di wearable e sensori. Un sensore indossabile oggi è spesso un compromesso: deve essere piccolo e leggero, ma deve amplificare segnali deboli e quindi consuma; deve fare inferenza locale, ma la potenza è limitata. Se invece il sensore produce eventi neurali direttamente compatibili con una rete neuromorfica locale, si riduce il volume di dati. Si passa da un flusso continuo a una sequenza sparsa di spike. Meno dati significa meno trasmissione, meno energia, meno privacy esposta perché non stai inviando segnali grezzi ma interpretazioni locali.
Il salto concettuale, però, resta legato al fatto che qui non si parla di “neurone come metafora”. In molti contesti di AI, neurone significa una funzione matematica e un peso. Qui neurone significa un oggetto fisico con una soglia, un’integrazione nel tempo, una scarica, una refrattarietà emulata, e un consumo per evento misurabile. La distanza tra queste due definizioni è anche la distanza tra l’efficienza di un cervello e quella di un data center. Non perché l’hardware da solo faccia magia, ma perché quando il calcolo coincide con la dinamica fisica, molte operazioni che nel digitale richiedono migliaia di commutazioni diventano una singola evoluzione naturale del sistema.
È utile chiarire un equivoco: operare a 0,1 volt non significa che l’intero sistema che userà questi neuroni consumerà automaticamente come un cervello. Il cervello ha una struttura gerarchica, una chimica complessa, una plasticità che cambia nel tempo, e una densità di connessioni difficile da replicare. Inoltre, molta efficienza del cervello viene dal fatto che la memoria è incorporata nelle connessioni stesse e che l’informazione non viene spostata continuamente tra unità separate. I neuroni artificiali possono avvicinare alcuni di questi principi, ma il sistema complessivo dipenderà da come si costruiscono sinapsi artificiali, reti, memorie, e da come si programmano. Il valore del risultato è che, almeno per il neurone, la scala elettrica non è più un limite invalicabile.
Le sinapsi, infatti, restano l’altro grande pezzo. Un neurone che spara è utile solo se ha connessioni che pesano e cambiano. In neuromorfica, spesso, le sinapsi sono proprio i memristori non volatili, perché possono memorizzare uno stato di conduttanza che rappresenta il peso sinaptico. Qui il memristore è usato per la dinamica del neurone, non per il peso. Questo apre una domanda di architettura: conviene usare la stessa famiglia di dispositivi per neuroni e sinapsi, o separare? Separare permette ottimizzazione; unire semplifica fabbricazione. Il paper non risolve questo problema, ma sposta l’asticella perché dimostra che un memristore con nanofili può lavorare in un regime biologico stabile.
C’è poi la questione della “lingua” del corpo, che non è solo ampiezza di tensione ma forma d’onda e tempi. Un neurone biologico produce impulsi con durate tipiche di millisecondi, frequenze di firing che cambiano in base allo stimolo e allo stato, e pattern che codificano informazione più nel tempo che nell’ampiezza. Il paper usa impulsi in input di 120 mV e durata di 5 ms a frequenze fisiologiche nell’ordine di decine fino a cento hertz, e mostra che l’uscita può seguire e trasformare queste dinamiche. Questo è importante perché molti sistemi elettronici, anche a bassa potenza, hanno tempi o forme d’onda incompatibili. Se l’interfaccia deve comunicare con neuroni reali, non puoi imporre un clock, e non puoi imporre un encoding digitale. Devi leggere e rispondere nel dominio temporale del tessuto.
Il test con segnali da patch clamp, citato nel paper, va nella stessa direzione: processare segnali neurali reali acquisiti sperimentalmente e produrre un’uscita di spiking con parametri compatibili. È un modo per dire che il neurone artificiale non è solo una risposta a impulsi ideali in laboratorio, ma un elemento che può entrare in una catena sperimentale reale.
A questo punto il tema “computer viventi” va trattato con precisione. I batteri non diventeranno CPU nel senso in cui oggi si intende una CPU. Quello che può accadere è diverso: una parte della filiera dei materiali e una parte dei componenti può essere bio-derivata, e questo può portare vantaggi in sostenibilità, biocompatibilità e proprietà elettriche difficili da ottenere con materiali convenzionali. La traiettoria più realistica è che si useranno materiali biologici come strati funzionali dentro componenti elettronici standard, non che si costruirà un computer fatto di cellule. L’ibrido, qui, è più credibile del mito.
Eppure l’ibrido non è banale. Nel momento in cui un materiale biologico entra in un dispositivo, cambia la definizione di affidabilità. Un dielettrico inorganico ha modelli di invecchiamento noti: elettromigrazione, breakdown, stress termico, umidità. Un materiale proteico introduce altre vulnerabilità: denaturazione, idrolisi, interazioni con contaminanti organici, sensibilità a solventi, e soprattutto sensibilità a processi di packaging e sterilizzazione. Se il target è un impianto, la sterilizzazione è un passaggio duro. Se il target è un chip consumer, la shelf life e la stabilità in ambienti variabili sono essenziali. Il vantaggio di Geobacter, sottolineato nelle fonti, è che i nanofili sono strutture extracellulari evolute per resistere in ambienti reali e quindi sono più stabili di molte altre proteine. Questo non basta da solo, ma spiega perché la scelta è sensata: non tutte le biomolecole sono materiali.
La tensione di 0,1 volt riduce la distanza tra l’energia richiesta dal dispositivo e l’energia che può essere raccolta in modo non convenzionale. Se davvero si possono fare sensori che vivono di umidità o sudore, come indicato da esempi associati alla stessa linea di ricerca, allora un neurone artificiale a basse tensioni può essere alimentato da micro-raccolta energetica senza batterie grandi. Questo non significa “autosufficienza” garantita, ma significa che lo spazio delle soluzioni si amplia: sistemi che prima erano impossibili perché l’amplificazione consumava troppo diventano plausibili.
Per l’informatica, questo è un modo per ridurre l’impronta energetica senza aspettare miracoli dal silicio. La miniaturizzazione del silicio continua, ma a un costo crescente e con guadagni energetici più lenti. La neuromorfica è uno dei pochi percorsi che promettono un cambio di scala, non un miglioramento percentuale. Ma la neuromorfica, storicamente, ha avuto difficoltà a uscire dai prototipi perché mancavano componenti che si comportassero come neuroni e sinapsi in modo naturale e a basse energie. Questo lavoro non risolve tutto, ma aggiunge un mattone di qualità: un neurone artificiale che si avvicina ai parametri biologici in più dimensioni contemporaneamente.
Un mattone, però, non è una casa. Il passo successivo non è solo replicare il neurone. È costruire reti. In una rete vera serve connettività. La connettività è spesso più costosa della computazione. Nel cervello, i collegamenti sono tridimensionali e massicci. Su un chip, la connettività è limitata da metallizzazioni e routing. Perciò molte architetture neuromorfiche puntano a reti sparse e a codifiche efficienti. Un neurone a spike economico aiuta perché permette di usare protocolli di comunicazione basati su eventi, dove la rete si attiva solo quando serve. Questo riduce traffico. Ridurre traffico riduce energia. Qui, ancora, l’obiettivo non è imitare la densità del cervello, ma imitare la sua strategia: non trasmettere ciò che non serve.
Un altro terreno dove questa tecnologia può avere senso è quello delle interfacce adattive. Una protesi che non sia solo controllata dall’utente ma che si adatti allo stato del tessuto e ai cambiamenti fisiologici richiede una forma di apprendimento locale. L’apprendimento locale, nel digitale, costa perché richiede dati e aggiornamenti di pesi. In un sistema neuromorfico l’apprendimento può essere implementato come dinamica del dispositivo stesso. Qui il paper non entra nel tema dell’apprendimento, ma il fatto di poter emulare neuromodulazione con sensori chimici indica una direzione: dispositivi che cambiano comportamento in base a segnali biochimici, non solo elettrici. Questo è un prerequisito per un’interfaccia che “capisce” il corpo, non solo che lo legge.
La dimostrazione con tessuto cardiaco, in questo senso, è un primo esempio di interpretazione di stato. Non è un classificatore. È un discriminatore fisico: sotto un certo livello di attività il neurone resta silente; sopra, spara. È un comportamento che nel corpo ha un significato. Una rete di questi elementi, collegata a sensori e a stimolatori, potrebbe implementare controlli chiusi più naturali e meno energivori. In medicina, il controllo chiuso è già un obiettivo: pacemaker e stimolatori più intelligenti, sistemi di rilascio di farmaci che rispondono al corpo, impianti che modulano stimolazione in base a biomarcatori. Il problema è sempre la catena energetica e la catena di conversione. Un neurone artificiale a scala biologica riduce entrambe.
Per capire perché riduce la conversione bisogna ricordare cosa fa un amplificatore in un wearable. L’amplificatore prende microvolt o millivolt, li porta a centinaia di millivolt o volt per un ADC, poi il segnale viene digitalizzato e processato. Ogni passaggio ha un costo. Se si può costruire un front-end che usa direttamente il segnale a millivolt per generare eventi utili, l’ADC può essere più semplice o, in alcuni casi, può sparire. Questo non significa eliminare il digitale, ma spostarlo più in alto: invece di elaborare onde continue, elabori treni di spike. È un cambio che il corpo usa già.
Il valore, quindi, è anche metodologico. Mostrare che una tecnologia può lavorare a 0,1 volt significa dimostrare che la frontiera non è fisica nel senso forte, ma ingegneristica. Per anni, il mismatch di voltaggio tra elettronica e neuroni è stato trattato come un fatto: l’elettronica lavora a volt, la biologia a millivolt, ci saranno sempre amplificatori. Qui si mostra che, usando un materiale diverso e un dispositivo diverso, si può scendere. Non è un caso isolato: la storia dell’elettronica è piena di barriere “naturali” abbattute da cambi di materiali o architetture. Ma è raro che il cambiamento avvenga in un punto così vicino al confine con la biologia.
Il lavoro porta anche un messaggio per chi guarda solo al software. La crescita dell’AI ha reso evidente che l’efficienza algoritmica non basta se l’hardware resta energivoro. Si possono ottimizzare modelli, quantizzare pesi, fare pruning, ma a un certo punto si paga la natura del calcolo digitale e il costo di muovere dati. Le innovazioni fisiche, come questa, sono lente da maturare ma possono cambiare il gioco più di un miglioramento incrementale di architettura. Non perché sostituiscano le GPU domani, ma perché aprono strade dove il calcolo non è più una sequenza di operazioni su registri, ma una dinamica di dispositivi che rispondono a stimoli.
Questo porta anche a un tema ambientale. Se la domanda di calcolo continua a crescere, l’energia diventa vincolo politico e industriale. “Green electronics” non è una parola. È la conseguenza di dover costruire sistemi che scalano senza moltiplicare consumo e dissipazione. Un neurone artificiale che consuma poco per evento e usa materiali potenzialmente rinnovabili non è una soluzione completa, ma è un segnale che la sostenibilità può entrare nel design non solo come ottimizzazione finale ma come scelta di base: tensioni basse, materiali stabili, processi a bassa temperatura, dispositivi event-driven.
La scelta di un materiale biologico, però, non deve essere romanticizzata. Un film di proteine va prodotto, purificato, depositato. Quel processo ha costi e impatti. La sostenibilità si misura sul ciclo completo, non sull’etichetta “bio”. Se la produzione richiede molta energia o reagenti, il vantaggio si riduce. Se invece la produzione può essere fermentativa e scalabile, con efficienza alta e scarti gestibili, allora l’idea diventa interessante anche a livello industriale. La presenza di un collo di bottiglia sulla quantità prodotta oggi indica che siamo ancora nella fase in cui la sostenibilità è un obiettivo, non un risultato.
Un altro tema è la standardizzazione. L’industria dei chip vive di standard: specifiche elettriche, modelli di affidabilità, strumenti di progettazione, librerie. Un neurone artificiale basato su memristori con nanofili proteici è difficile da inserire in un flusso EDA tradizionale senza modelli compatti accurati. Servono modelli SPICE che catturino volatilità, soglie, variabilità, dipendenza dalla temperatura, dipendenza dall’umidità, isteresi, tempi di integrazione. Il paper fornisce dati e dinamiche, ma la strada verso una libreria industriale è lunga. È un passaggio obbligato se si vuole che i progettisti possano inserire questi neuroni in sistemi complessi senza dover reinventare la caratterizzazione ogni volta.
In parallelo c’è il tema della sicurezza e del controllo. Un dispositivo che interagisce con cellule viventi e interpreta stati fisiologici deve essere prevedibile. In medicina, la prevedibilità è requisito regolatorio. In un impianto, un neurone artificiale che scatta quando non dovrebbe può essere dannoso. Quindi la “somiglianza” con la biologia non va intesa come libertà di comportamento: va intesa come compatibilità di scala, mantenendo controllabilità ingegneristica. Questo richiede test lunghi, invecchiamento, stress, validazione su tessuti diversi, e soprattutto integrazione in sistemi completi, non in setup sperimentali isolati.
Il fatto che il neurone artificiale possa essere collegato a tessuto cardiaco è un inizio, ma non basta. Un sistema nervoso reale ha interazioni complesse, feedback, adattamenti. Collegarsi a un nervo periferico o al cervello richiede microelettrodi, interfacce meccaniche, evitare cicatrizzazione, gestire micromovimenti, mantenere contatto stabile. La componente neurale a 0,1 volt aiuta perché riduce la necessità di amplificazione, ma non elimina il problema del contatto fisico e della biostabilità. In altre parole, elimina una parte elettronica del problema, non il problema intero.
Dall’altro lato, per l’informatica, la sfida è definire cosa fare con questi neuroni. Un neurone fisico non si programma come un layer di rete neurale artificiale. La progettazione richiede nuove metodologie. Serve capire quali algoritmi beneficiano davvero di hardware spiking, e come addestrarli. La comunità lavora su spiking neural networks e su conversione di reti tradizionali in reti spiking, ma spesso i guadagni energetici teorici si perdono per la necessità di conversioni e per l’assenza di dispositivi ideali. Un neurone fisico efficiente rende questi guadagni più reali, ma impone anche vincoli: range di frequenze, dinamiche di reset, limitazioni di connettività. Il vantaggio, se c’è, sarà in applicazioni dove la temporalità è intrinseca, come segnali biologici, audio, eventi da sensori, controllo in tempo reale.
Il lavoro di Amherst è anche un esempio di come discipline diverse si incontrano. Non è solo ingegneria elettronica. Serve microbiologia per ottenere e capire i nanofili, serve scienza dei materiali per depositarli e stabilizzarli, serve fisica dei dispositivi per modellare lo switching, serve neuroscienza per definire parametri biologici, serve bioingegneria per fare test su tessuti. Questo tipo di ricerca è difficile perché ogni disciplina ha i suoi standard e i suoi tempi. Il risultato, quando funziona, è un oggetto nuovo che non appartiene completamente a nessuna disciplina e per questo può essere realmente innovativo.
Un dettaglio interessante è la scelta di usare un memristore a filamento metallico e non, per esempio, un transistor organico o un dispositivo ionico più simile a un elettrolita. Il memristore a filamento è un oggetto noto, e spesso criticato per variabilità e affidabilità. Qui viene “domato” abbassando tensione e corrente e introducendo un mezzo che rende la formazione del filamento più controllabile. È una lezione generale: invece di cercare un dispositivo completamente nuovo, si può prendere una tecnologia esistente e spostarla in un regime operativo diverso con un materiale diverso.
La promessa di “integrazione senza precedenti tra macchine e biologia”, attribuita a Jun Yao nella comunicazione legata al lavoro, va letta in modo tecnico. Significa ridurre l’asimmetria di scala che impediva un’accoppiata diretta. Quando due sistemi parlano in scale diverse, chi fa da interprete consuma risorse. Se l’interprete può sparire, la comunicazione diventa più immediata. Nel corpo, immediatezza significa anche minore latenza e minore dissipazione. Nei chip, immediatezza significa minore energia per operazione e minore complessità circuitale. La frase, al netto dell’enfasi, descrive una condizione ingegneristica precisa: stesso ordine di grandezza di tensione, corrente ed energia per evento.
Il titolo più corretto, quindi, non è “computer viventi”, ma “bioelettronica a scala biologica”. È un passo verso dispositivi che non costringono la biologia a salire di tensione, ma portano l’elettronica a scendere. Per anni si è fatto il contrario perché era più facile. Il prezzo era l’inefficienza e la rigidità. Qui si mostra un altro modo.
Se si guarda al futuro prossimo, le applicazioni più probabili sono quelle dove la quantità di dispositivi richiesta non è enorme ma il valore per dispositivo è alto. Sensori specializzati che leggono segnali deboli senza amplificare. Interfacce per tessuti in vitro, utili per test farmacologici e per organoidi, dove un neurone artificiale può interpretare stati cellulari e generare eventi, creando sistemi di misura più vicini alla fisiologia. Dispositivi impiantabili di nuova generazione, se la biostabilità regge. In queste aree, anche se il materiale è difficile da produrre in massa, può comunque essere utilizzato.
Se si guarda più lontano, allora entra il discorso dei chip con milioni di neuroni artificiali. Qui le domande diventano industriali: quanto costa produrre i nanofili, quanto sono uniformi, quanto dura un dispositivo, quanto è alta la resa su wafer, come si integra con metallizzazioni, come si fanno test automatici, come si fa packaging. Sono domande che decidono se l’idea rimane in un paper o diventa una tecnologia. Il fatto che il gruppo discuta apertamente il problema della quantità prodotta è un segno di maturità: riconosce che l’ostacolo non è più “funziona o non funziona”, ma “si può fare su scala”.
Il risultato, oggi, è chiaro: un neurone artificiale costruito con un memristore che incorpora nanofili proteici da Geobacter sulfurreducens, capace di emulare la dinamica integra-e-spara con parametri vicini a quelli biologici e di interagire con cellule viventi senza amplificazione intermedia, operando a circa 0,1 volt e con risparmi energetici dichiarati di ordini di grandezza rispetto a tentativi precedenti. È un componente. Non è una rivoluzione completa. Ma è il tipo di componente che mancava per rendere credibile un’interfaccia bioelettronica davvero efficiente, e per rendere meno fantascientifica l’idea di una computazione che si avvicina ai watt invece che restare inchiodata ai megawatt.
