该论文介绍，随着人工智能(机器学习和人工神经网络模型)成为关键驱动因素，近年来对算力的需求急剧增加。不过，随着这些模型变得越来越复杂，运行它们的底层计算硬件的能效和性能却难以跟上。为此，受人脑结构功能的启发，研究者正在开发神经形态计算系统，以设计用于更高效地运行此类模型。

　　大脑类器官是用人类多能干细胞人工培育而成的三维聚集体，它会发育出类脑组织，能够复制发育中大脑结构的特定方面。在本项研究中，论文通讯作者、美国印第安纳大学伯明顿分校郭峰和同事及合作者开发出一种混合神经形态计算系统，部分是传统计算硬件，部分是大脑类器官。这种类器官的特点是集合了不同类型的脑细胞，包括早期阶段和成熟的神经元，以及早期类脑结构(如脑室区)的发育，以形成、发挥和维持神经网络功能，这一类器官从电刺激得到输入信号，经神经活动发送输出信号。

　　论文作者将类器官与一类被称为储备池计算的人工神经网络相结合，这是一个动态物理存储层，可根据一连串输入信号捕捉和记忆信息。在输入和输出层使用了普通计算硬件，输出层受到训练可读取储备层，对原始输入数据进行预测或分类。

　　他们的研 究表明，该混合计算系统能够被用于语音识别，经训练改进后能达到约78%的准确度，但与具有长短期记忆的人工神经网络相比，该系统在使用同一数据集时准确性稍逊。

　　论文作者表示，大脑类器官只是系统的一个部分，更复杂的人工神经网络尚有待演示。