BioComputing: quando le reti neurali sono fatte di cellule vere

Per oltre settant’anni l’informatica ha seguito una traiettoria apparentemente lineare:
transistor sempre più piccoli, processori sempre più veloci, memorie sempre più dense.
L’intelligenza artificiale moderna ha accelerato questa corsa, ma ha anche reso evidente un
limite: addestrare e utilizzare modelli sempre più grandi richiede quantità crescenti di energia,
infrastrutture specializzate e sistemi di raffreddamento. Da qui nasce una domanda che fino a
pochi anni fa sembrava fantascienza: e se, invece di imitare il cervello soltanto con il software,
provassimo a utilizzare direttamente cellule neuronali viventi come parte di un sistema di
calcolo?

Il BioComputing, chiamato anche wetware computing o biological computing, esplora proprio
questa frontiera. In laboratorio, neuroni coltivati su interfacce elettroniche possono ricevere
stimoli, generare segnali e modificare il proprio comportamento in risposta all’ambiente. Aziende
e gruppi di ricerca stanno già sperimentando piattaforme programmabili in cui reti neurali
biologiche dialogano con chip di silicio e API software. Non siamo davanti al sostituto del
computer tradizionale, ma a una nuova categoria di sistemi ibridi, ancora sperimentali, che
potrebbe cambiare il modo in cui pensiamo apprendimento, efficienza energetica e
adattamento.

Che cos’è davvero il BioComputing e perché interessa la ricerca

Un neurone biologico non funziona come un transistor. Non esegue semplicemente una
sequenza di istruzioni binarie: riceve migliaia di segnali, integra informazioni nel tempo,
modifica la forza delle proprie connessioni e reagisce in modo dinamico all’esperienza.
Quando molti neuroni vengono coltivati insieme, formano reti capaci di produrre attività
elettrica complessa. Collegando queste reti a microelettrodi, i ricercatori possono leggere i
segnali generati dalle cellule e inviare nuovi stimoli in risposta.

La parte più interessante è il ciclo chiuso. Il software presenta alla rete biologica una situazione,
misura la risposta e restituisce un feedback. Con il tempo, la rete può adattare la propria attività.
In questo senso il sistema non viene “programmato” nello stesso modo di un’applicazione
tradizionale: viene piuttosto allenato attraverso interazioni. È una logica vicina al reinforcement
learning, ma il substrato che apprende non è una matrice numerica su GPU: è tessuto neuronale
vivo.

Le piattaforme più avanzate oggi integrano colture neuronali, sensori, stimolazione elettrica e
ambienti software che permettono di creare esperimenti riproducibili. Il valore per la ricerca
non è soltanto computazionale. Questi sistemi possono diventare anche modelli sperimentali
per studiare apprendimento, plasticità, effetti di farmaci o patologie neurologiche in condizioni
controllate

Il vantaggio potenziale: apprendere consumando molto meno

Il cervello umano è spesso citato come esempio estremo di efficienza: svolge attività cognitive
sofisticate con un consumo energetico dell’ordine di poche decine di watt. I data center
necessari per addestrare i modelli di intelligenza artificiale più grandi operano invece su scale
energetiche completamente diverse. Il confronto non è diretto, perché cervello e GPU svolgono
compiti e operazioni differenti, ma mette in luce una caratteristica fondamentale della
biologia: elaborazione e memoria sono profondamente integrate.

Nei sistemi digitali classici, dati e calcolo viaggiano continuamente tra memoria e processore.
Questo trasferimento ha un costo energetico. Nelle reti biologiche, invece, lo stato della rete è
incorporato nelle connessioni stesse. L’apprendimento modifica fisicamente e chimicamente il
sistema. Se questa proprietà potesse essere sfruttata in modo affidabile, alcune classi di
problemi adattivi potrebbero essere affrontate con un’efficienza molto superiore rispetto
all’hardware convenzionale.

È però fondamentale evitare entusiasmi prematuri. Le reti neuronali biologiche sono difficili
da standardizzare, hanno variabilità intrinseca, richiedono condizioni ambientali precise e non
offrono ancora la prevedibilità di un sistema elettronico. Il BioComputing oggi è soprattutto
una piattaforma di ricerca. Il suo vero potenziale si misura nella capacità di aprire strade
nuove, non nel sostituire domani i server aziendali.

Dalla rete neurale biologica al computer ibrido

Il futuro più realistico non è un laptop “fatto di cervello”, ma un’architettura ibrida. Il silicio
continuerà a gestire memorie affidabili, comunicazioni, sicurezza, input/output e calcolo
deterministico; la componente biologica potrebbe essere utilizzata come coprocessore per
compiti in cui adattamento, riconoscimento di pattern e risposta a contesti incompleti sono più
importanti della precisione aritmetica.

Un sistema del genere richiede una vera ingegneria di interfaccia. Bisogna tradurre dati
digitali in stimoli interpretabili dalle cellule, trasformare l’attività neuronale in informazioni
utili al software e stabilire criteri di misura condivisi. Servono inoltre modelli per capire
quando la rete ha appreso, quando sta degradando e quanto il suo comportamento sia
riproducibile tra esperimenti diversi.

Qui entra in gioco un tema molto vicino al risk management: l’affidabilità. Un componente
biologico può cambiare nel tempo, reagire in modo inatteso o perdere prestazioni. Prima di
immaginare applicazioni industriali, sarà necessario sviluppare metodologie di validazione,
monitoraggio e controllo paragonabili a quelle usate per sistemi critici, ma adattate a un
elemento vivente e non deterministico.

Le domande etiche e di governance che arrivano prima del
mercato

Il BioComputing pone domande che il settore tecnologico non può rimandare. Una
coltura di neuroni non è un cervello completo e non esistono prove che le piattaforme
attuali possiedano coscienza. Tuttavia, man mano che i sistemi biologici diventano
più complessi, la ricerca dovrà definire limiti, protocolli e criteri etici chiari. Quali
tipi di tessuto possono essere utilizzati? Quale livello di complessità richiede una
revisione etica più severa? Come si documenta il ciclo di vita di una coltura?

A questo si aggiungono aspetti di biosicurezza, tracciabilità dei campioni, protezione
dei dati sperimentali e responsabilità. Se un sistema ibrido prende una decisione
sulla base di un comportamento biologico variabile, chi garantisce che il risultato sia
verificabile? La governance dovrà evolvere insieme alla tecnologia. È un esempio
perfetto di innovazione in cui il rischio non è un ostacolo da eliminare, ma una
dimensione da progettare fin dall’inizio.

Per i team Ricerca & Sviluppo il messaggio è chiaro: osservare il BioComputing oggi
significa studiare contemporaneamente informatica, neuroscienze, sistemi adattivi,
etica e gestione del rischio. Anche se l’adozione commerciale è ancora lontana, le
competenze costruite ora possono diventare decisive quando questa tecnologia
uscirà dai laboratori.

Conclusione: una nuova definizione di “computer”

Il BioComputing costringe a rivedere una convinzione radicata: che il calcolo debba
necessariamente avvenire su circuiti di silicio. Le prime piattaforme con neuroni
reali mostrano che è possibile creare un dialogo tra software e tessuto biologico e
utilizzare quel dialogo per esperimenti di apprendimento e adattamento. Il percorso
verso applicazioni industriali affidabili resta lungo, ma la direzione è
scientificamente concreta.

Per WRM Solutions, seguire questa evoluzione significa guardare oltre l’hype
dell’intelligenza artificiale e interrogarsi su come cambieranno infrastrutture, criteri di
affidabilità e modelli di governance. La vera innovazione non consiste soltanto nel
costruire sistemi più potenti: consiste nel capire in anticipo quali nuovi rischi,
opportunità e responsabilità emergeranno quando cambierà perfino la materia con cui
costruiamo i computer.