Un dispositivo delle dimensioni di un francobollo integra 70.000 neuroni vivi in una rete elettronica tridimensionale, riconoscendo schemi elettrici complessi con un consumo pari a un milionesimo di quello dei moderni sistemi di intelligenza artificiale. Il team dell'Università di Princeton, guidato da Tian-Ming Fu e James Sturm, ha pubblicato i risultati su Nature Electronics il 23 aprile 2026. Il prototipo ha funzionato in modo stabile per oltre sei mesi, mantenendo qualità e coerenza dei segnali neurali.
Una rete che cresce dall'interno verso l'esterno
I precedenti esperimenti di biocomputing usavano colture piatte in piastra Petri o cluster tridimensionali osservati dall'esterno. Il team di Princeton ha scelto un approccio opposto: una mesh di fili metallici microscopici e elettrodi, rivestiti da un sottile strato di resina epossidica flessibile, funge da impalcatura interna su cui i neuroni crescono attorno ai sensori. Il contatto diretto tra elettrodi e cellule permette di registrare e stimolare l'attivita elettrica a una scala molto piu fine rispetto alle tecniche tradizionali.
La struttura, realizzata al Princeton Materials Institute, è assemblata su un chip di plastica trasparente con serbatoi circolari circondati da elettrodi dorati. I ricercatori hanno monitorato l'evoluzione della rete neurale per sei mesi, modificando progressivamente la forza delle connessioni tra i neuroni chiave. Un algoritmo addestrato sui segnali ha poi riconosciuto correttamente sia schemi spaziali sia schemi temporali in test separati. La disponibilità di fonti cellulari adeguate è un tema aperto: la ricerca del MIT sulla conversione diretta di cellule della pelle in neuroni suggerisce percorsi alternativi alle colture embrionali tradizionali.
Il divario energetico da uno a un milione
Il dato centrale della ricerca e energetico. Fu lo ha dichiarato esplicitamente: "Il vero collo di bottiglia per l'AI nel prossimo futuro è l'energia. Il nostro cervello consuma solo un milionesimo dell'energia dei sistemi AI odierni per svolgere compiti simili." Il cervello umano funziona con circa 20 watt, l'equivalente di una lampadina a basso consumo. Un data center di medie dimensioni dedicato all'addestramento di modelli AI assorbe nell'ordine delle decine di megawatt: un rapporto di uno a un milione che rende il problema concreto e misurabile.
L'AI continua ad espandere il suo raggio d'azione verso settori molto distanti tra loro: da sistemi per asfalto autoriparante sviluppati con l'AI di Google a modelli linguistici da miliardi di parametri. Ogni nuova applicazione porta con sè un costo energetico che scala con la complessità del modello. Il mercato dei chip neuromorfici, che imita l'architettura cerebrale nel silicio senza integrare neuroni vivi, vale già 125 milioni di dollari nel 2026 e, secondo le proiezioni di Future Markets Inc, superera 3,3 miliardi entro il 2034 con un tasso di crescita annuo superiore al 50%.
Il dispositivo di Princeton va oltre il neuromorfico: invece di imitare il cervello, lo usa direttamente. Se il risparmio energetico si confermasse scalabile, i numeri attuali del mercato sarebbero solo un punto di partenza. La sfida è costruire reti neurali vive abbastanza grandi e stabili da svolgere compiti comparabili ai modelli AI commerciali. Il prototipo con 70.000 neuroni riconosce schemi elettrici; i ricercatori indicano come prossimo obiettivo aumentare il numero di cellule e la complessità dei pattern elaborabili.
Due discipline che convergono: neuroscienze e informatica
Il progetto era nato per studiare la plasticità sinaptica, non per costruire un computer. Monitorare migliaia di neuroni vivi in tre dimensioni per mesi cambia però anche la ricerca medica: osservare come le connessioni si rafforzano o indeboliscono in una rete controllata è qualcosa che le colture piatte non permettevano. Kumar Mritunjay, primo autore dello studio, ha indicato che questi sistemi "possono contribuire alla comprensione e al possibile trattamento delle malattie neurologiche", incluse le patologie neurodegenerative come il Parkinson e l'Alzheimer.
L'interfaccia tra elettronica e tessuto biologico richiede materiali flessibili, precisi e biocompatibili. In parallelo, innovazioni come la stampa di circuiti con pennarello e laser della Scuola Superiore Sant'Anna puntano a rendere la fabbricazione di elettrodi personalizzati più rapida e meno costosa. La convergenza tra biologia e elettronica flessibile è il nodo tecnico da sciogliere prima di pensare a qualsiasi forma di scala industriale.
I sei mesi di stabilità già documentati indicano che la rete neurale viva integrata in un chip non è più solo un esperimento dimostrativo. I dettagli tecnici completi, incluso il link al paper su Nature Electronics, sono disponibili nel comunicato originale di Princeton Engineering. Il prossimo passo dichiarato dal team è aumentare il numero di neuroni fino al punto in cui il sistema possa affrontare compiti computazionali misurabili: da quel momento, il confronto con i data center tradizionali diventa quantificabile.
Domande frequenti
Come funziona il chip con neuroni vivi sviluppato a Princeton?
Il chip integra 70.000 neuroni vivi che crescono attorno a una rete tridimensionale di fili metallici ed elettrodi, permettendo di registrare e stimolare l'attività elettrica con grande precisione. Questo consente al sistema di riconoscere schemi elettrici complessi con un consumo energetico estremamente ridotto.
Quali sono i vantaggi energetici rispetto ai tradizionali sistemi di intelligenza artificiale?
Il dispositivo consuma circa un milionesimo dell'energia richiesta dai moderni sistemi di intelligenza artificiale a parità di compiti svolti. Questo enorme risparmio energetico è dovuto all'utilizzo di neuroni vivi, simili a quelli del cervello umano, che è molto più efficiente rispetto ai data center tradizionali.
Quali potenziali applicazioni mediche potrebbe avere questa tecnologia?
Il sistema permette di studiare la plasticità sinaptica monitorando migliaia di neuroni vivi per lunghi periodi, offrendo nuove opportunità per comprendere e trattare malattie neurologiche, come Parkinson e Alzheimer. La possibilità di osservare direttamente come le connessioni neurali si modificano rappresenta un importante passo avanti per la ricerca medica.
Quali sono le principali sfide tecniche per scalare questa tecnologia?
Le principali sfide riguardano la realizzazione di reti neurali vive di dimensioni sufficienti e la stabilità del sistema su larga scala. Inoltre, è necessario sviluppare materiali elettronici flessibili e biocompatibili per rendere possibile la produzione industriale di questi dispositivi.
Qual è la differenza tra chip neuromorfici tradizionali e il chip di Princeton?
I chip neuromorfici imitano l'architettura cerebrale nel silicio senza integrare neuroni vivi, mentre il chip di Princeton utilizza direttamente neuroni biologici. Questo approccio potrebbe offrire prestazioni superiori e un'efficienza energetica maggiore rispetto ai sistemi solo ispirati al cervello.
