将神经元整合到数字系统中以利用其固有的智能可能实现仅靠硅无法实现的性能，并提供对智能细胞起源的洞察。我们开发了DishBrain系统，该系统通过在结构化环境中利用神经元的固有适应性计算来展现自然智能。源自人类或啮齿动物的体外神经网络通过高密度多电极阵列与硅计算相结合。通过电生理刺激和记录，培养物嵌入模拟游戏世界中，模仿街机游戏‘Pong’。
应用先前未测试的主动推理理论通过自由能原理，我们发现学习在实时游戏五分钟内明显出现，这在对照条件下未观察到。进一步的实验证明了闭环结构化反馈在引发随时间学习的重要性。培养物显示出在稀疏感觉信息响应其行动后果的情况下以目标导向方式自我组织的能力。
利用活神经元的计算能力创建合成生物智能（SBI），以前仅限于科幻领域，现在人类创新触手可及。生物计算的优越性已被广泛认可，尝试开发支持神经形态计算的硬件。
然而，生物神经元之外的系统无法支持至少第三级复杂性，这对于再现生物神经网络（BNN）的复杂性是必要的。这给生成硅神经元模型以预测BNN系统功能带来了重大挑战。我们的目标是建立来自胚胎啮齿动物和人诱导多能干细胞（hiPSCs）的功能性体外皮质细胞网络，以证明这些神经培养物可以在模拟游戏环境中实时展现生物智能——如通过学习所证明的那样。能够成功与SBI互动将使调查先前无法测试的领域成为可能。
通过DishBrain系统，我们能够测试关键理论，了解智能行为可能如何在一个嵌入环境中的智能系统中产生。一个建议是，智能行为可能通过自由能原理（FEP）的主动推理理论产生。先前的工作已经确定神经元可以通过状态依赖的Hebbian可塑性执行盲源分离，这与FEP一致。FEP表明，任何与环境分离的自组织系统都寻求最小化其变分自由能。
这意味着像大脑这样的系统——在每个时空尺度上——可能通过使用内部生成模型来预测代表外部世界的感官输入而参与主动推理。模型预测和观察到的感官之间的差距（‘意外’或‘预测误差’）可以通过优化对环境的概率（贝叶斯）信念以使预测更像感官，或通过作用于环境以使感官符合其预测来最小化。这暗示了行动和感知的一个共同目标函数，该函数评分内部模型和外部环境之间的拟合度。
在这里，我们展示了一个系统，Dishbrain，它能够在虚拟环境中体现来自任何来源的神经元，并实时测量它们对刺激的反应。神经元，尤其是集合中的神经元，以适应性方式对外部刺激做出反应的能力在体内已得到充分证实。然而，这项工作首次在体外建立了这种基本行为。我们能够使用这种硅生物学测定法来调查神经计算的基本原理。简而言之，我们展示了第一个在实时中展示适应行为的SBI设备。
该系统本身提供了扩展先前硅模型神经行为的机会，例如在解决空间和非空间问题中测试海马和内嗅细胞的模型。
迄今为止，DishBrain的主要用途是将神经培养物体现为经典街机游戏‘Pong’的模拟，通过定义的MEA子集读取神经元活动，并将感官信息编码为刺激，放置在与那些运动区域相对的八个不同刺激站点。MaxOne MEA配置为以20,000次每秒的速率读取其26,400个电极中的多达1024个电极。
如图S2B所示，这些样本可选地按原样记录，以便稍后分析，但还通过一系列计算效率高的无限脉冲响应（IIR）滤波器运行，以计算噪声和活动水平，这些水平被比较以检测尖峰。传入的样本通过具有100Hz截止的高通贝塞尔滤波器进行滤波，然后使用具有1Hz截止的低通贝塞尔滤波器对绝对值进行平滑处理，尖峰阈值与该平滑绝对值成比例。
尖峰本身可选地记录，无论哪种方式，在10毫秒（200个样本）期间计数，此时游戏环境被给予在每个配置电极中检测到的尖峰数量，并且这些尖峰计数根据尖峰发生的运动区域解释为运动活动，移动球拍向上或向下。