Melbourne, settembre 2025.
In un data center australiano dei rack di server consumano meno energia di un fon da capelli.
Non sta succedendo perché usano chip più efficienti, ma perché al posto dei chip ci sono dei neuroni umani. Vivi.
Da qualche parte del mondo, in questo momento, c’è qualcuno che sta noleggiando cellule cerebrali umane su internet.
Il prezzo è circa 300 dollari a settimana e non servono laboratori attrezzati o competenze in biologia.
Basta un account, una connessione e del codice Python.
Cortical Labs, startup australiana fondata nel 2019, ha costruito il primo computer biologico commerciale al mondo: il CL1. Ogni unità contiene circa 200.000 neuroni umani cresciuti da cellule staminali, interfacciati su un chip di silicio. Il sistema comunica con i neuroni attraverso impulsi elettrici, li osserva rispondere e adattarsi, li usa per calcolare. Da marzo 2026 chiunque può accedere a questi neuroni attraverso Cortical Cloud, la piattaforma cloud dell’azienda.
Attenzione. Non stiamo parlando di un esperimento di laboratorio. Si tratta di un prodotto commerciale. Acquistabile. Reale.
Il rack completo consuma tra 850 e 1.000 watt: una frazione delle decine di kilowatt richiesti da un normale sistema AI di pari capacità computazionale.
Stiamo assistendo alla nascita di una nuova categoria: l’Artificial Biological Intelligence.
Cosa si intende per Artificial Biological Intelligence
L’Artificial Biological Intelligence, o ABI, non è un termine ancora stabilizzato nella letteratura scientifica. Descrive la convergenza tra intelligenza artificiale e scienze della vita in due direzioni diverse che stanno procedendo in parallelo.
La prima è il biocomputing: usare neuroni viventi come componenti computazionali. La biologia non come metafora dell’AI, quindi (come avviene nelle reti neurali artificiali), ma come substrato fisico reale. Neuroni vivi che apprendono, si adattano e processano informazioni.
La seconda direzione è opposta: usare l’AI per progettare e generare sistemi biologici. Modelli di linguaggio applicati al DNA, algoritmi che sintetizzano proteine mai esistite in natura, sistemi che leggono il codice della vita come fosse testo e ne scrivono di nuovo.
Le due direzioni convergono verso la stessa implicazione: la biologia smette di essere una scienza puramente osservativa e diventa una disciplina ingegneristica. Non si descrive più come funziona la vita: la si progetta.
I neuroni che imparano a giocare a Doom
Per capire però, partiamo da quello che l’ABI sa fare.
Il sistema DishBrain di Cortical Labs, documentato sulla rivista Neuron nel 2022, ha mostrato neuroni umani in grado di imparare a giocare a Pong in pochi minuti. Nel 2025 il CL1, la versione commerciale del sistema, ha eseguito una versione di Doom. Imperfettamente, sì. Con latenza, certo. Ma l’ha fatto.
La connessione tra un ambiente di gioco digitale e un substrato biologico vivente ha funzionato.
I neuroni generano piccoli impulsi elettrici per comunicare con la rete. Noi facciamo qualcosa di simile: inviamo impulsi che rappresentano bit di informazione e leggiamo le loro risposte.
Brett Kagan, Chief Scientific Officer di Cortical Labs (IEEE Spectrum, 2025)
Ovviamente qui il punto non è che i neuroni umani giochino a Doom meglio di un processore di ultima generazione. Non siamo a quel punto. Però, lo fanno già da ora con un consumo energetico molto, molto più basso, usando quantità di dati molto più piccole per apprendere, e in un modo adattivo che non richiede il ciclo completo di training tipico del machine learning tradizionale.
Johns Hopkins coordina una comunità internazionale di ricerca sull’organoid intelligence, e nel 2023 ha pubblicato la Baltimore Declaration, un framework etico per lo sviluppo responsabile del biocomputing. La posizione condivisa dalla maggior parte della comunità scientifica è che il wetware sia concepito come complementare, non sostitutivo, al silicio tradizionale.
L’AI che legge e scrive il codice della vita
La seconda traiettoria dell’ABI parte da un’osservazione diversa. Il DNA è una sequenza. Le proteine sono strutture determinabili da sequenze. Il linguaggio molecolare della biologia ha proprietà formali simili al linguaggio naturale che i modelli AI hanno imparato ad elaborare in modo sorprendentemente efficace.
Uno studio pubblicato su Nature Biotechnology nel 2026 descrive modelli AI progettati per processare simultaneamente il linguaggio della vita: mappe e predizioni dei flussi di informazione attraverso DNA, RNA e proteine. L’intero sistema di espressione genetica come oggetto unitario di analisi e previsione.
Le implicazioni pratiche più immediate riguardano la scoperta di farmaci. Oggi il processo di sviluppo di un nuovo farmaco richiede in media dieci-quindici anni e oltre un miliardo di dollari. Una parte enorme di quel costo è la fase di identificazione e validazione dei target molecolari: capire quali proteine sono coinvolte in una malattia e come un composto chimico potrebbe interagire con esse.
I sistemi di AI generativa per la biologia possono simulare queste interazioni in miliardi di varianti in parallelo, identificando candidati promettenti in settimane invece che in anni. Certo, non eliminano la sperimentazione clinica (e questo in realtà è anche un bene). Ma spostano il punto di partenza in avanti, riducendo drasticamente lo spazio di ricerca che deve essere esplorato empiricamente.
Perché l’ABI conta
I due filoni che abbiamo descritto non sono linee parallele ma convergenti, la cui convergenza genera un valore che si moltiplica.
Il biocomputing porta nella computazione le proprietà dell’apprendimento biologico: adattività, efficienza energetica, capacità di operare in ambienti fisici complessi. L’AI biologica porta nella biologia la capacità di progettazione e simulazione dell’intelligenza artificiale: velocità, scala, capacità di esplorare spazi di possibilità enormi.
Il risultato è un cambio nella relazione tra tecnologia e natura. Per la maggior parte della storia della tecnica, l’ingegneria ha imitato la natura: le ali degli uccelli hanno ispirato gli aerei, il cervello ha ispirato le reti neurali artificiali. L’ABI inverte questa relazione: la tecnologia non imita più la biologia ma la genera, e la usa come componente.
Le conseguenze più immediate si vedono già in tre aree.
Medicina e scoperta di farmaci
AlphaFold, il sistema di DeepMind che ha predetto la struttura tridimensionale di quasi tutte le proteine conosciute, ha cambiato in modo irreversibile la biologia strutturale. Era il 2020. Nel 2026 sistemi di generazione biologica più avanzati stanno producendo proteine con funzioni specifiche progettate a tavolino, candidati a farmaci per malattie rare che non avrebbero mai trovato spazio nei modelli commerciali tradizionali della ricerca farmaceutica.
Computing sostenibile
I data center globali consumano oggi circa il 2% dell’elettricità mondiale. Con la crescita dei modelli AI, quella percentuale è destinata ad aumentare. Un rack di CL1 consuma meno di un kilowatt per gestire carichi computazionali che richiederebbero decine di kilowatt in silicio. Non è ancora scalabile alla dimensione dei grandi data center, ma indica una direzione verso un computing biologico ibrido che potrebbe cambiare l’equazione energetica dell’AI nel lungo periodo.
Robotica e sistemi fisici
La terza area (forse meno ovvia) è il biocomputing. Un drone o un robot che opera in ambienti fisici complessi ha bisogno di elaborare informazioni sensoriali in tempo reale, adattarsi a condizioni impreviste, consumare poca energia. Sono esattamente le condizioni in cui i neuroni biologici eccellono rispetto al silicio.
ABI, Etica e Sicurezza
L’ABI apre questioni che la comunità scientifica sta iniziando ad affrontare senza aver ancora trovato risposte condivise.
La più urgente riguarda l’etica. La coscienza.
Se neuroni umani sono in grado di apprendere, di adattarsi, di rispondere in modo contestuale a stimoli complessi, a partire da quale punto questo substrato biologico acquisisce una qualche forma di esperienza soggettiva? La domanda non è solo filosofica: ha implicazioni etiche dirette sulla ricerca, sulla sperimentazione e sull’uso commerciale di questi sistemi.
In altre parole: quando questi sistemi (basati sulla vita) potranno dirsi “vivi”?
La Baltimore Declaration del 2023 di Johns Hopkins ha cercato di porre un framework etico, ma il consenso è ancora fragile. Oggi più che mai la discussione si fa più urgente.
La seconda domanda riguarda la sicurezza biologica. Sistemi che generano nuove sequenze genetiche o nuove proteine a partire da prompt sono strumenti potenti nelle mani di ricercatori con intenzioni legittime. Sono però anche potenzialmente pericolosi nelle mani di chi non le ha. La biologia sintetica ha una storia di dibattiti sul dual use, l’uso a doppio scopo civile e militare delle stesse tecnologie, che l’AI biologica porta a un livello di complessità nuova.
La Governance dell’Artificial Biological Intelligence
C’è qualcosa di vertiginoso in quello che sta succedendo in questo campo, e sarebbe sbagliato ignorarlo.
Neuroni umani che apprendono a giocare sono la stessa cosa di neuroni umani che pensano? Probabilmente no. Ma il fatto che la domanda torni d’attualità, in un contesto in cui i neuroni non sono dentro una testa ma su un chip che si può comprare per 35.000 dollari o noleggiare per 300 a settimana, è già un cambiamento nella relazione tra l’umano e la macchina che non aveva precedenti.
Certo, si aprono moltissime questioni che possono e devono essere affrontate ora, prima che sia troppo tardi. Di sicuro, la distinzione tra settore tecnologico e settore scientifico-sanitario sta diventando sempre meno netta (come abbiamo visto anche con Claude Science e Midjourney Medical). Proprio per questo però, e proprio perché un quadro normativo sull’AI biologica non esiste ancora, il momento di costruire una vera Governance è questo.
La biologia è sempre stata il territorio dell’emergenza, della complessità irriducibile, del vivente che sfugge alla formalizzazione. L’ABI non risolve questa irriducibilità ma comincia a usarla come risorsa invece che come limite.
Forse è questa la trasformazione più profonda: non che le macchine stiano diventando biologiche, ma che stiamo iniziando a trattare la biologia come un materiale da cui costruire macchine. E che questa distinzione, su cui abbiamo costruito secoli di filosofia, medicina e tecnologia, stia diventando meno nitida di quanto fino a pochi mesi fa saremmo stati abituati a pensare.
Nuove Connessioni (FAQ)
Noleggiare neuroni umani da cellule staminali per 300 dollari a settimana è già oggi eticamente problematico, o il quadro normativo ha ancora tempo per costruirsi?
Il tempo è già esaurito. Non nel senso che la situazione sia irrecuperabile, ma nel senso che il prodotto è commerciale, acquistabile e accessibile ora, mentre il framework normativo non esiste ancora. La Baltimore Declaration di Johns Hopkins del 2023 ha posto alcune basi etiche condivise dalla comunità di ricerca, ma non ha forza di legge in nessuna giurisdizione. La domanda centrale, a partire da quale soglia un substrato biologico acquisisce una qualche forma di esperienza soggettiva, è ancora aperta. Aprirla adesso, prima che la scala commerciale renda la risposta politicamente troppo costosa, è esattamente il tipo di conversazione che la governance tecnologica non riesce quasi mai a fare in tempo.
Il CL1 è davvero competitivo con i chip AI tradizionali, o siamo ancora in una fase troppo precoce per confrontarli?
Dipende da cosa si misura. Sul piano delle prestazioni computazionali pure, il silicio tradizionale non ha rivali oggi. Ma confrontare il CL1 con una GPU su benchmark standard è come confrontare un polmone con un compressore industriale: misurano cose diverse. Il vantaggio del wetware non è la velocità ma l’adattività e l’efficienza energetica in compiti aperti. Un sistema biologico impara da quantità di dati molto più piccole, consuma una frazione dell’energia e gestisce l’incertezza ambientale in modo che il silicio replica solo con architetture molto più complesse. Il confronto rilevante non è CL1 contro GPU. È CL1 contro i sistemi edge che oggi operano in ambienti fisici non controllati.
Cosa cambia concretamente per un’azienda che dipende da AI per decidere, produrre o comunicare, sapendo che la biologia sta diventando un materiale computazionale?
Cambia la domanda di fondo sulla governance delle proprie infrastrutture cognitive. Finché l’AI era silicio, i rischi erano tecnici: bias nei dati, affidabilità dei modelli, sicurezza degli accessi. Quando il substrato diventa biologico, i rischi acquisiscono una dimensione nuova: etica, regolatoria, e di responsabilità verso il materiale stesso che si usa. Le organizzazioni che trattano l’AI come una commodity da integrare senza presidio di governance stanno costruendo dipendenze da sistemi che cambieranno natura prima che abbiano avuto tempo di capire come governarli. Non è un’emergenza di domani. È una struttura che si costruisce oggi, quando ancora c’è spazio per farlo.
Fonti e approfondimenti
Cortical Labs, CL1 e Cortical Cloud (corticallabs.com). Il primo computer biologico commerciale e la piattaforma wetware-as-a-service.
IEEE Spectrum, This $35,000 Computer Is Powered by Human Brain Cells (spectrum.ieee.org). Intervista con il CSO Brett Kagan sul funzionamento del CL1.
E+T Magazine, Wetware: Is your next computer a living one? (eandt.theiet.org). Panoramica su Cortical Labs, FinalSpark e Johns Hopkins. Marzo/Aprile 2026.
Information Age, This Melbourne data centre runs on human brain cells (ia.acs.org.au). Il Bio Data Centre di Cortical Labs operativo da settembre 2025.
Nature Biotechnology, Generalist biological AI (nature.com). Modelli AI per processare simultaneamente DNA, RNA e proteine. 2026.
FinalSpark, Open and remotely accessible Neuroplatform (ncbi.nlm.nih.gov). Ricerca accademica peer-reviewed sul wetware computing e l’organoid intelligence.