Biologische Rechencluster: Die ethischen und technischen Hürden des Einsatzes von Gehirnorganoiden für KI-Training

Im März 2026 lernte eine Petrischale mit 200.000 menschlichen Gehirnzellen, Doom zu spielen^[s]. Das australische Startup Cortical Labs hatte ähnlichen Zellen bereits 2022 beigebracht, Pong zu spielen, und nennt seine Schöpfung nun „den ersten codeausführbaren biologischen Computer der Welt“. Corticals CL1 nutzt im Labor gezüchtete Neuronen auf einem Chip statt eines 3D-Organoids, teilt aber die Ambitionen des Gehirnorganoid-Computings: der Versuch, lebende Neuronen als Rechenhardware zu nutzen. Die Technologie verspricht Maschinen, die schneller lernen und weit weniger Energie verbrauchen als Silizium. Doch bevor wir feiern, stehen fünf große Hürden zwischen den neuronalen Kunststücken von heute und den biologischen Supercomputern von morgen.

Warum Gehirnorganoid-Computing wichtig ist

Das menschliche Gehirn arbeitet mit etwa 20 Watt und entspricht dabei der Rechenleistung des Frontier-Supercomputers, der 21 Megawatt verbraucht^[s]. Das ist ein millionenfacher Effizienzunterschied. Das Training von GPT-3 benötigte schätzungsweise 1.300 Megawattstunden Strom, genug, um 800 europäische Haushalte ein Jahr lang zu versorgen^[s]. Könnten wir auch nur einen Bruchteil der biologischen Neuroneneffizienz nutzen, würde sich die Umweltbilanz der künstlichen Intelligenz grundlegend verändern.

Gehirnorganoide sind winzige dreidimensionale Cluster menschlicher Neuronen, die aus Stammzellen gezüchtet werden. Forscher entnehmen Blutzellen, programmieren sie zu Stammzellen um und leiten diese an, zu Neuronen zu werden^[s]. Auf elektrodenbestückten Chips platziert, können diese Neuronen elektrische Signale senden und empfangen, was eine primitive Schnittstelle zwischen Biologie und Maschine schafft. Die Zellen passen sich an. Sie lernen. Und anders als Algorithmen tun sie dies mit bemerkenswert wenigen Trainingsdaten.

Hürde 1: Die Bewusstseinsfrage

Als Cortical Labs ihr Pong-Paper veröffentlichte, verwendeten sie das Wort „Sentience“ (Empfindungsvermögen) im Titel. Der Gegenschlag kam sofort: 30 Forscher argumentierten, der Begriff sei „durch die präsentierten Daten nicht gerechtfertigt“^[s]. Die Debatte ist nicht nur semantischer Natur. Wenn Gehirnorganoid-Computing Systeme erzeugt, die leiden können, ändern sich die ethischen Einsätze grundlegend.

Der Philosoph Matthew Owen argumentiert, wir sollten uns mehr um das Bewusstsein von Organoiden als um das Bewusstsein von KI sorgen, weil Organoide weit mehr mit menschlichen Gehirnen gemein haben als künstliche neuronale Netze^[s]. Er vermutet jedoch, dass aktuelle Organoide „auf dieselbe Weise lernen wie Algorithmen lernen, oder wie man sagen könnte, dass Pflanzen lernen, indem sie sich an ihre Umgebung anpassen“, ohne moralisch bedeutsames Bewusstsein. Das Problem: Es gibt keinen anerkannten Test dafür, wo Anpassung endet und Erleben beginnt.

Hürde 2: Sie leben nicht lange genug

Gehirnorganoide überleben im Labor 100 Tage bis 15 Monate, abhängig von den Pflegemethoden^[s]. Ohne Blutgefäße zur Sauerstoff- und Nährstoffversorgung sterben sie schließlich ab. Moderne Supercomputer halten jahrelang. Eine Rechenplattform, deren Komponenten nur Monate bis ein Jahr halten, erfordert ständige Wartung und Austausch und stellt für jede ernsthafte Anwendung offensichtliche praktische Herausforderungen dar.

Hürde 3: Keine zwei Organoide sind gleich

Jedes Organoid entwickelt sich anders. Die Stammzellkulturen organisieren sich selbst, was bedeutet, dass Forscher die entstehende neuronale Architektur nicht präzise steuern können. Diese Variabilität macht reproduzierbare Experimente schwierig und den großflächigen Einsatz noch schwieriger. Siliziumchips werden nach identischen Spezifikationen gefertigt; Neuronen nicht.

Hürde 4: Wir können ihnen nicht sagen, was sie tun sollen

Der Computerneurowissenschaftler Tony Zador brachte es auf einer Asilomar-Konferenz 2025 direkt auf den Punkt: „Sie dazu zu bringen, sich so zu verschalten, wie wir es wollen, übersteigt völlig das, was wir uns derzeit auch nur vorstellen könnten. Die Herausforderung besteht darin, dass wir immer noch nicht verstehen, welche Neuronen wichtig sind und wie man Rechenmodelle mit ihnen bildet“^[s]. Rechenzentren führen menschliche Anweisungen aus. Neuronale Schaltkreise tun, wozu die Evolution sie verdrahtet hat. Diese Lücke zu überbrücken, bleibt ein ungelöstes Problem.

Hürde 5: Ethikrahmen hinken hinterher

Die meisten Bioethik-Richtlinien behandeln Organoide als Forschungswerkzeuge, nicht als Rechenkomponenten^[s]. Der Nuffield Council on Bioethics hat nach neuen Kriterien gerufen, um zu bestimmen, welche „Merkmale“ auf Bewusstsein in neuralen Organoiden hinweisen könnten^[s]. Der Stanford-Forscher Sergiu Pasca warnte auf Asilomar, dass „übermäßig weitreichende Behauptungen die Öffentlichkeit und politische Entscheidungsträger darüber verwirren können, was diese Systeme tatsächlich leisten“^[s]. Forscher befürchten eine öffentliche Gegenreaktion, die breite Regulierungen auslöst und möglicherweise legitime medizinische Anwendungen hemmt.

Was als Nächstes kommt

Trotz der Hürden gehen die Investitionen weiter. Die National Science Foundation verpflichtete sich 2024 zu 14 Millionen Dollar für sieben Biocomputing-Projekte und bat jedes Team, Rahmenbedingungen für sichere, ethische und gesellschaftlich verantwortungsvolle Forschung zu entwickeln^[s]. Auch DARPA hat Millionen investiert^[s]. Unternehmen wie Cortical Labs und FinalSpark verkaufen Zugang zu ihren biologischen Rechenplattformen.

Die unmittelbare Zukunft wird wahrscheinlich Arzneimittelprüfungen und Krankheitsmodellierung umfassen, anstatt Rechenzentren zu ersetzen. Gehirnorganoid-Computing könnte Forschern helfen, Autismus, Alzheimer und Epilepsie ohne Tierversuche zu verstehen^[s]. Die große Vision biologischer Supercomputer liegt noch Jahrzehnte entfernt, wenn sie überhaupt Wirklichkeit wird.

Im März 2026 demonstrierte Cortical Labs ihren biologischen Computer CL1, der Doom mit 200.000 menschlichen Neuronen spielte, die auf einem Multielektrodenarray gezüchtet wurden^[s]. Die Neuronen wurden aus induzierten pluripotenten Stammzellen gewonnen, die aus Blutproben umprogrammiert worden waren, dann zu kortikalen Neuronen differenziert und auf elektrodenbestücktes Silizium aufgebracht. CL1 ist eine 2D-Kultur statt eines 3D-Gehirnorganoids, befindet sich aber an der sichtbaren Grenze des Biocomputings neben dem Gehirnorganoid-Computing: biologische neuronale Netzwerke, die über bidirektionale elektrische Signalgebung mit digitalen Systemen verbunden sind. Das technische Versprechen ist beachtlich. Die Hindernisse sind es ebenso.

Das Effizienzargument für Gehirnorganoid-Computing

Der Frontier-Supercomputer erreicht etwa 1,1 ExaFLOPS bei 21 Megawatt. Das menschliche Gehirn arbeitet mit annähernd demselben Rechendurchsatz bei 20 Watt^[s]. Dieser millionenfache Effizienzunterschied treibt das gesamte Forschungsfeld an. Kwabena Boahen von Stanford schätzte, dass die Replikation biologischer Neuroneneffizienz mit Silizium 10 Megawatt erfordern würde, für das, was das Gehirn mit 20 Watt leistet^[s].

Diese Effizienz ergibt sich aus grundlegenden architekturellen Unterschieden. Biologische Neuronen arbeiten durch impulsbasierte, ereignisgesteuerte Berechnung statt durch kontinuierliche taktsynchronisierte Verarbeitung. Sie kodieren Informationen in Impulszeitpunkten, Amplitude und Wellenform statt in binären Zuständen^[s]. Jedes Neuron fungiert gleichzeitig als Prozessor und Speicher, womit von-Neumann-Engpässe entfallen. Und entscheidend: Biologische neuronale Netzwerke zeigen Plastizität, sie verdrahten sich physisch als Reaktion auf Reize um, was Lernen ohne Backpropagation durch Millionen von Parametern ermöglicht.

Der Datenvorteil ist ebenso bemerkenswert. Menschen meistern Gleich-oder-verschieden-Aufgaben mit etwa 10 Trainingsbeispielen; Honigbienen benötigen ungefähr 100. Maschinelle Lernsysteme konnten diese Unterscheidungen 2018 noch immer nicht mit 10 Millionen Beispielen erlernen^[s]. AlphaGo benötigte 160.000 Trainingsspiele; ein Mensch, der täglich fünf Stunden spielt, würde 175 Jahre brauchen, um gleichwertige Erfahrung anzusammeln.

Hürde 1: Phänomenales Bewusstsein vs. adaptives Verhalten

Das Cortical-Labs-Neuron-Paper von 2022, das Neuronen beschrieb, die Pong „lernten“, enthielt „Sentience“ im Titel und löste einen offenen Brief von 30 Forschern aus, die argumentierten, die Terminologie sei nicht gerechtfertigt^[s]. Der Kernpunkt ist die Unterscheidung zwischen adaptiver Reaktion und phänomenalem Erleben.

Der Philosoph Matthew Owen unterscheidet zwischen funktionalem und bewusstem Lernen: Organoide lernen wahrscheinlich „auf dieselbe Weise, wie Algorithmen lernen, oder wie man sagen könnte, dass Pflanzen lernen, indem sie sich an ihre Umgebung anpassen“^[s]. Er stellt jedoch fest, dass Organoide weit mehr mechanistisch mit bewussten menschlichen Gehirnen gemeinsam haben als künstliche neuronale Netze, was die Bewusstseinsfrage für Gehirnorganoid-Computing dringlicher macht als für Silizium-KI.

Der Nuffield Council on Bioethics hat den Bedarf an „anatomischen oder funktionalen Merkmalen“ identifiziert, die als Kriterien für die Zuschreibung von Bewusstsein an neuronale Organoide dienen könnten^[s]. Solche Kriterien existieren derzeit nicht. Ohne sie bleibt die Bestimmung des moralischen Status unmöglich, und Ethikrahmen können keine angemessenen Forschungsgrenzen festlegen.

Hürde 2: Biologische Lebensdauerbeschränkungen

Aktuelle Gehirnorganoide überleben 100 Tage bis 15 Monate, abhängig von den Kulturbedingungen und der Anwendung^[s]. Der begrenzende Faktor ist Nekrose durch unzureichende Sauerstoff- und Nährstoffdiffusion ohne Vaskularisierung. Das entspricht maximal etwa 25 % der durchschnittlichen Betriebslebensdauer eines Supercomputers. Während die Generierungskosten für Organoide bemerkenswert niedrig sind (etwa 0,36 € pro Organoid mit 0,66 € jährlicher Wartung)^[s], schafft der kontinuierliche Austausch praktische und möglicherweise ethische Komplikationen.

Hürde 3: Stochastische Selbstorganisation

Gehirnorganoide entwickeln sich durch Selbstorganisation von Stammzellkulturen, was zu erheblicher Variabilität in der zellulären Zusammensetzung und Architektur zwischen den Exemplaren führt. Jedes Organoid entwickelt einzigartige Konnektivitätsmuster, was reproduzierbare Experimente schwierig und skalierte Implementierungen mit aktuellen Techniken unpraktisch macht. Siliziumfertigung erreicht Nanometergenauigkeit; biologische Entwicklung ist von Natur aus stochastisch.

Hürde 4: Das Steuerungsproblem

Der Computerneurowissenschaftler Tony Zador vom Cold Spring Harbor Laboratory formulierte die grundlegende Herausforderung auf der Asilomar-Konferenz 2025: „Sie dazu zu bringen, sich so zu verschalten, wie wir es wollen, übersteigt völlig das, was wir uns derzeit auch nur vorstellen könnten. Die Herausforderung besteht darin, dass wir immer noch nicht verstehen, welche Neuronen wichtig sind und wie man Rechenmodelle mit ihnen bildet“^[s]. Rechenzentren führen deterministische Anweisungen aus; neuronale Schaltkreise führen jene Berechnung aus, die ihr Konnektivitätsmuster erlaubt. Diese Lücke zu schließen, erfordert neurowissenschaftliche Fortschritte, die noch nicht existieren.

Hürde 5: Regulierungs- und Governance-Vakuum

Bestehende Bioethik-Rahmenwerke behandeln Organoide als biomedizinische Forschungswerkzeuge, nicht als Rechensubstrate^[s]. Die Asilomar-Tagung vom November 2025 verdichtete die Befürchtungen, dass Biocomputing-Publicity „Aufmerksamkeit auf eine Weise erregen könnte, die zu übermäßig breiten Gesetzen führt, die medizinische Anwendungen der Organoid-Forschung behindern könnten“^[s]. Stanfords Sergiu Pasca betonte, dass „die Verwendung präziser Begriffe, die die Arbeit weder übertreiben noch falsch darstellen, wirklich wichtig ist“^[s].

Das EFRI-BEGIN-OI-Programm der NSF von 2024 stellt ein Governance-Modell dar: 14 Millionen Dollar verteilt auf sieben interdisziplinäre Projekte, jedes beauftragt, Rahmenbedingungen für sichere, ethische und gesellschaftlich verantwortungsvolle Forschung zu entwickeln^[s]. Ob dieser eingebettete Ethikansatz auf die kommerzielle Entwicklung skalierbar ist, bleibt ungetestet.

Aktuelle Forschungstrajektorie

Kurzfristige Anwendungen konzentrieren sich auf pharmazeutisches toxikologisches Screening und Krankheitsmodellierung statt auf allgemeine Berechnung. Johns-Hopkins-Forscher stellen sich Organoidsysteme vor, die typische neuronale Entwicklung mit autismusbetroffener Entwicklung ohne Tiermodelle vergleichen^[s]. Cortical Labs bietet Fernzugang zu ihrer biologischen Rechenplattform, während FinalSpark ähnlichen Zugang über ihre Neuroplatform ermöglicht.

Thomas Hartung, der den Begriff „Organoid-Intelligenz“ 2023 zusammen mit seiner Kollegin Lena Smirnova geprägt hat, schätzt, dass es Jahrzehnte dauern wird, bis Systeme die Rechenleistung einer Maus erreichen^[s]. Die Effizienzvorteile des Gehirnorganoid-Computings bleiben theoretisch überzeugend; seine technischen Herausforderungen bleiben praktisch einschüchternd.