C’è un momento, in laboratorio, in cui la distinzione tra naturale e artificiale smette di essere netta.
Non è uno di quei passaggi spettacolari in CGI da film di fantascienza, ma qualcosa di più sottile:
un segnale elettrico smette di essere solo un impulso artificiale e diventa qualcos’altro.
Non è più una traccia su un oscilloscopio, ma una domanda rivolta alla materia vivente:
“Mi riconosci?”.
by O. D. B. – 20 Aprile 2026
In una serie di esperimenti condotti alla Northwestern University, quella domanda ha ricevuto una risposta: una risposta sorprendente. Tessuti cerebrali di topo hanno reagito non in modo casuale, ma come se quel segnale provenisse da un neurone vero.
È da qui che prende forma il lavoro dei ricercatori pubblicato su Nature Nanotechnology il 15 Aprile scorso. L’obiettivo non è “semplicemente” imitare il cervello, ma iniziare a dialogare con esso: una differenza che cambia profondamente il modo in cui pensiamo all’elettronica, all’intelligenza artificiale e alle interfacce uomo-macchina.
Il problema nascosto dell’Intelligenza Artificiale
Per capire la rilevanza di questo risultato, bisogna partire da un problema che esula completamente dai laboratori di neuroscienze. Oggi, l’intelligenza artificiale cresce divorando dati. Più dati significa più addestramento, e più addestramento significa più energia…enormi quantità di energia.
“Il mondo in cui viviamo oggi è dominato dall’intelligenza artificiale (IA)”, ha affermato Mark C. Hersam, titolare dello studio. “Per rendere l’IA più intelligente, è necessario addestrarla con quantità sempre maggiori di dati. Questo addestramento intensivo sui dati comporta un enorme problema di consumo energetico. Pertanto, dobbiamo sviluppare hardware più efficiente per gestire i big data e l’IA. Poiché il cervello è cinque ordini di grandezza più efficiente dal punto di vista energetico rispetto a un computer digitale, ha senso guardare al cervello per trarre ispirazione per l’informatica di prossima generazione.”
Il cervello umano funziona con circa 20 watt (una potenza simile a quella di una lampadina a LED) e riesce a svolgere compiti (riconoscere volti, apprendere, adattarsi) che a un dispositivo digitale richiede interi data center. La differenza non è solo quantitativa, ma soprattutto qualitativa: il cervello non è una macchina che calcola più velocemente, è una macchina che calcola diversamente.
Silicio VS Cervello
I computer tradizionali si basano su una logica semplice: aumentare la potenza aggiungendo più unità identiche.
“Il silicio raggiunge la complessità grazie alla produzione di miliardi di dispositivi identici”, ha affermato Hersam. “Una volta fabbricato, tutto è uguale, rigido e fisso. Il cervello è l’opposto. È eterogeneo, dinamico e tridimensionale. Per muoverci in questa direzione, abbiamo bisogno di nuovi materiali e di nuovi metodi per costruire dispositivi elettronici.”
Ed è in questa differenza, nel cuore della cosiddetta informatica neuromorfica, che si inserisce la ricerca: costruire hardware che non simuli semplicemente il cervello a livello software, ma ne riproduca i principi fisici di funzionamento.
Il limite dei neuroni artificiali tradizionali
Negli ultimi anni, l’hardware neuromorfico ha cercato di colmare questa distanza costruendo neuroni artificiali.
Ma c’era un limite persistente: il realismo.
Molti dispositivi riuscivano a produrre impulsi elettrici, sì, ma troppo semplici. Segnali schematici, lontani dalla ricchezza temporale dei veri potenziali d’azione biologici. Per ottenere comportamenti complessi, bisognava allora combinare molti dispositivi.
Il risultato è un paradosso: per ottenere comportamenti complessi, servono enormi reti di dispositivi semplici, con un aumento significativo del consumo energetico, generando il problema che si voleva risolvere.
Un errore trasformato in risorsa
La svolta del team della Northwestern nasce da un dettaglio apparentemente marginale: non partire dalla perfezione del silicio, ma da materiali più “imperfetti”, più vicini alla materia vivente.
I ricercatori utilizzano inchiostri elettronici basati su nanomateriali: disolfuro di molibdeno (MoS₂), un semiconduttore e grafene, un conduttore.
Questi materiali vengono depositati su substrati flessibili tramite stampa a getto di aerosol. Fin qui, nulla di nuovo. Il punto cruciale è il polimero stabilizzante presente nell’inchiostro. Tradizionalmente, questo polimero veniva rimosso perché interferisce con il flusso di corrente. I ricercatori hanno fatto l’opposto: invece di eliminarlo, lo hanno sfruttato.
“Invece di rimuovere completamente il polimero, lo decomponiamo parzialmente”, ha spiegato Hersam. “Poi, quando facciamo passare la corrente attraverso il dispositivo, induciamo un ulteriore decomposizione del polimero. Questa decomposizione avviene in modo spazialmente non omogeneo, portando alla formazione di un filamento conduttivo, in modo che tutta la corrente sia confinata in una regione ristretta dello spazio.”
È in questa regione ristretta che avviene qualcosa di cruciale: la corrente si concentra e produce una risposta improvvisa, simile a uno spike neuronale.
Memristori e dinamiche non lineari
Dal punto di vista fisico, questi dispositivi appartengono alla famiglia dei memristori: componenti elettronici la cui resistenza dipende dalla “storia” della corrente che li attraversa. Non sono semplici interruttori, ma sistemi con memoria. Memoria intrinseca che permette di costruire circuiti che non si limitano a trasmettere segnali, ma li trasformano nel tempo.
Lo studio descrive un comportamento chiave: “commutazione filamentosa termicamente attivata” e “resistenza differenziale negativa snap-back”. In termini più intuitivi, significa che il dispositivo non risponde in modo lineare: piccoli cambiamenti possono generare risposte improvvise e complesse.
Il meccanismo è guidato dal riscaldamento Joule (il calore prodotto dal passaggio di corrente) che modella dinamicamente i percorsi conduttivi. Questo permette di ottenere una varietà di segnali: spike singoli, scariche continue, sequenze a raffica. Non più un linguaggio elettrico semplificato, ma un repertorio ricco, più vicino a quello biologico.
Artificiale e Biologico parlano la stessa lingua
Il risultato è un dispositivo capace di generare segnali con caratteristiche fisiologiche realistiche, sia in termini di forma che di scala temporale. Le frequenze raggiungono i 20 kHz, con stabilità oltre un milione di cicli. Ma la vera prova non è tecnica: è biologica.
Per verificarla, il team ha collaborato con Indira M. Raman, professoressa di neurobiologia presso il Weinberg College of Art and Design. I ricercatori hanno applicato segnali artificiali a sezioni di cervelletto di topo. In particolare, ai neuroni di Purkinje, noti per il loro ruolo nel coordinamento motorio.
Il risultato è sorprendente: i neuroni biologici rispondono. Gli spike artificiali hanno la giusta forma e tempistica per attivare i circuiti neurali.
“Si può osservare la risposta dei neuroni viventi al nostro neurone artificiale.” ha affermato Hersam. “Abbiamo quindi dimostrato che i segnali non solo hanno la giusta scala temporale, ma anche la giusta forma di potenziale d’azione per interagire direttamente con i neuroni viventi.”
Non si tratta più di simulazione, ma di interazione.
Verso interfacce bioibride
Questo approccio apre una prospettiva concreta per le interfacce cervello-macchina. Non dispositivi che leggono o stimolano in modo grossolano, ma sistemi capaci di integrarsi nel linguaggio elettrico del sistema nervoso.
Le applicazioni sono molteplici: neuroprotesi per il movimento, impianti per l’udito o la vista, tecnologie per il recupero di funzioni neurologiche compromesse.
La flessibilità dei materiali è un elemento chiave. A differenza del silicio rigido, questi dispositivi possono adattarsi ai tessuti biologici, riducendo il rischio di danni e migliorando la compatibilità a lungo termine.
Un nuovo modello energetico
C’è però un altro livello, meno immediato ma forse più radicale: il modo in cui costruiamo i sistemi di calcolo.
“Per soddisfare il fabbisogno energetico dell’IA, le aziende tecnologiche stanno costruendo data center da gigawatt alimentati da centrali nucleari dedicate”, afferma Hersam. “È evidente che questo enorme consumo energetico limiterà l’ulteriore espansione della potenza di calcolo, poiché è difficile immaginare un data center di nuova generazione che richieda 100 centrali nucleari. L’altro problema è che quando si dissipano gigawatt di potenza, si genera molto calore. Poiché i data center sono raffreddati ad acqua, l’IA sta mettendo a dura prova le risorse idriche. In qualsiasi modo la si guardi, dobbiamo trovare hardware più efficiente dal punto di vista energetico per l’IA.”
I neuroni artificiali sviluppati dal team suggeriscono un’alternativa concreta: sistemi che non aumentano la potenza aggiungendo componenti, ma aumentando le capacità di ciascun elemento. Un singolo neurone capace di comportamenti complessi può sostituire intere reti di dispositivi più semplici.
È un cambio di paradigma: dalla quantità alla qualità.
Stampare il cervello?
C’è infine un aspetto quasi controintuitivo: questi dispositivi sono stampati. Il processo è additivo (il materiale viene depositato solo dove serve), riducendo così sprechi e costi.
Questo apre alla scalabilità: potenzialmente, dai prototipi da laboratorio, a sistemi producibili su larga scala.
L’idea di “stampare neuroni” può sembrare metaforica, ma qui è letterale. E suggerisce una direzione in cui l’elettronica diventa meno simile a una macchina rigida e più a un sistema vivente: flessibile, adattabile, imperfetto ma, proprio per questo, più potente.
Sottile Confine
Alla fine, la domanda non è se riusciremo a imitare il cervello, ma quanto saremo disposti ad avvicinarci ad esso.
Quando un segnale artificiale diventa indistinguibile da uno biologico, la classificazione tra dispositivo e organismo si fa meno netta. Non è una fusione, è vero, ma una zona di contatto…una soglia. Ed è proprio lì che qualcosa cambia.
"Il confine tra il sé e lo strumento si dissolve nell'atto dell'uso."
Andy Clark
Articoli già pubblicati sull’argomento:
Fonti:
https://news.northwestern.edu/stories/2026/4/printed-neurons-communicate-with-living-brain-cells
