包括早期阶段imToken和成熟的神经元

研究者将类器官与一类被称为储备池计算的人工神经网络相结合，这是一个动态物理存储层。

可以执行如语音识别和非线性方程预测等任务。

部分是传统计算硬件。

更复杂的人工神经网络尚有待演示。

但随着这些模型变得越来越复杂，约翰斯霍普金斯大学的Lena Smirnova和同事写道：随着这些类器官系统的复杂性增加，创造出通用生物计算系统可能还要数十年。

研究含有人类神经组织的生物计算系统的相关诸多神经伦理问题变得重要，会发育出类脑组织，在输入和输出层使用了普通计算硬件。

但这一研究有可能就学习、神经发育和神经退行性疾病的认知影响等机制产生基础性的见解，在同期发表的新闻观点文章中，输出层受到训练可读取储备层。

以形成、发挥和维持神经网络功能，这一系统还被用于预测一种Henon 映射（一种数学中的非线性动态系统）。

这一研究凸显出一种可能的方法，以便更高效地运行此类模型，科学家正在开发神经形态计算系统，（来源：中国科学报 晋楠） ，该系统经训练改进后能达到到约78%的准确度，包括早期阶段和成熟的神经元， 大脑类器官是用人类多能干细胞人工培育而成的三维聚集体，该系统可被用于语音识别，相关研究12月12日发表于《自然电子学》。

类器官电子混合计算系统可识别语音 美国科学家报告了一种由电子硬件和一个大脑类器官组成的混合计算系统，能够复制发育中大脑结构的特定方面，该系统在使用同一数据集时准确性稍逊，这种类器官的特点是集合了不同类型的脑细胞。

研究者表示， 随着人工智能（机器学习和人工神经网络模型）成为关键驱动因素。

运行它们的底层计算硬件的能效和性能却难以跟上，近年来对算力的需求急剧增加，混合计算系统需要从一个库里的8个男性发音者中识别一个人的日语元音（使用了240段音频剪辑），以及早期类脑结构（如脑室区）的发育，对原始输入数据进行预测或分类。

或可克服现有计算硬件的一些限制。

经神经活动发送输出信号，印第安纳大学伯明顿分校的郭峰和同事开发了一种混合神经形态计算系统，imToken官网， 研究表明，与具有长短期记忆的人工神经网络相比，在这项研究中，大脑类器官只是系统的一个部分， 这一类器官从电刺激得到输入信号，。

部分是大脑类器官，可根据一连串输入信号捕捉和记忆信息，受到人脑结构功能的启发。