一款面向机器人、菌丝体、生态系统、机器和 AI Agent 的信号原生边缘计算机
计算机是为人类而造的。
它们被设计用于处理文本、数字、图像、电子表格、代码、命令和语言。它们围绕着键盘、屏幕、文件、操作系统和网络而构建，这些都是由人类为其他人类设计的。即便是当下的人工智能浪潮，也仍然主要基于人类表达的产物进行训练：书籍、网站、论文、对话、代码仓库、图像、字幕和视频。
但地球并不以段落的形式说话。
土壤不会用英语描述干旱。真菌不会通过聊天机器人发出压力警报。树木不会通过 API 发布遥测数据。蚁群不会用 JSON 解释它们的路由逻辑。海洋环境不会为我们标记声学异常。生命系统通过梯度、电压、气体、压力、振动、湿度、热量、化学变化、电振荡、生长、衰败、运动和反应来传递信号。
这就是我们打造 MycoBrain 的原因。
MycoBrain 是 @Mycosoft 环境机器人的核心计算机——我们构建这些机器人、探测器、浮标、站点和生物接口，让它们能够在户外生存、学习、运行，而不需要人类每时每刻告诉它们该做什么。它是我们共享的硬件神经系统：一个模块化的双 ESP32-S3 传感器和通信主板，连接生命世界与边缘 AI、网状网络和自然学习模型。
MycoBrain 不仅仅是一个开发板。它也不仅仅是一个物联网控制器。它是我们特意为非人类通信打造的第一台计算机：不是通过语言，而是通过信号进行通信。
硬件产品线将 MycoBrain 定义为每个 Mycosoft 设备核心的共享双 ESP32-S3 控制器平台，其中 Side-A 处理传感器 I/O，Side-B 处理 LoRa 网状网络。V1 板被描述为一块 85mm × 55mm、45g 的 PCB，采用双 ESP32-S3-WROOM 模块、四个模拟输入、I²C、MOSFET 输出、UART、SX1262 LoRa 和 5–12V 电源输入。
MycoBrain 存在的理由
当前的人工智能行业正在构建越来越大、能够读取互联网的模型。这很有用，但还不够。
语言模型是基于已经经过人类感知的现实表征进行训练的。一片森林变成了一个段落。一种土壤状况变成了一条注释。一次真菌应激反应变成了一次实验室观察。一个沿海声学环境变成了一个带标签的数据集。当模型看到这些数据时，现实已经被压缩、过滤、解释和翻译过了。
Mycosoft 正在构建不同的东西。
我们的论点是，下一代智能必须学习于语言之前的物理现实。自然学习模型（NLM）正是围绕这一理念设计的。它是一个基于感官的世界模型，从波长、波形、电压、气体浓度、温度梯度、压力场和活跃的生物圈信号中学习，而不仅仅是文本和图像。其架构采用 SSM/Mamba 骨干网络、图/超图层和稀疏注意力机制，用于处理连续的传感器流和多模态环境关系。
这需要一种新型的边缘计算机。
一种可以放置在土壤、空气、水、森林、农场、实验室、建筑物和海洋中的计算机。一种能够读取气体电阻、湿度、温度、压力、电导率、pH、生物电尖峰、水听器波形、雷达回波、LiDAR 几何数据、摄像头画面、电池状态和网络状态的计算机。一种能够将这些信号路由到 NVIDIA Jetson 或 M5Stack LLM 模块进行本地 AI 推理，然后与 NatureOS、MINDEX、MYCA、AVANI、FUSARIUM 以及更广泛的 Mycosoft 技术栈同步的计算机。
这台计算机就是 MycoBrain。
核心设计：一个大脑，多种躯体
每个 Mycosoft 机器人都有不同的躯体。
Mushroom 1 用于土壤、菌丝体和现场传感。SporeBase 用于生物气溶胶、孢子和空气采样。Hyphae 1 是一个模块化工业传感器和边缘计算节点。MycoNode 是一个埋入地下的地下真菌接口。ALARM 用于生物和环境警报。Psathyrella 用于海洋声学智能。Agaric 是一个空中机器人和部署平台。
不同的躯体。不同的环境。不同的任务。
但它们都需要相同的基础神经系统。
它们需要收集传感器数据、管理电源、通过网状网络通信、在链路故障时缓存数据、同步遥测数据、提供扩展接口、支持固件更新，并连接到推理层。如果每个设备都有完全不同的主板、固件栈、连接器映射和协议，Mycosoft 将立即变得不可扩展。
因此，我们将 MycoBrain 构建为可重用的内部架构。
一个主板系列。一个固件谱系。一个遥测词汇表。一条信号管道。一条可扩展的制造路径。
MycoBrain 作为每个 Mycosoft 设备的通信和传感器采集核心，其设计 IP 被确定为双 MCU 架构，在单个 PCB 上具有专用的传感器和路由器子系统，以及 UART 桥接拓扑结构，支持独立的固件更新。
这对制造很重要，但对智能更重要。整个机队通过相同的神经系统进行学习。
MycoBrain V2：我们目前正在构建的主板
MycoBrain V2 将 V1 的概念扩展为一块更大、功能更强的边缘控制板。
架构：两个 ESP32-S3-WROOM-1U-N16R8 模块、一个 CORE1262-868M LoRa 收发器、一个 SIM7600G 26 针调制解调器接头、两个 USB-C 接口、四个模拟输入、四个 I²C 接头、UART0 和 UART2 接头、三个 5V 输出、NeoPixel 输出、两个蜂鸣器、一个 12V 输入，以及 5V 和 3.3V 电源轨。
这种组合为我们提供了一台具有三项任务的实用现场计算机。
第一项任务是感知。MycoBrain 必须收集环境的原始物理状态。这意味着模拟输入、I²C 传感器、气体传感器、生物电探头、外部传感器卡、通过配套计算扩展的摄像头/雷达/LiDAR、电池监控以及未来的模块化载荷。
第二项任务是路由。MycoBrain 必须在一个无法保证 WiFi、蜂窝网络间歇性、现场设备可能需要通过彼此中继的世界中移动数据。这就是为什么 LoRa 被内置到核心架构中，以及为什么 Side-B 作为通信皮层而存在。
第三项任务是协调。MycoBrain 位于生物世界和人工智能世界之间。它是让真菌探头、土壤传感器、水听器、气象包、LTE 模块、Jetson 和云平台能够参与到一个连贯系统中的主板。
这块主板并非试图成为最大的计算机。它试图成为躯体中最重要的计算机。
Side-A 和 Side-B：为什么 MycoBrain 有两个大脑
单个微控制器可以运行一个传感器节点。但它无法成为自主环境机器人机队的长期神经系统。
双 ESP32 结构的存在是因为感知和通信是不同的任务，具有不同的时序、功耗和可靠性要求。
Side-A 是确定性躯体控制器。它负责传感器轮询、模拟读数、I²C 扩展、本地执行器控制、电源监控、阈值检测和安全边界。Side-A 是系统中应该保持冷静、可预测和高效的部分。它严谨地读取物理世界。
Side-B 是通信和路由控制器。它管理 LoRa、BLE、WiFi、LTE 扩展、未来的调制解调器路径、心跳流量、网关行为和网状网络参与。Side-B 可以在需要通信时消耗更多能量，不需要时则休眠或按占空比运行。
这种分离使架构更加健壮。如果无线协议栈锁死，传感器端可以继续采集。如果实验需要高速率传感器采样，通信可以围绕它进行调度。无论设备是埋入地下、漂浮、行走还是飞行，同样的分工仍然合理。
一个简单的思维模型如下：
1 ┌──────────────────────────────┐2 │ Jetson / AI Cortex │3 │ NLM inference, MYCA agents │4 │ local memory, model weights │5 └──────────────┬───────────────┘6 │7 MDP / UART / Bridge8 │9┌────────────────────────────┴────────────────────────────┐10│ MycoBrain │11│ │12│ ┌──────────────────────┐ ┌──────────────────────┐ │13│ │ Side-A ESP32-S3 │ │ Side-B ESP32-S3 │ │14│ │ deterministic sensing │◄────►│ comms + mesh routing │ │15│ │ analog / I²C / power │ │ LoRa / BLE / WiFi/LTE │ │16│ └──────────────────────┘ └──────────────────────┘ │17│ │18└──────────────────────────────────────────────────────────┘
这不是为了复杂而复杂。这是将生物学思维应用于嵌入式系统：特化器官，然后让有机体协调。
信号原生数据模型
传统的人工智能流程如下：
1Text → Tokenizer → Transformer → Text
MycoBrain 的存在是因为自然的流程完全不同。
一次真菌应激反应可能以电压波动的形式出现。一次孢子事件可能以颗粒计数、气体特征和光学异常的形式出现。一次海洋威胁可能以水听器流中的压力波形的形式出现。一棵树的压力可能以湿度、VOCs、温度和菌根生物电响应的形式出现。
因此，MycoBrain 流程从物理状态开始：
x_t = [V_t, I_t, T_t, RH_t, P_t, VOC_t, CO2_t, pH_t, EC_t, A_t, M_t, L_t, R_t]
其中：
- V_t 是电压或生物电电位
- I_t 是电流或阻抗衍生信号
- T_t 是温度
- RH_t 是相对湿度
- P_t 是压力
- VOC_t 是挥发性有机化合物响应
- CO2_t 是二氧化碳当量或相关气体估计
- pH_t 是酸度/碱度
- EC_t 是电导率
- A_t 是声学波形状态
- M_t 是机械或运动状态
- L_t 是光、光谱或 LiDAR 衍生的几何数据
- R_t 是无线电/网络状态
然后自然学习模型学习一个潜在的环境状态：
z_t = f_θ(x_{t-k:t}, m_t, g_t)
其中 x_{t-k:t} 是一个信号的历史窗口，m_t 是元数据（例如设备角色和校准状态），g_t 是图上下文：附近设备、生物体、地理、天气、拓扑或已知的生态关系。
从那里，MYCA 可以提出行动，但 AVANI 决定这些行动是否安全：
1â_t = action proposed by MYCA2a_t = action actually allowed to execute3π_MYCA = MYCA's action policy4z_t = current latent environmental state5G_AVANI = AVANI governance gate6∅ = no autonomous action
这是系统的核心：信号变为状态，状态变为推理，推理变为提议的行动，行动通过治理，物理世界反馈给模型。
代码视角：MycoBrain 信号帧的样子
开发者应该能够将 MycoBrain 理解为一块主板，同时也理解为一个协议参与者。设备不仅仅是“发送传感器读数”。它是在发布结构化的物理证据。
一个简化的信号帧可能如下所示：
1{2 "frame_type": "MYCOBRAIN_SIGNAL_FRAME",3 "device_id": "mycobrain-v2-0001",4 "device_role": "mushroom1",5 "timestamp": "2026-05-28T00:00:00Z",6 "location": {7 "lat": 32.6401,8 "lon": -117.0842,9 "alt_m": 24.210 },11 "signals": {12 "thermal": {13 "temperature_c": 23.41,14 "relative_humidity": 67.2,15 "pressure_hpa": 1012.816 },17 "chemical": {18 "voc_resistance_ohms": 323410,19 "co2_equivalent_ppm": 612,20 "gas_index": 8421 },22 "bioelectric": {23 "channels": 16,24 "sample_rate_hz": 100,25 "range": "uV-mV",26 "window_ms": 5000,27 "features": {28 "spike_count": 18,29 "dominant_frequency_hz": 3.7,30 "mean_amplitude_uv": 42.631 }32 },33 "mechanical": {34 "vibration_rms": 0.013,35 "orientation": [0.01, -0.04, 0.99]36 },37 "network": {38 "link": "LoRa",39 "rssi_dbm": -103,40 "snr_db": 7.2,41 "mesh_hops": 242 }43 },44 "provenance": {45 "source": "side-a",46 "transport": "MDP",47 "crc16": "0xA81F",48 "hash": "sha256:..."49 }50}
该帧可以被路由到 Jetson 进行本地推理，在网络丢失时本地存储，通过 LoRa 传输，通过 LTE 转发，发布到 NatureOS，哈希到 MINDEX，由 NLM 评估，并由 AVANI 治理。
这就是为什么 MycoBrain 不仅仅是“硬件”。它是一个物理到数字的语法。
MDP：设备协议层
为了让 MycoBrain 跨设备运行，它需要一个足够简单以供嵌入式微控制器使用、但又足够结构化以支持整个机队的低级协议。在内部，这个角色由 MDP（MycoBrain 设备协议）承担。
FUSARIUM 架构将 MDP v2 描述为一个二进制传输协议，使用 COBS 编码和 CRC-16 完整性检查，设计用于 UART 和 BLE 物理传输，具有用于观察、警报、命令、配置更新和心跳的结构化消息类型。
在概念层面上：
1[ magic ][ version ][ type ][ seq ][ payload_len ][ payload ][ crc16 ]
固件循环可以保持干净：
1while True:2 # Side-A: deterministic sensing3 raw_signals = side_a.sample_all(4 analog=True,5 i2c=True,6 power=True,7 bioelectric=True8 )910 # Encode into a reliable frame11 frame = mdp.encode(12 message_type="OBSERVATION",13 payload=raw_signals,14 crc16=True,15 cobs=True16 )1718 # Side-B: communications routing19 side_b.route(20 frame,21 preferred_links=["LoRa", "BLE", "WiFi", "LTE"],22 store_and_forward=True23 )2425 # Jetson: optional local inference26 if jetson.available():27 latent_state = nlm.encode(raw_signals)28 decision = myca.propose(latent_state)2930 if avani.gate(decision) == "PASS":31 side_a.execute(decision.action)
这是 Mycosoft 哲学的嵌入式版本：先测量，再推理，只有在治理通过后才行动。
- 一个产生生物电振荡的真菌网络
- 一个改变电导率和气体交换的土壤微生物组
- 一片响应干旱的森林
- 一个改变运动模式的蚁群
- 一棵通过菌根关系交换资源的树
- 一个检测海洋声学压力的水听器
- 一个管理自身电源和传感器计划的机器人躯体
- 一个向现场请求证据的 AI Agent
- 另一个通过网状网络中继遥测的 MycoBrain
为什么 MycoBrain 是为非人类构建的
“第一台为非人类构建的计算机”这句话，我们并非轻率使用。
我们有具体的含义。
大多数计算机假设主要用户是人。人类打字、点击、说话、做手势或触摸。即使是 AI 助手，最终也是将世界映射到人类语言中。
MycoBrain 颠覆了这一点。
主要用户可能是：
- 一个产生生物电振荡的真菌网络
- 一个改变电导率和气体交换的土壤微生物组
- 一片响应干旱的森林
- 一个改变运动模式的蚁群
- 一棵通过菌根关系交换资源的树
- 一个检测海洋声学压力的水听器
- 一个管理自身电源和传感器计划的机器人躯体
- 一个向现场请求证据的 AI Agent
- 另一个通过网状网络中继遥测的 MycoBrain
在那个世界里，语言不是第一接口。信号才是。
FCI 白皮书将真菌计算机接口定义为真菌菌丝体与数字计算系统之间的双向通信通道，将真菌的生物电和生化信号转换为数字数据流，用于环境传感、数据处理和生物计算。
这就是 MycoBrain 面向非人类的基础。主板不等待生命世界变成文本。它在生命已经通信的层面上与生命世界相遇。
菌丝体作为活信号网络
真菌不是被动的物质。菌丝体能够感知和响应。
FCI 材料将菌丝体描述为一个活的传感器阵列，通过电和化学信号响应环境线索，如温度、湿度、pH、营养物质、毒素和其他刺激。他们还描述了真菌的生物电活动、适应性和环境响应性，这些特性使菌丝体可用于传感和非常规计算。
连接到 FCI 探头的 MycoBrain 可以开始将该活组织视为信号源。不是魔法。不是神秘主义。而是仪器。
电极读取微弱的生物电变化。模拟前端放大信号。滤波提取特征。ADC 将波形数字化。Side-A 打包读数。Side-B 路由它。Jetson 或其他加速器进行推理。NatureOS 显示它。MINDEX 存储来源。NLM 学习模式。AVANI 治理行动。
系统变成一个循环：
1Living substrate → electrode → amplifier → ADC → MycoBrain → NLM → MYCA → AVANI → stimulus → living substrate
这个循环是生物 I/O 的开始。
信号标记化：超越语言
语言模型将文本标记化。MycoBrain 使 NLM 能够将信号标记化。
一个粗略的语言标记可能是：
1"wet"
信号标记则不同。它可能编码一个短时间窗口的物理动态：
τ_i = Q(φ_i(x_{t:t+Δt}))
其中 φ_i 从一个时间窗口提取特征 —— 尖峰计数、频率、幅度、斜率、相位关系、气体电阻变化量、温度梯度、压力波形或跨传感器相关性 —— Q 将这些特征量化或嵌入到模型可用的表示中。
一个真菌生物电标记可能代表：
1{2 "modality": "bioelectric",3 "window_ms": 5000,4 "dominant_frequency_hz": 2.8,5 "spike_density": 0.31,6 "amplitude_band": "uV",7 "context": {8 "soil_moisture_delta": -0.07,9 "temperature_delta_c": 0.4,10 "voc_shift": 0.1211 }12}
这不是一个词。
这是一小片被压缩成机器学习形式的现实。
当足够多的此类标记跨设备、环境、生物体和时间积累时，Mycosoft 可以构建不仅仅描述自然的模型。它们从自然自身的信号中学习。
NLM 的六种感知
MycoBrain 是更大模型架构 —— 自然学习模型 —— 的设备端输入层。
NLM 围绕六种物理感知进行组织：
NLM 感知 | 物理领域 | 示例 MycoBrain 连接输入 |
|---|---|---|
光谱 | 光、波长、成像 | 摄像头、多光谱传感器、LiDAR |
声学 | 压力波形 | 麦克风、水听器、振动 |
生物电 | 生物电压 | FCI 探头、菌丝电极 |
热学 | 热量和梯度 | BME688/BME690、红外传感器 |
化学 | 气体和分子特征 | VOC、CO₂、pH、EC、颗粒物传感器 |
机械 | 压力、振动、触觉 | IMU、应变、地震、雷达相关运动 |
能力文档将 NLM 定义为一个从原始物理现实中学习的模型，并确定了这六种感知作为信号领域：光谱、声学、生物电、热学、化学和机械。
这就是 MycoBrain 具有战略意义的地方。一个从物理现实中学习的模型，其好坏取决于为其提供数据的物理仪器。MycoBrain 是该模型的标准化口、鼻、皮肤、耳、电感受器和神经系统连接器。
Jetson、Orin、Blackwell 与边缘 AI 路径
MycoBrain 故意不试图成为一个巨大的 GPU。
它是低功耗的采集和协调层。重推理属于边缘 AI 模块。今天，这意味着 NVIDIA Jetson Nano、Jetson Orin Nano、Jetson Orin 以及相关模块，具体取决于设备类别。在硬件产品线中，较大的设备（如 Mushroom 1 和 Hyphae 1）使用 Jetson Orin Nano 或 Jetson Nano 进行完整的边缘 AI 推理，而较小的设备可以使用 M5Stack LLM Module 8850 进行紧凑的 GPU/NPU 加速推理。
这为 Mycosoft 提供了一个实用的分工：
MycoBrain 处理底层传感、本地控制、功耗感知操作和网状网络通信。Jetson 处理 AI 推理、计算机视觉、更大的模型、声学分类、本地 NLM 处理以及更高级别的自主性。在海洋部署中，MycoBrain 可以连接到同一浮标外壳内的 Jetson Orin Nano，从而实现实时边缘 NLM 声学分类，而无需依赖回传。
路线图进一步扩展了这一点。
版本 3 增加了蜂窝扩展路径：支持 4G/5G 的 SIM 模块，例如 SIM7000/SIM7600 级板，放置在 LoRa 区域之上作为帽板。这为 MycoBrain 提供了蜂窝回传，同时不放弃 LoRa 网状网络。
版本 4 趋向于直接的高性能扩展：PCIe、底部 SSD、本地模型存储，以及直接集成 Blackwell 级或未来 AI 加速器模块。目标是超越开发板，将 AI 加速器、存储和传感器协调置于 Mycosoft 控制的硬件上。
这个转变很重要。开发套件用于原型设计。定制 AI 载板用于掌握平台。
本地存储：现场的记忆
现场计算机不能假设持续连接。
森林会丢失信号。浮标会漂出范围。机器人会进入盲区。土壤探头可能埋在无线电间歇性中断的位置。国防部署可能在拒止环境中运行。
这就是为什么 Mycosoft 硬件策略包括多层本地存储：用于大型 Jetson 设备的 NVMe SSD、用于中端设备的 microSD、用于较小设备的 ESP32 闪存，以及用于埋入探头的本地缓冲区。
对于 MycoBrain V4，SSD 支持变得更加重要。本地存储意味着设备可以存储：
- 原始传感器窗口
- 处理后的特征
- 校准历史
- 模型权重
- NLM 嵌入
- 事件日志
- 网状网络交付队列
- 加密来源
- 实验状态
未来的 MycoBrain 不应仅仅流式传输数据。它应该能够记住。
为什么主板有这么多连接器
普通的消费设备可以在发货前决定自己的功能。
MycoBrain 不能。
一个 MycoBrain 可能成为土壤站。另一个可能成为浮标。另一个可能成为工业传感器网关。另一个可能成为生物接口。另一个可能成为无人机载荷。另一个可能成为手持环境 AI 设备。另一个可能成为实验室生物计算机的一部分。
这就是为什么连接器设计如此激进：模拟接口、I²C、UART、USB-C、LoRa、LTE 接头、5V 输出、NeoPixel、蜂鸣器、外部传感器和电源轨。V2 原理图确认了这些连接器系列的存在，包括双 USB-C、模拟输入、I²C 接头、UART 接头、5V 输出、SIM7600G 调制解调器接口、12V 输入以及 5V / 3.3V 电源轨。
实际上，这让开发者几乎可以连接任何设备：
- BME688 / BME690 环境传感器
- VOC 和气体传感器
- 颗粒物传感器
- pH 和电导率探头
- 土壤湿度探头
- 水听器
- IMU
- 磁力计
- 通过辅助计算连接的摄像头
- 通过辅助计算连接的雷达和激光雷达
- FCI 电极
- 执行器
- 水泵
- 阀门
- LED
- 蜂鸣器
- 外部调制解调器
- 电池监控器
像这样的项目并非围绕单一用例构建，而是基于一个假设：环境会不断给我们带来惊喜。
机器人的运行模型
Mycosoft 称其户外机器人为 droids（机器人），因为它们不仅仅是装在盒子里的传感器，而是能够在现实世界中生存和运行的自主机器。
Mycosoft 的机器人必须了解自己的身体，必须了解自己的电池，必须知道传感器是否健康，必须判断应该加快采样、延长休眠、转发邻居的数据包、唤醒 Jetson 还是联系总部。它必须在太阳能、无线电、热力、环境和生态约束下运行。
MycoBrain 提供了让这一切成为可能的底层身体智能。
Mushroom 1 可以利用它监测地下真菌网络和土壤状况；SporeBase 可以利用它协调生物气溶胶采集；Hyphae 1 可将其用作模块化工业 I/O 控制器；MycoNode 可采用更小的形态支持地下生物电传感；Psathyrella 可利用该架构进行水下声学监测。能力材料将 MycoBrain 描述为 Mycosoft 硬件部署的 ESP32-S3 边缘计算平台，并将 Mushroom 1、SporeBase、Hyphae 1、MycoNode、ALARM 和 FCI 列为硬件系列的一部分。
重点不在于每个机器人都是相同的，而在于每个机器人共享同一个脑干。
网状网络：数字化的菌根
MycoBrain 的网络理念受真菌菌丝启发。
真菌网络不依赖单一中央路由器，而是分支、重连、绕行、探索，并在受损后幸存下来。Mycosoft 的设备网络也应如此。
这就是 Mycorrhizae Protocol（菌根协议） 的作用：一种用于在分布式野外网络中路由生物传感器数据的发布/订阅消息协议。该协议针对生物数据、时间序列遥测、生物电波形、环境测量、自愈网状拓扑以及足够轻量、能在 ESP32-S3 上运行、同时仍支持 Jetson 推理节点的边缘原生操作进行了优化。
MycoBrain 网状网络不仅仅是将数据发回仪表板，更关乎本地协作。
一个机器人可能检测到信号，另一个可能拥有更强的回程链路，第三个可能有更好的传感器角度，第四个可能拥有本地 AI 计算能力，第五个可能处于休眠状态但能在邻居事件触发时唤醒。
这就构成了一个现场智能网络：
1MycoBrain → MycoBrain → Gateway → NatureOS2 ↘ ↕ ↗3 Sensor Relay Jetson4 ↘ ↕ ↗5 NLM / MINDEX / MYCA
当大规模部署时，Myains 不再仅仅是设备，而是一个分布式环境神经系统。
开发者接口：构建于大脑之上
MycoBrain 应让创客易于上手，同时又能满足工程师的严肃需求。
使用它的开发者应该能够以角色来思考：
1device:2 id: mycobrain-v2-alpha3 role: mushroom14 side_a:5 mode: deterministic_sensor_controller6 sample_rate_hz:7 environmental: 18 bioelectric: 1009 power: 0.210 side_b:11 mode: mesh_router12 links:13 - lora14 - ble15 - wifi16 - lte_hat17 cortex:18 module: jetson_orin_nano19 tasks:20 - nlm_inference21 - anomaly_detection22 - local_buffering23 - model_update
传感器可以通过清单文件暴露自身：
1{2 "sensor_id": "fci_probe_01",3 "modality": "bioelectric",4 "channels": 16,5 "units": "microvolts",6 "sample_rates_hz": [10, 50, 100, 500],7 "calibration": {8 "gain": 1000,9 "noise_floor_uv": 0.8,10 "last_calibrated": "2026-05-01"11 },12 "safety": {13 "stimulation_enabled": true,14 "max_stimulus_mv": 300,15 "requires_avani_gate": true16 }17}
正是这一点使得这块板子值得社区关注。它既是一个物理平台，也是一个可编程的生态系统。创客可以插入传感器，研究人员可以运行真菌信号实验，机器人开发者可以添加负载，国防集成商可以路由加密遥测数据，环境科学家可以将数据推送到 NatureOS，AI 工程师可以训练原生信号模型。
投资者为何应关注
MycoBrain 并非一块一次性板子，而是一个平台基元。
投资者的理由不是“我们做了一块很酷的蘑菇 PCB”，而是 MycoBrain 可以成为整个硬件生态系统的通用边缘计算机：环境站、生物探针、生物气溶胶系统、工业边缘节点、水下浮标、手持式 AI 仪器以及未来的生物计算机。
该硬件产品组合将 Mycosoft 定位为构建全面的环境智能、生物计算和真菌网络接口的硬件生态系统，涵盖 Mushroom 1、SporeBase、ALARM、MycoNode、Hyphae 1、Tricorder、Petraeus 和 Mushroom 2。
这创造了多种杠杆效应。
第一，制造杠杆。共享控制器减少了工程重复。Mycosoft 无需为每个产品重新设计传感器采集和通信，而是不断改进一个核心板卡系列。
第二，固件杠杆。所有设备都能受益于相同的协议升级、安全改进、传感器库、OTA 机制、网状网络改进和 NLM 桥接工作。
第三，数据杠杆。每台设备都能产生原生信号训练数据，用于喂养 NLM。部署的设备越多，模型基础就越有价值。
第四，平台杠杆。MycoBrain 将硬件与 NatureOS、MINDEX、MYCA、AVANI、FUSARIUM 和 Mycorrhizae 连接起来，是更大软件和智能系统的边缘层。
第五，IP 杠杆。双 MCU 架构、固件栈、Mycorrhizae Protocol、I²C 传感器枚举以及 MINDEX 链上溯源集成，都是 MycoBrain 技术/IP 栈的一部分。
这就是一块小板子如何成为基础设施。
为何这在科学上重要
MycoBrain 的科学重要性不在于它能测量温度或湿度——能做到这一点的设备很多。
其科学重要性在于，MycoBrain 被设计用来收集生命系统周围的多模态因果上下文。真菌电压尖峰本身很有趣，但与土壤湿度、pH 值、温度、VOC 变化、光照水平和刺激事件同步的真菌电压尖峰就成了证据。
证据可以变成指纹。
指纹可以变成模型。
模型可以变成预测。
预测可以变成受治理的行动。
这就是 FCI 的意义所在。FCI 白皮书将 FCI 栈描述为真菌探针、信号处理单元和云集成层，能够检测细微的菌丝电变化，放大和过滤微弱的生物电信号，并使这些信号可用于实时数据分析。
MycoBrain 是让这些想法离开实验室的实用现场计算机。
未来版本：V3 和 V4
Version 2 验证了扩展后的架构。
Version 3 让板子更易于部署。
V3 的方向是蜂窝扩展：一个 4G/5G SIM 模块扩展板，可以插在 LoRa 区域上方。LoRa 仍然是低功耗本地网状网，蜂窝成为回程链路。这使得野外机器人既能在本地集群中运行，也能在存在基础设施时联系总部。
Version 4 是更深刻的转变。
V4 转向 PCIe、SSD 和直接加速器集成。目标是让 MycoBrain 级别的硬件能够承载本地模型权重、存储原始和已处理的数据集，并直接将 Blackwell 级或未来 AI 加速器模块集成到 Mycosoft 板卡生态系统中。M5Stack LLM 8850 路径已经为小型设备提供了紧凑的推理层；V4 将这一理念延伸至更深入的定制 AI 载板架构。硬件产品组合已经定义了两层边缘计算策略：大型设备使用 Jetson 级模块，小型设备使用 M5Stack LLM Module 8850。
长期路径很清晰：
1V1: 紧凑型双 ESP32-S3 + LoRa 控制器2V2: 扩展传感器/通信板，带 USB-C、模拟/I²C/UART、LTE 接头3V3: 蜂窝扩展板 + LoRa 网状网 + 更好的远程车队管理4V4: PCIe + SSD + 直接 AI 加速器集成5V5+: MycoBrain 作为完整的生物/机器人边缘 AI 主板
终点不是另一块开发板，而是 Mycosoft 专属的自主环境计算机架构。
板子作为生物与数字计算之间的桥梁
板子背面带有蘑菇标志，因为蘑菇不是装饰，而是设计理念。
蘑菇是隐藏网络的可见子实体。MycoBrain 类似：板子可见，但真正的系统是其背后的网络——机器人、探针、传感器、模型、Agent、仪表板、数据集和活体基质。
FCI 提供了生物 I/O，MycoBrain 提供了边缘控制，Mycorrhizae 提供了网状路由，MINDEX 提供了记忆和溯源，NLM 提供了原生信号学习，MYCA 提供了 Agent 推理，AVANI 提供了治理。
它们共同构成了一个混合生物-数字栈。
1活体信号2 ↓3FCI / 传感器4 ↓5MycoBrain6 ↓7Mycorrhizae / MDP8 ↓9Jetson / M5Stack / 未来 Blackwell10 ↓11NLM12 ↓13MYCA14 ↓15AVANI16 ↓17NatureOS / MINDEX / FUSARIUM
一台读懂地球的计算机
大多数计算机放在办公桌上。
MycoBrain 则为泥地、雨水、农场、森林、实验室、屋顶、浮标、地下室、机箱、无人机和实验性生物系统而设计。它设计成可维修、可迭代、可做 3D 打印外壳、可堆叠、可扩展、可刷机、可重新部署。Mycosoft 的硬件制造理念强调使用 3D 打印进行快速迭代，并为工业设备利用现成的外壳，从而减少工装负担，提高生产灵活性。
这一点很重要，因为地球尺度的智能不能仅靠云仪表板构建。
我们需要现实世界中的设备。
我们需要低功耗控制器。
我们需要网状网络。
我们需要本地推理。
我们需要生物接口。
我们需要存储。
我们需要治理。
我们需要一种让机器向自然学习的方法，而不必强迫自然先变成语言。
这就是 MycoBrain。
冗长的 MycoBrain 文档到此结束
GITHUB: https://github.com/MycosoftLabs/mycobrain
YOUTUBE MYCOBRAIN 视频: https://www.youtube.com/watch?v=3WDneg9OHtU
MycoBrain 是我们为非人类建造的第一台计算机，因为它不假设智能始于语言。
它假设智能始于信号。
- 真菌发出信号。
- 森林发出信号。
- 河流发出信号。
- 海洋发出信号。
- 机器发出信号。
- AI Agent 发出信号。
- 机器人发出信号。
MycoBrain 是一块专为倾听、翻译、路由、记忆、推理和响应而设计的板子。
大多数 AI 将继续读取互联网，尤其是它自己的合成数据。
MycoBrain 读取地球，将其数十万亿的生命形式视为用户，超越了键盘、鼠标，甚至那些拥有漂亮声音的语音操作 Agent 助手。
这不仅仅是关于你，但你是整个地球生命的一部分。
别忘了这一点。
