為機器人、菌絲體、生態系統、機器和 AI Agent 打造的訊號原生邊緣電腦
電腦是為人類建造的。
它們是為了處理文字、數字、圖像、試算表、程式碼、指令和語言而建造的。它們是圍繞著鍵盤、螢幕、檔案、作業系統和網路而設計的，這些都是由人類為其他人類所建立的。即便是當前這波人工智慧，很大程度上仍是在人類表達的產物上進行訓練：書籍、網站、論文、對話、程式碼儲存庫、圖像、標題和影片。
但地球並不會用段落來表達。
土壤不會用英文描述乾旱。真菌不會透過聊天機器人宣布壓力。樹木不會向 API 發布遙測資料。螞蟻群落不會用 JSON 解釋它們的路由邏輯。海洋環境不會為我們標記聲學異常。生命系統透過梯度、電壓、氣體、壓力、振動、濕度、熱量、化學變化、電氣振盪、生長、衰敗、運動和反應來發出訊號。
這就是我們打造 MycoBrain 的原因。
MycoBrain 是 @Mycosoft 環境機器人內的核心電腦——我們建造這些機器人、探測器、浮標、觀測站和生物介面，是為了讓它們能在戶外生活、在戶外生存、在戶外學習、在戶外運作，而不需要人類隨時告訴它們該做什麼。它是我們共用的硬體神經系統：一個模組化的雙 ESP32-S3 感測器和通訊主機板，將生命世界與邊緣 AI、網狀網路和自然學習模型連結起來。
MycoBrain 不僅僅是一塊開發板。它不僅僅是一個物聯網控制器。它是我們刻意為非人類通訊打造的第一台電腦：不是透過文字進行通訊，而是透過訊號進行通訊。
硬體組合將 MycoBrain 定義為每個 Mycosoft 裝置核心的共用雙 ESP32-S3 控制器平台，其中 Side-A 處理感測器 I/O，Side-B 處理 LoRa 網狀網路。V1 板的規格為 85 mm × 55 mm、45 g 的 PCB，使用雙 ESP32-S3-WROOM 模組、四個類比輸入、I²C、MOSFET 輸出、UART、SX1262 LoRa 和 5–12 V 電源輸入。
MycoBrain 存在的原因
當前的 AI 產業正在建立越來越大的模型，用以讀取網際網路。這是有用的，但還不夠。
語言模型是在已經過人類感知處理的現實表徵上進行訓練的。一片森林變成了一個段落。一種土壤狀況變成了一則筆記。一次真菌壓力反應變成了一項實驗室觀察。一個沿海聲學環境變成了一個標記資料集。等到模型看到它時，現實已經被壓縮、過濾、解釋和翻譯過了。
Mycosoft 正在打造不同的東西。
我們的論點是，下一代的智慧必須在現實變成語言之前從中學習。自然學習模型（NLM）正是圍繞這個想法設計的。它是一個基於感官的世界模型，從波長、波形、電壓、氣體濃度、溫度梯度、壓力場和即時生物圈訊號中學習，而不僅是文字和圖像。其架構使用 SSM/Mamba 主幹、圖層/超圖層，以及針對連續感測器串流和多模態環境關係的稀疏注意力機制。
這需要在邊緣端配備一種新型電腦。
一種可以放在土壤、空氣、水、森林、農場、實驗室、建築物和海洋中的電腦。一種可以讀取氣體電阻、濕度、溫度、壓力、電導率、pH 值、生物電尖峰、水聽器波形、雷達回波、LiDAR 幾何、相機幀、電池狀態和網狀狀態的電腦。一種可以將這些訊號路由到 NVIDIA Jetson 或 M5Stack LLM 模組上的本地 AI 推論，然後與 NatureOS、MINDEX、MYCA、AVANI、FUSARIUM 以及更廣泛的 Mycosoft 技術棧同步的電腦。
那台電腦就是 MycoBrain。
核心設計：一個大腦，多個身體
每個 Mycosoft 機器人都有不同的身體。
Mushroom 1 專為土壤、菌絲體和田間感測而設計。SporeBase 專為生物氣溶膠、孢子和空氣採樣而設計。Hyphae 1 專為模組化工業感測器和邊緣運算節點而設計。MycoNode 專為埋入式地下真菌介面而設計。ALARM 專為生物和環境警報而設計。Psathyrella 專為海洋聲學情報而設計。Agaric 專為空中機器人和部署平台而設計。
不同的身體。不同的環境。不同的任務。
但它們都需要相同的基本神經系統。
它們需要收集感測器資料、管理電源、透過網狀網路通訊、在連結失敗時緩衝資料、同步遙測、提供擴展埠、支援韌體更新，並連接到推論層。如果每個裝置都有完全不同的主機板、韌體棧、連接器映射和協定，Mycosoft 很快就會變得無法擴展。
所以我們將 MycoBrain 打造為可重複使用的內部架構。
一個板卡系列。一個韌體譜系。一個遙測詞彙。一個訊號管線。一條可擴展的製造路徑。
MycoBrain 作為每個 Mycosoft 裝置的通訊和感測器獲取核心，並將其設計 IP 定義為一種雙 MCU 架構，在單一 PCB 上具有專用的感測器和路由器子系統，加上一個支援獨立韌體更新的 UART 橋接拓撲。
這對製造很重要，但對智慧來說更重要。整個機群透過同一個神經系統進行學習。
MycoBrain V2：我們現在圍繞其打造的板卡
MycoBrain V2 將 V1 的概念擴展為一個更大、功能更強的邊緣控制板。
架構：兩個 ESP32-S3-WROOM-1U-N16R8 模組、一個 CORE1262-868M LoRa 收發器、一個 SIM7600G 26 針數據機接頭、兩個 USB-C 連接器、四個類比輸入、四個 I²C 接頭、UART0 和 UART2 接頭、三個 5 V 輸出、NeoPixel 輸出、兩個蜂鳴器、一個 12 V 輸入，以及 5 V 和 3.3 V 電源軌。
這種組合為我們提供了一個具備三項功能的實用現場電腦。
第一項功能是感測。MycoBrain 必須收集環境的原始物理狀態。這意味著類比輸入、I²C 感測器、氣體感測器、生物電探頭、外部感測器卡、透過伴隨運算的相機/雷達/LiDAR 擴展、電池監控，以及未來的模組化酬載。
第二項功能是路由。MycoBrain 必須在一個 WiFi 無法保證、蜂窩網路間歇性，且現場裝置可能需要透過彼此中繼的世界中移動資料。這就是為什麼 LoRa 被內建到核心架構中，以及為什麼 Side-B 作為通訊皮質存在的原因。
第三項功能是協調。MycoBrain 位於生物世界和 AI 世界之間。它是讓真菌探頭、土壤感測器、水聽器、氣象套件、LTE 模組、Jetson 和雲端平台能夠參與到一個連貫系統中的那塊板卡。
這塊板卡並非試圖成為最大的電腦。它試圖成為身體中最重要的電腦。
Side-A 和 Side-B：為什麼 MycoBrain 有兩個大腦
單一微控制器可以運行一個感測器節點。但它無法成為整個自主環境機器人機群的長期神經系統。
雙 ESP32 結構的存在是因為感測和通訊是不同的工作，具有不同的時序、電源和可靠性要求。
Side-A 是確定性的身體控制器。它負責感測器輪詢、類比讀數、I²C 擴展、本地致動器控制、電源監控、閾值偵測和安全邊界。Side-A 是系統中應該保持冷靜、可預測和高效的部分。它有紀律地讀取物理世界。
Side-B 是通訊和路由控制器。它管理 LoRa、BLE、WiFi、LTE 擴展、未來的數據機路徑、心跳流量、閘道器行為和網狀網路參與。Side-B 可以在需要通訊時花費更多能量，並在不需要時休眠或進行工作循環。
這種分工使架構變得穩健。如果無線電堆疊鎖死，感測器端可以繼續收集資料。如果實驗需要高速率感測器取樣，通訊可以圍繞它進行排程。無論裝置是埋入、漂浮、行走還是飛行，同樣的分工仍然合理。
一個簡單的心智模型看起來像這樣：
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└──────────────────────────────────────────────────────────┘
其複雜性是為了複雜本身。這是將生物思維應用於嵌入式系統：專精器官，然後讓有機體進行協調。
訊號原生的資料模型
傳統的 AI 管線看起來像這樣：
1Text → Tokenizer → Transformer → Text
MycoBrain 的存在是因為大自然的管線完全不是那樣。
一次真菌壓力反應可能以電壓波動的形式出現。一次孢子事件可能以顆粒計數、氣體輪廓和光學異常的形式出現。一次海洋威脅可能以水聽器串流中的壓力波形的形式出現。一棵樹的壓力可能以水分、VOCs、溫度和菌根生物電反應的形式出現。
所以 MycoBrain 的管線始於物理狀態：
xt=[Vt,It,Tt,RHt,Pt,VOCt,CO2t,pHt,ECt,At,Mt,Lt,Rt]
其中：
- Vt 是電壓或生物電勢
- It 是電流或阻抗導出的訊號
- Tt 是溫度
- RHt 是相對濕度
- Pt 是壓力
- VOCt 是揮發性有機化合物反應
- CO2t 是二氧化碳當量或相關氣體估計
- pHt 是酸度/鹼度
- ECt 是電導率
- At 是聲波狀態
- M 是機械或運動狀態
- Lt 是光、光譜或 LiDAR 導出的幾何
- R 是無線電/網路狀態
然後，自然學習模型學習一個潛在的環境狀態：
zt=fθ(xt−k:t,mt,gt)
其中 xt−k:t 是訊號的歷史視窗，mt 是元資料，例如裝置角色和校正狀態，而 gt 是圖譜上下文：附近的裝置、有機體、地理、天氣、拓撲或已知的生態關係。
從那裡，MYCA 可以提出行動，但 AVANI 管理這些行動是否安全：
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
這是系統的核心：訊號變成狀態，狀態變成推論，推論變成提議的行動，行動通過治理，然後物理世界回饋給模型。
程式碼視角：MycoBrain 訊號幀長什麼樣子
開發人員應該能夠將 MycoBrain 理解為一塊板卡，同時也是一個協定參與者。該裝置不僅僅是「傳送感測器讀數」。它是在發布結構化的物理證據。
一個簡化的訊號幀可能看起來像這樣：
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}
該幀可以路由到 Jetson 進行本地推論，在網路中斷時本地儲存，透過 LoRa 傳輸，透過 LTE 轉發，發布到 NatureOS，雜湊到 MINDEX，由 NLM 評估，並由 AVANI 管理。
這就是為什麼 MycoBrain 不僅僅是「硬體」。它是一種物理到數位的語法。
MDP：裝置協定層
為了讓 MycoBrain 跨裝置運作，它需要一個低層級協定，既要足夠簡單以適用於嵌入式微控制器，又要足夠結構化以適用於整個機群。在內部，這個角色由 MDP（MycoBrain 裝置協定）處理。
FUSARIUM 架構將 MDP v2 描述為一種使用 COBS 編碼和 CRC-16 完整性檢查的二進位傳輸協定，專為 UART 和 BLE 物理傳輸而設計，具有結構化的訊息類型，用於觀測、警報、指令、配置更新和心跳。
在概念層面上：
1[ magic ][ version ][ type ][ seq ][ payload_len ][ payload ][ crc16 ]
韌體循環可以保持簡潔：
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)
這是 Mycosoft 哲學的嵌入式版本：先測量，後推論，只有在治理之後才行動。
為什麼 MycoBrain 是為非人類打造的
「第一台為非人類打造的電腦」這句話並非我們輕率使用的口號。
我們的意思是具體的。
大多數電腦假設主要使用者是人類。人類打字、點擊、說話、做手勢或輕點。即使是 AI 助手，最終也是將世界映射到人類語言中。
MycoBrain 反轉了這一點。
主要使用者可能是：
- 產生生物電振盪的真菌網路
- 改變導電性和氣體交換的土壤微生物組
- 對乾旱做出反應的森林
- 改變移動模式的螞蟻群落
- 透過菌根關係交換資源的樹木
- 偵測海洋聲學壓力的水聽器
- 管理自身電源和感測器排程的機器人身體
- 從現場請求證據的 AI Agent
- 透過網狀網路中繼遙測的另一個 MycoBrain
在那個世界裡，語言不是第一介面。訊號才是。
FCI 白皮書將真菌電腦介面定義為真菌菌絲體與數位運算系統之間的雙向通訊通道，將真菌的生物電和生化訊號轉換為數位資料串流，用於環境感測、資料處理和生物運算。
這是 MycoBrain 非人類導向的基礎。這塊板卡不會等待生命世界變成文字。它在生命已經進行通訊的層面上與生命世界相遇。
菌絲體作為一個活的訊號網路
真菌不是被動的材料。菌絲體會感知並做出反應。
FCI 資料將菌絲體描述為一個活的感測器陣列，它透過電氣和化學訊號對環境線索（如溫度、水分、pH 值、營養物質、毒素和其他刺激）做出反應。他們還將真菌的生物電活動、適應性和環境響應能力描述為使菌絲體可用於感測和非常規計算的特性。
一個連接到 FCI 探頭的 MycoBrain 可以開始將那個活組織視為訊號來源。不是作為魔法。不是作為神秘主義。而是作為儀器。
電極讀取微弱的生物電變化。類比前端放大訊號。濾波提取特徵。ADC 將波形數位化。Side-A 打包讀數。Side-B 進行路由。Jetson 或其他加速器執行推論。NatureOS 顯示它。MINDEX 儲存出處。NLM 學習模式。AVANI 管理行動。
系統變成一個迴圈：
1Living substrate → electrode → amplifier → ADC → MycoBrain → NLM → MYCA → AVANI → stimulus → living substrate
那個迴圈是生物 I/O 的開始。
訊號標記化：超越文字
語言模型將文字標記化。MycoBrain 使 NLM 能夠將訊號標記化。
一個粗略的語言標記可能是：
1"濕潤"
一個訊號標記是不同的。它可能編碼一個短時間視窗的物理動態：
τi=Q(ϕi(xt:t+Δt))
其中 ϕi 從一個時間視窗中提取特徵——尖峰計數、頻率、振幅、斜率、相位關係、氣體電阻變化、溫度梯度、壓力波形或跨感測器相關性——而 Q 將這些特徵量化或嵌入到模型可用的表示中。
一個真菌生物電標記可能代表：
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}
那不是一個字。
它是一小塊被壓縮成機器學習形式的現實。
當足夠多的此類標記跨裝置、環境、有機體和時間積累起來時，Mycosoft 就可以建立不僅描述自然，而且從自然自身訊號中學習的模型。
NLM 的六感
MycoBrain 是一個更大模型架構——自然學習模型——的裝置端輸入層。
NLM 圍繞六種物理感官組織：
NLM 感官
物理領域
MycoBrain 連接輸入範例
光譜
光、波長、成像
相機、多光譜感測器、LiDAR
聲學
壓力波形
麥克風、水聽器、振動
生物電
生物電壓
FCI 探頭、菌絲電極
熱學
熱量與梯度
BME688/BME690、紅外線感測器
化學
氣體與分子特徵
VOC、CO₂、pH、EC、顆粒感測器
機械
壓力、振動、觸覺
IMU、應變、地震、雷達相關運動
能力文檔將 NLM 定義為一個從原始物理現實中學習的模型，並將這六種感官識別為訊號領域：光譜、聲學、生物電、熱學、化學和機械。
這就是 MycoBrain 變得具有戰略意義的地方。一個從物理現實中學習的模型，其好壞取決於為其提供輸入的物理儀器。MycoBrain 是該模型的標準化口、鼻、皮膚、耳朵、電感受器和神經系統連接器。
Jetson、Orin、Blackwell 與邊緣 AI 路徑
MycoBrain 刻意不試圖成為一個巨大的 GPU。
它是低功耗的採集與協調層。繁重的推論屬於邊緣 AI 模組。今天，這意味著 NVIDIA Jetson Nano、Jetson Orin Nano、Jetson Orin 以及根據裝置類別相關的模組。在硬體組合中，較大的裝置（如 Mushroom 1 和 Hyphae 1）使用 Jetson Orin Nano 或 Jetson Nano 進行完整的邊緣 AI 推論，而較小的裝置可以使用 M5Stack LLM Module 8850 進行緊湊型 GPU/NPU 加速推論。
這為 Mycosoft 提供了一個實際的分工：
MycoBrain 處理低階感測、本地控制、功耗感知運算和網狀通訊。Jetson 處理 AI 推論、電腦視覺、較大型模型、聲學分類、本地 NLM 處理和更高級別的自動化。在海洋部署中，MycoBrain 可以連接到同一個浮標外殼中的 Jetson Orin Nano，從而在邊緣實現即時 NLM 聲學分類，而無需依賴回傳鏈路。
路線圖進一步擴展了這一點。
版本 3 增加了蜂窩擴展路徑：一個支援 4G/5G 的 SIM 模組，例如 SIM7000/SIM7600 級別的板卡，作為覆蓋在 LoRa 區域上的帽子。這為 MycoBrain 提供了蜂窩回傳鏈路，同時不拋棄 LoRa 網狀網路。
版本 4 邁向直接的高效能擴展：PCIe、底部 SSD、本地模型儲存，以及 Blackwell 級別或未來 AI 加速器模組的直接整合。目標是超越開發板，將 AI 加速器、儲存和感測器編排整合到 Mycosoft 控制的硬體上。
這個轉變很重要。開發套件是原型設計的方式。自訂 AI 載板是掌控平台的方式。
本地儲存：現場的記憶體
一台現場電腦不能假設持續的連線。
森林會失去訊號。浮標會漂出範圍。機器人會進入死角。土壤探頭可能被埋在無線電不穩定的位置。國防部署可能在拒止環境中運作。
這就是為什麼 Mycosoft 的硬體策略包括多層次的本地儲存：用於大型 Jetson 配備裝置的 NVMe SSD，用於中型裝置的 microSD，用於較小裝置的 ESP32 快閃記憶體，以及用於埋入式探頭的本地緩衝區。
對於 MycoBrain V4，SSD 支援變得更加重要。本地儲存意味著裝置可以儲存：
- 原始感測器視窗
- 處理後的特徵
- 校正歷史
- 模型權重
- NLM 嵌入
- 事件日誌
- 網狀傳遞佇列
- 加密出處
- 實驗狀態
未來的 MycoBrain 不應該僅僅串流資料。它應該記住。
為什麼板卡有這麼多連接器
一個普通的消費性裝置可以在出貨前決定自己是什麼。
MycoBrain 不行。
一個 MycoBrain 可能變成一個土壤觀測站。另一個可能變成一個浮標。另一個可能變成一個工業感測器閘道器。另一個可能變成一個生物介面。另一個可能變成一個無人機酬載。另一個可能變成一個手持式環境 AI 裝置。另一個可能變成一個實驗室生物電腦的一部分。
這就是為什麼連接器哲學如此激進：類比、I²C、UART、USB-C、LoRa、LTE 接頭、5 V 輸出、NeoPixel、蜂鳴器、外部感測器以及電源軌。V2 電路圖證實了這些連接器系列的存在，包括雙 USB-C、類比輸入、I²C 接頭、UART 接頭、5 V 輸出、SIM7600G 數據機介面、12 V 輸入以及 5 V / 3.3 V 電源軌。
在實務上，這讓開發者幾乎可以連接任何東西：
- BME688 / BME690 環境感測器
- VOC 和氣體感測器
- 懸浮微粒感測器
- pH 和電導率探頭
- 土壤濕度探頭
- 水下麥克風
- IMU
- 磁力計
- 透過協同運算的相機
- 透過協同運算的雷達和 LiDAR
- FCI 電極
- 致動器
- 泵浦
- 閥門
- LED
- 蜂鳴器
- 外部數據機
- 電池監控器
像這樣的專案並不是為單一使用案例而設計的。它的設計基礎是假設環境會持續帶給我們驚喜。
機器人作業模型
Mycosoft 將其戶外機器人稱為 droids，因為它們不只是盒子裡的感測器。它們是設計來在這個世界上生存與運作的自動化機器。
一個 Mycosoft droid 必須了解自己的身體。它必須知道自己的電池狀態。它必須知道它的感測器是否健康。它必須知道應該加快取樣、延長休眠、轉發鄰近節點的封包、喚醒其 Jetson，或是回傳資料給主站。它必須在太陽能限制、無線電限制、熱限制、環境限制以及生態限制下運作。
MycoBrain 提供了使這一切成為可能的低階本體智慧。
Mushroom 1 可以使用它來監控地下真菌網絡和土壤條件。SporeBase 可以使用它來協調生物氣溶膠的收集。Hyphae 1 可以將其用作模組化工業 I/O 控制器。MycoNode 可以使用較小的形式來支援地下生物電感測。Psathyrella 可以利用此架構進行水下聲學監測。能力說明文件將 MycoBrain 描述為 Mycosoft 硬體部署的 ESP32-S3 邊緣運算平台，並指出 Mushroom 1、SporeBase、Hyphae 1、MycoNode、ALARM 和 FCI 屬於硬體產品線的一部分。
重點不在於每個機器人都相同。
重點在於每個機器人都共享同一個「腦幹」。
網狀網路：數位菌根
MycoBrain 的網路理念靈感來自於菌絲體。
真菌網絡不依賴單一中央路由器。它分支、重新連接、改變路徑、探索並能在損壞後存活。Mycosoft 的設備網路也應該如此運作。
這就是 Mycorrhizae Protocol 的角色：一個用於在分散式現場網路中路由生物感測器數據的發布/訂閱訊息傳遞協議。Mycorrhizae Protocol 針對生物數據進行了最佳化，例如時間序列遙測、生物電波形、環境測量、自我修復網狀拓撲，以及設計為足夠輕量以在 ESP32-S3 上原生運作，同時仍支援 Jetson 推理節點。
MycoBrain 網狀網路不僅僅是將數據傳送回儀表板。它關乎本地協作。
一個 droid 可能偵測到一個訊號。另一個可能擁有更強大的回程鏈路。第三個可能有更好的感測器角度。第四個可能有可用的本地 AI 運算能力。第五個可能處於休眠狀態，但會在鄰近節點的事件觸發時喚醒。
這就形成了一個現場智慧網路：
1MycoBrain → MycoBrain → Gateway → NatureOS2 ↘ ↕ ↗3 Sensor Relay Jetson4 ↘ ↕ ↗5 NLM / MINDEX / MYCA
當大規模部署時，這些 MycoBrain 不僅僅是設備。它們變成了一個分散式的環境神經系統。
開發者介面：在大腦上建構
MycoBrain 應該讓創客容易上手，同時又足夠強大以滿足工程師的需求。
與其互動的開發者應該能夠以角色來思考：
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
感測器可以透過一個清單來揭露自身：
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}
這就是這塊專案值得社群關注的原因。它是一個實體平台，同時也是一個可程式化的生態系統。創客可以插入一個感測器。研究人員可以執行真菌訊號實驗。機器人開發者可以增加一個酬載。國防整合商可以路由加密的遙測數據。環境科學家可以將數據推送到 NatureOS。AI 工程師可以訓練一個訊號原生模型。
為什麼投資人應該關注
MycoBrain 不是一塊一次性的電路板。
它是一個平台原型。
投資人的理由不是「我們做了一塊很酷的蘑菇 PCB」。投資人的理由是 MycoBrain 可以成為完整硬體生態系統的通用邊緣電腦：環境監測站、生物探頭、生物氣溶膠系統、工業邊緣節點、水下浮標、手持式 AI 儀器，以及未來的生物電腦。
硬體產品組合顯示 Mycosoft 正在構建一個全面的硬體生態系統，用於環境智慧、生物運算和真菌網路介面，涵蓋 Mushroom 1、SporeBase、ALARM、MycoNode、Hyphae 1、Tricorder、Petraeus 和 Mushroom 2。
這創造了多種槓桿效應。
首先，製造槓桿。一個共享的控制器減少了工程重複。Mycosoft 不是為每個產品重新設計感測器擷取和通訊部分，而是改進一個核心的電路板家族。
第二，韌體槓桿。每個設備都受益於相同的協議升級、安全改進、感測器庫、OTA 機制、網狀網路改進和 NLM 橋接工作。
第三，數據槓桿。每個設備都會產生可用於訓練 NLM 的訊號原生訓練數據。部署的設備越多，模型基礎就越有價值。
第四，平台槓桿。MycoBrain 將硬體連接到 NatureOS、MINDEX、MYCA、AVANI、FUSARIUM 和 Mycorrhizae。它是更大軟體和智慧系統的邊緣層。
第五，IP 槓桿。其雙 MCU 架構、韌體堆疊、Mycorrhizae Protocol、I²C 感測器枚舉以及 MINDEX 鏈結 custody 整合被視為 MycoBrain 技術/IP 堆疊的一部分。
這就是一塊小型電路板如何成為基礎設施。
為什麼這在科學上很重要
MycoBrain 的科學重要性不在於它能測量溫度或濕度。有很多設備都能做到這一點。
MycoBrain 的科學重要性在於它被設計用來收集圍繞生命系統的 多模態因果脈絡。單獨一個真菌電壓尖峰很有趣。但一個與土壤濕度、pH 值、溫度、VOC 變化、光照水平和刺激事件同步的真菌電壓尖峰，就變成了證據。
這個證據可以變成一個指紋。
這個指紋可以變成一個模型。
這個模型可以變成預測。
這個預測可以變成受治理的行動。
這就是 FCI 重要的原因。FCI 白皮書將 FCI 堆疊描述為一個真菌探頭、訊號處理單元和雲端整合層，能夠偵測微妙的菌絲電氣變化，放大和過濾微弱的生物電訊號，並使這些訊號可用於即時數據分析。
MycoBrain 是讓這些想法離開實驗室的實用現場電腦。
未來版本：V3 和 V4
版本 2 證明了擴展後的架構。
版本 3 讓電路板更易於部署。
V3 的方向是蜂窩網路擴展：一個可以插在 LoRa 區域上方的 4G/5G SIM 模組帽子。LoRa 仍然是低功耗的本地網狀網路。蜂窩網路則成為回程鏈路。這使得現場 droid 能夠在本地群體中運作，同時在基礎設施存在時仍能與主站聯絡。
版本 4 則是更深刻的轉變。
V4 朝著 PCIe、SSD 和直接加速器整合的方向發展。目標是讓 MycoBrain 等級的硬體能夠承載本地模型權重、儲存原始和處理過的數據集，並將 Blackwell 等級或未來的 AI 加速器模組直接整合到 Mycosoft 的電路板生態系統中。M5Stack LLM 8850 路徑已經為較小的設備提供了緊湊的推理層級；V4 將這個理念擴展到更深層的客製化 AI 載具架構。硬體產品組合已經定義了一個雙層邊緣運算策略，對較大設備使用 Jetson 等級模組，對較小設備使用 M5Stack LLM Module 8850。
長遠路徑很明確：
1V1：緊湊型雙 ESP32-S3 + LoRa 控制器2V2：擴展型感測器/通訊板，配備 USB-C、類比/I²C/UART、LTE 接頭3V3：蜂窩網路帽子 + LoRa 網狀網路 + 改進的遠端機群管理4V4：PCIe + SSD + 直接 AI 加速器整合5V5+：MycoBrain 作為完整的生物/機器人邊緣 AI 主機板
終點不是另一塊開發板。
終點是 Mycosoft 自己的自主環境電腦架構。
這塊電路板是生物與數位運算之間的橋樑
電路板的背面印有蘑菇標誌，因為蘑菇不只是裝飾。它是設計哲學。
蘑菇是隱藏網絡的可見子實體。MycoBrain 也類似。電路板是可見的，但真正的系統是它背後的網絡：droids、探頭、感測器、模型、Agent、儀表板、數據集和活的基質。
FCI 給了我們生物 I/O。MycoBrain 給了我們邊緣控制。Mycorrhizae 給了我們網狀路由。MINDEX 給了我們記憶和溯源。NLM 給了我們訊號原生學習。MYCA 給了我們自主推理。AVANI 給了我們治理。
它們共同形成了一個混合的生物-數位堆疊。
1生命訊號2 ↓3FCI / 感測器4 ↓5MycoBrain6 ↓7Mycorrhizae / MDP8 ↓9Jetson / M5Stack / 未來 Blackwell10 ↓11NLM12 ↓13MYCA14 ↓15AVANI16 ↓17NatureOS / MINDEX / FUSARIUM
一台能讀懂地球的電腦
大多數電腦都放在桌上。
MycoBrain 是為泥濘、雨水、農場、森林、實驗室、屋頂、浮標、地下室、外殼、無人機以及實驗性生物系統而設計的。它被設計成可以修理、迭代、用 3D 列印包覆、堆疊、擴展、刷寫和重新部署。Mycosoft 的硬體製造理念強調使用 3D 列印進行快速迭代，並為工業設備使用改造的現成外殼，以減少模具負擔並提高生產靈活性。
這之所以重要，是因為地球規模的智慧無法僅靠雲端儀表板來建立。
我們需要在這個世界中的設備。
我們需要低功耗控制器。
我們需要網狀網路。
我們需要本地推理。
我們需要生物介面。
我們需要儲存空間。
我們需要治理。
我們需要一種方式，讓機器能夠向自然學習，而不需要強迫自然先變成語言。
這就是 MycoBrain。
MYCOBRAIN 超長文件的結束
GITHUB：https://github.com/MycosoftLabs/mycobrain
YOUTUBE MYCOBRAIN 影片：https://www.youtube.com/watch?v=3WDneg9OHtU
MycoBrain 是我們為非人類建造的第一台電腦，因為它不假設智慧始於文字。
它假設智慧始於訊號。
- 真菌發出訊號。
- 森林發出訊號。
- 河流發出訊號。
- 海洋發出訊號。
- 機器具發出訊號。
- AI Agent 發出訊號。
- Droid 發出訊號。
MycoBrain 就是那塊為了傾聽、翻譯、路由、記憶、推理和回應而設計的電路板。
大多數的 AI 將繼續閱讀網際網路，尤其是它自己的 合成數據。
MycoBrain 閱讀地球，將地球上數以兆計的生命形式視為使用者，超越了鍵盤、滑鼠，甚至是那些擁有動人聲音的語音操作 Agent 助理。
這一切不全都關乎 你，但 你 是整個地球生命的一部分。
別忘了這一點。
