Daug komandų visame pasaulyje tiria neuronų tinklus indeliuose, dažnai išaugindami iš jų smegenų organoidus. Bet tai yra pirmas kartas, kai parodyta, kad minismegenys atlieka tikslingą užduotį. Šimtai tūkstančių smegenų ląstelių lėkštelėje mokomos žaisti „Pong“ atsakant į elektros impulsus – ir gali gerinti savo našumą sparčiau nei DI.
Šimtai tūkstančių smegenų ląstelių lėkštelėje mokomos žaisti „Pong“ atsakant į elektros impulsus – ir gali gerinti savo našumą sparčiau nei DI.
Asociatyvi „Pixabay“ nuotr.
Gyvos smegenų ląstelės petri lėkštelėje gali išmokti žaisti Pong video žaidimą, kai padedamos į „virtualaus žaidimo pasaulį“. „Manome, sąžininga būtų vadinti jas kiborginėmis smegenimis“, – sako Brett Kagan, tyrimą atliekančios Cortical Labs vyr. mokslininkas.
Daug komandų visame pasaulyje tiria neuronų tinklus indeliuose, dažnai išaugindami iš jų smegenų organoidus. Bet tai yra pirmas kartas, kai parodyta, kad minismegenys atlieka tikslingą užduotį, sako Kaganas.
Kagano ir kolegų kuriamos „DishBrains“ yra po 800 000 – 1 000 000 gyvų smegenų ląstelių – kas maždaug atitinka tarakono smegenis, sako Kaganas. Kai kuriuose naudojamos pelių embrionų smegenų ląsteles, o kituose iš kamieninių ląstelių išgautos žmonių smegenų ląstelės.
Ląstelės auginamos ant minielektrodų masyvo, kurie gali ir stimuliuoti ląsteles, ir nuskaityti jų aktyvumą. Simuliuojant supaprastintą Pong versiją be oponento, masyvų elektrodai kairėje ar dešinėje nurodo lentelę atstovaujančioms minismegenims, kurioje pusėje yra kamuoliukas. Signalų dažnis rodo artumą.
Specifinis neuronų aktyvumas interpretuojamas kaip lentelės paslinkimas kairėn ar dešinėn. Kompiuteris į šį aktyvumą reaguoja, ir iš elektrodais perduodamo atgalinio signalo minismegenys gali mokytis kontroliuoti lentelę. „Dažnai sakome, kad jos gyvena Matricoje, – sako Kaganas. – Kai žaidžia, jos mano esančios lentelė“
Minismegenys nežaidžia Pong nė iš tolo taip gerai kaip žmonės ar net tokių kompanijų kaip „DeepMind“ sukurti dirbtiniai intelektai. Bet jos mokosi sparčiau nei DI, pažymi Kaganas. Kompiuterinis DI turi pažaisti bent 5000 partijų, kad pasiektų tokį lygį, kokį gyvos sistemos pasiekia vos po 10 ar 15 žaidimų.
„Stulbinamas viso to aspektas yra tai, kaip greitai jos mokosi, per 5 minutes realiu laiku. Išties nuostabu, ką gali biologija“.
„DishBrains“ iš žmonių ląstelių Pong žaidė daug geriau už padarytas iš pelių ląstelių. Bet kadangi ląstelių šaltiniai skirtingi, komanda negali tvirtinti, kad taip yra dėl žmogiškos prigimties.
„Puikus straipsnis, fantastiški rezultatai, autoriai yra genialūs, – susižavėjimo neslepia Andrew Adamatzky, studijuojantis nekonvencinį skaičiavimą Vakarų Anglijos universitete Bristolyje, JK. – Tikiu, ateityje turėsime platų gyvų kompiuterių spektrą“.
„Mano nuomone, tai yra kvantinis šuolis, – tvirtina Karlas Fristonas iš UCL. – Autoriams pavyko neuronų tinklą išmokyti suprasti duomenis iš pasaulio ir tuo pačiu tame pasaulyje veikti“.
„Šis veiksmo ir jutimo sąryšis yra ne tik įspūdingas techninis pasiekimas, bet ir priartina žingsniu prie sintetinių smegenų sukūrimo“, – sako jis.
Kagano ir kolegų treniravimo būdas yra pagrįstas smegenų veikimo teorija, vadinama laisvos energijos principu, kurį išvystė Fristonas. Esminė jo idėja yra, kad netgi lėkštelėje neoronai stengsis sukurti vidinį savo išorinio pasaulio modelį. Jie nori numatyti, kas nutiks, remdamiesi gaunamais impulsais, ir netikėtumai jiems nepatinka.
Būtent todėl ląstelės „žaidžia žaidimą“, sako Kaganas. Kai jie žaidžia, jų gaunamos įvestys tampa labiau numatomos. Jeigu nežaidžia – gaunamos įvestys būna atsitiktinės, netvarkingos, kas jiems nepatinka, paaiškina jis.
„Iš to kyla įspūdingas dalykas – savaime kylantys jausmai ir pojūčiai“, – sako Fristonas.
Ilgalaikis Cortical Labs tikslas – sukurt kibernetinius smegenis, kurie, Kagano manymu, galėtų protu pralenkti kompiuterines sistemas. „Neregiams pereiti gatvę vis dar padeda šunys, o ne robotai, – pastebi jis. – Netgi paprastas biologinis šuns intelektas pralenkia mūsų turimas mašinas“.
Bet pritaikymo ilgai laukti nereikės, sako Kaganas. Pavyzdžiui, tyrimai, kaip neuronai gali taip greitai ir efektyviai mokytis, padėtų patobulinti mašininį mokymąsi, sumažindami daygybę tam sunaudojamos energijos ir laiko.
„Nauja dirbtino intelekto karta turėtų siekti biologinių smegenų funkcionalumo ir termodinaminio efektyvumo, – svarsto Fristonas. – Aptariamas darbas yra žymus – gal netgi istorinis – žingsnis šia kryptimi“.
Kitas potencialus panaudojimas yra vaistų paieška. Duodant žaidžiančioms minismegenims eksperimentinius vaistus, būtų galima geriau išsiaiškinti tų vaistų poveikį žmogaus smegenims, nei tyrinėjant izoliuotus neuronus, sako Kaganas.
Michael Le Page / www.newscientist.com
Nuoroda: bioRxiv, DOI: 10.1101/2021.12.02.471005
