Biologiczny komputer HIVE łączy neurony w sieć

Wyobraź sobie, że zamiast jednego mózgu masz ich piętnaście — i że razem radzą sobie lepiej niż każdy z osobna. Właśnie taki eksperyment przeprowadziła australijska firma Cortical Labs, twórca pierwszego na świecie biologicznego komputera. Podczas pierwszej Międzynarodowej Konferencji poświęconej Inteligencji Organoidowej (ICOI) w Waszyngtonie zaprezentowano system o nazwie HIVE, w którym połączono piętnaście maszyn CL1, by sprawdzić, czy współpraca hodowanych neuronów przełoży się na lepsze rezultaty.

Jak połączone kultury neuronów dzielą się pracą

Pomysł stojący za HIVE jest prosty: skoro pojedynczy układ oparty na komórkach nerwowych potrafi rozwiązywać zadania i się uczyć, to może kilka takich układów działających wspólnie osiągnie jeszcze więcej. Jak podkreślają badacze, więcej „mocy obliczeniowej” nie gwarantuje sukcesu — każdy, kto pracował kiedyś w grupie, doskonale to zna. Tym razem jednak efekt okazał się zaskakujący.

Maszyny CL1 same rozdzieliły między siebie poszczególne elementy postawionego przed nimi problemu i wybrały najskuteczniejszą drogę do celu. Co istotne, naukowcy nie byli w stanie nauczyć laboratoryjnych neuronów takiego zachowania — pojawiło się ono dopiero wtedy, gdy komórki stały się częścią większej sieci.

Natura jako wzorzec dla inżynierii

Doktor Brett Kagan, współzałożyciel i dyrektor generalny Cortical Labs, tłumaczy, że biologiczne przetwarzanie danych ma ogromny potencjał, ale praktyczne systemy nie mogą opierać się na jednej hodowli, która za każdym razem zadziała bezbłędnie. Jak dodaje, przyroda rozwiązuje złożone problemy zbiorowo — mózg rozdziela informacje między wyspecjalizowane obszary, a ule polegają na wielu osobnikach, z których każdy wnosi własną funkcję do wspólnego wyniku. HIVE przenosi tę zasadę na grunt komputerów biologicznych.

„Natura rozwiązuje złożone problemy zbiorowo. Mózgi rozdzielają informacje między wyspecjalizowane regiony, a ule opierają się na wielu pracownikach, z których każdy pełni własną funkcję i wnosi wkład we wspólny rezultat. HIVE stosuje tę samą zasadę do obliczeń biologicznych” — mówi dr Brett Kagan.

Stabilność i skalowalność dzięki współpracy

Zespół podkreśla, że układ HIVE jest nie tylko łatwiejszy do skalowania, ale też bardziej stabilny. Ponieważ mówimy o żywych komórkach, jedna grupa neuronów może pewnego dnia działać świetnie, a następnego — znacznie słabiej. Rozłożenie obciążenia na kilka kultur pomaga utrzymać powtarzalną jakość pracy. Co więcej, jeśli jedna grupa przestanie odpowiadać, system może kontynuować działanie.

Naukowcy z Cortical Labs zwracają uwagę na jeszcze jedną korzyść: rozdzielanie zadań między wyspecjalizowane grupy biologiczne daje lepsze efekty niż poleganie na pojedynczych maszynach. Johnson Zhou, badacz w firmie, zauważa, że jedna hodowla może danego dnia wypadać wyjątkowo dobrze, a inna słabiej — gdy kultury pracują razem, te indywidualne różnice mają mniejszy wpływ na końcowy rezultat. HIVE pozwala zarządzać tą zmiennością, jednocześnie czerpiąc z elastyczności, która jest atutem systemów biologicznych.

Wyniki testów: od symboli po wirtualną grę

Efekty eksperymentów robią wrażenie, choć trzeba pamiętać, że mają charakter wstępny i dotyczą konkretnego projektu badawczego oraz modelu AI, z którym porównywano HIVE. W jednym z testów sprawdzano rozpoznawanie symboli. Połączenie siedmiu biologicznych komputerów podniosło dokładność z około 80% do 99%.

Drugie zadanie polegało na przeprowadzeniu wirtualnej postaci przez siatkę do wyznaczonego celu. Tutaj zestawiono HIVE z konwencjonalną siecią Deep Q Network (DQN), która opiera się na algorytmach, a nie na komórkach nerwowych. Oto jak wypadły poszczególne konfiguracje:

DQN osiągnął około 32% maksymalnego wyniku,
najlepszy pojedynczy komputer Cortical Labs uzyskał 40%,
gdy kilka maszyn biologicznych wspólnie decydowało o ruchach, wynik wzrósł do około 70%,
podział zadania między wyspecjalizowane grupy przyniósł jeszcze lepszy rezultat — około 80%.

Autorzy badania zaznaczają, że to wyniki wstępne i ograniczone do przyjętego schematu eksperymentu. Mimo to ich zdaniem stanowią mocny argument za zbiorowym podejściem do obliczeń z użyciem sieci neuronowych, zamiast korzystania z pojedynczych maszyn.

Co dalej z biologicznymi komputerami

Kolejnym krokiem zespołu będzie ustalenie, w jaki sposób neurony przekazują sygnały i przetwarzają informacje zwrotne między połączonymi maszynami. Naukowcy chcą też sprawdzić, czy dodanie kolejnych połączeń przesunie wyniki jeszcze dalej w pożądanym kierunku.

Poza samymi zastosowaniami praktycznymi system tego typu jest znacznie bardziej energooszczędnym sposobem wykorzystania uczenia maszynowego. To istotna kwestia w czasach, gdy trenowanie dużych modeli AI pochłania ogromne ilości prądu. Wyniki zaprezentowano podczas pierwszej Międzynarodowej Konferencji poświęconej Inteligencji Organoidowej, która odbyła się w Waszyngtonie w dniach 26–27 października. Jeśli dalsze badania potwierdzą wstępne obserwacje, zespołowa inteligencja hodowanych neuronów może stać się jednym z ciekawszych kierunków rozwoju alternatywnych, niskoenergetycznych technologii obliczeniowych.