دانشمندان یک ارگانوئید کوچک شبیه مغز را از سلول‌های بنیادی انسان رشد داده‌اند، آن را به رایانه متصل کرده‌اند و پتانسیل آن را به عنوان نوعی تراشه یادگیری ماشین آلی نشان داده‌اند و نشان می‌دهند که می‌تواند به سرعت گفتار را تشخیص دهد و پیش‌بینی‌های ریاضی انجام دهد.
به همان اندازه که پیشرفت‌های اخیر در یادگیری ماشین شگفت‌انگیز بوده است، هوش مصنوعی هنوز از برخی جهات مهم از مغز انسان عقب‌تر است. به عنوان مثال، مغز با خوشحالی در طول روز با بودجه انرژی حدود 20 وات سازگار می شود، جایی که یک شبکه عصبی مصنوعی نسبتاً قدرتمند برای انجام هر چیزی که از راه دور قابل مقایسه است به حدود 8 میلیون وات نیاز دارد.
علاوه بر این، انعطاف پذیری عصبی مغز انسان، توانایی آن در رشد بافت عصبی جدید و گسترش کانال های همبند موجود، به آن توانایی یادگیری از جریان های پر سر و صدا داده های با کیفیت پایین را با حداقل آموزش و صرف انرژی داده است. آنچه را که سیستم‌های هوش مصنوعی با نیروی خشن و انرژی عظیم به دست می‌آورند، مغز با ظرافت بی‌دردسر به آن دست می‌یابد. این اعتبار میلیاردها سال آزمون و خطای پرمخاطره است که مغز انسان را به وضعیت امروزی رساند، جایی که عمدتاً برای تماشای رقص تعداد زیادی از افراد دیگر در حالی که ما در توالت هستیم استفاده می‌شود.
اما اگر مغز یک کامپیوتر یادگیری قدرتمند است، و تنها کاری که در جمجمه ما انجام می‌دهد، پاسخ دادن به سیگنال‌های الکتریکی حواس ماست، چرا این لعنتی را در یک شیشه سیم‌کشی نکنیم و ببینیم که آیا می‌تواند جایگزین تراشه‌های یادگیری ماشین عصبی شود؟ خب، اکثر مردم به مغزشان نیاز دارند – بقیه شما می دانید که چه کسی هستید – اما سلول های مغزی را می توان به راحتی از سلول های بنیادی پرتوان، در پتری دیش ها ایجاد کرد، و آنها تمایل طبیعی به خود سازماندهی و تمایز به ساختارهای مفید دارند. همانطور که در یک مغز در حال رشد پیدا می کنید.
دانشگاه ایندیانا
بنابراین ما اکنون در عصر بیوکمپیوتر زندگی می کنیم، یک سردرگمی به سبک سایبورگ از سیلیکون و بافت زنده. در ماه سپتامبر، ما با Cortical Labs صحبت کردیم جهان را در سال 2022 با رشد 800000 سلول مغز بر روی یک بستر سیلیکونی شگفت زده کنید.و آموزش کامپیوتر حاصل “DishBrain” برای بازی پنگدر میان چیز های دیگر.
اکنون، محققان دانشگاه ایندیانا با رشد یک “ارگانوئید” مغز و نصب آن بر روی یک تراشه سیلیکونی، رویکرد کمی متفاوت را در پیش گرفته اند. این تفاوت ممکن است آکادمیک به نظر برسد، اما با اجازه دادن به سلول‌های بنیادی برای خودسازماندهی در ساختاری سه‌بعدی، محققان این فرضیه را مطرح کردند که ارگانوئید حاصل می‌تواند به طور قابل‌توجهی هوشمندتر باشد، در صورتی که نورون‌ها می‌توانند «پیچیدگی، اتصال، انعطاف‌پذیری عصبی و نوروژنز» بیشتری از خود نشان دهند. به آنها اجازه داده شد تا طبق معمول به صف شوند.
بنابراین آنها یک ارگانوئید مغزی شبیه توپ کوچک با قطر کمتر از یک نانومتر رشد دادند و آن را روی یک آرایه چند الکترودی با چگالی بالا نصب کردند – تراشه ای که می تواند سیگنال های الکتریکی را به ارگانوئید مغز بفرستد و همچنین سیگنال های الکتریکی را بخواند. به دلیل فعالیت عصبی.
آنها آن را “Brainoware” نامیدند – که احتمالاً منظور آنها چیزی نزدیک به سخت‌افزار و نرم‌افزار بوده است، اما برای ذائقه حساس من بسیار نزدیک به “BrainAware” به نظر می‌رسد و کابوس ابدی یکی از این چیزها را تداعی می‌کند که یکی از این چیزها کاملاً حساس شده و سرنوشت آن را درک می‌کند.
سپس آنها شروع به برخورد با آن مانند یک تراشه یادگیری ماشین عصبی کردند و آن را در چارچوب «محاسبات مخزن» قرار دادند. این یک نوع بسیار عجیب از ایده “جعبه سیاه” در محاسبات شبکه عصبی است، که در آن یک “مخزن” – که می تواند هر چیزی از سیستم نرم افزار مجازی گرفته تا لیزر، تا یک سطل آب واقعی باشد – برای “نقشه گذاری ورودی” استفاده می شود. سیگنال‌ها در فضای محاسباتی با ابعاد بالاتر از طریق دینامیک یک سیستم ثابت و غیرخطی.” ویکیپدیا.
دانشگاه ایندیانا
نه من و نه شما مجبور نیستیم تظاهر کنیم که این به چه معناست، تا همه ما راحت باشیم و بدون احساس گناه پیش برویم. محققان تراشه کامپیوتری ارگانوئیدی Brainoware را به یک سیستم متصل کردند و آن را به عنوان یک “مخزن زنده تطبیقی” تلقی کردند، اطمینان حاصل کردند که مغز کوچک به ورودی های الکتریکی به روشی غیرخطی مناسب پاسخ می دهد، آزمایش کردند که آیا هر نوع حافظه ای در کار است یا خیر. متوجه شد که چگونه داده های مکانی را در آرایه شبکه وارد کند و سپس چند تست یادگیری بدون نظارت را آغاز کرد.
آنها بر دو حوزه تمرکز کردند: اول، تشخیص گفتار. حدود 240 کلیپ صوتی از مردان مسن ژاپنی پس از تبدیل شدن به سیگنال های الکتریکی به تراشه Brainoware داده شد. به طور قابل توجهی، در روز صفر، ارگانوئید قادر بود – فقط از یک صدای صوتی – که از هشت نفر مختلف با دقت حدود 51 درصد صحبت می‌کردند، تشخیص دهد. دو روز بعد این رقم به 78 درصد رسید.
آنها سپس وارد ریاضیات شدند و تراشه Brainoware را برای “پیش‌بینی نقشه هنون، که یک سیستم دینامیکی غیرخطی معمولی با رفتار آشفته است” دریافت کردند. این شامل یک لایه اضافی از انتزاع بود، زیرا هر یک از نقشه های 200 نقطه ای هنون باید به یک سیگنال الکتریکی تک بعدی و مکانی-زمانی تبدیل می شد که می توانست به بافت مغز تغذیه شود. در دو روز، او دقت خود را در پیش‌بینی جایی که یک نقطه داده شده از 0.356 به 0.812 افزایش داد.
دانشگاه ایندیانا
برای کار بیشتر بر روی سیلیکون تیم، آنها همین مشکل را در برخی از شبکه های عصبی مصنوعی نیز مطرح کردند و دریافتند که “به طور قابل توجهی عملکرد بهتری از ANN بدون ماژول حافظه کوتاه مدت دارد” و “در مقایسه با ANN با LSTM دقت کمی پایین تر از آموزش را نشان می دهد. برابر بیش از 90 درصد.”
این تیم به این نتیجه رسیدند که ارگانوئیدهای سه بعدی مغز انسان مانند این قطعا می توانند شبکه های عصبی عملکردی را تشکیل دهند و به عنوان یک کلاس جدید از سخت افزار یادگیری ماشینی کار کنند، در حالی که به طور طبیعی چالش های زمان، مصرف انرژی و تولید گرما را که با آن مواجه هستند مدیریت می کنند. تراشه های یادگیری ماشین مصنوعی. آنها علاقه مند به ارتقای این ایده با استفاده از الکترودهای سوزنی نرم کاشته شده در بافت مغز ارگانوئید هستند، که به ورودی/خروجی دسترسی به تعداد بیشتری از نورون ها نسبت به دستگاه فعلی که فقط با قسمت بیرونی توپ سلول مغزی ارتباط دارد، می دهد. .
با این حال، همانطور که می توانید در هنگام کار با بافت زنده تصور کنید، محدودیت هایی وجود دارد. اول، شما باید راهی برای پرورش انبوه آنها و زنده نگه داشتن آنها پیدا کنید، که واقعاً چیزی نیست که Nvidia نگران آن باشد. آنها همچنین می توانند بسیار متفاوت از یکدیگر باشند، که این سوال تا حدودی شوم را ایجاد می کند که آیا سلول های مغزی رشد یافته از سلول های بنیادی دانشمندان علوم اعصاب ممکن است بهتر از سلول های مثلاً از اعضای کلوپ طرفداران Sexyy Red کار کنند.
این تیم همچنین خاطرنشان می‌کند که در حالی که تراشه‌های ارگانوئیدی در حین کار انرژی بسیار کمی مصرف می‌کنند، سیستم‌های پشتیبانی حیات بخشی از پس انداز را می‌خورند – اگرچه محققان فکر می‌کنند که اگر چنین چیزی اتفاق بیفتد، آن سیستم‌ها می‌توانند به سرعت تکامل پیدا کنند. .
در نهایت، مانند تیم آزمایشگاه کورتیکال، این تیم واقعاً ایده روشنی درباره اخلاق ایجاد ریز مغز از نورون‌های انسانی و اتصال آنها به رایانه‌های سایبورگ زنده ندارند. این تیم نوشت: «با افزایش پیچیدگی این سیستم‌های ارگانوئیدی، برای جامعه بسیار مهم است که مسائل عصبی اخلاقی بی‌شماری را که پیرامون سیستم‌های محاسبات زیستی که بافت عصبی انسان را درگیر می‌کنند، بررسی کنند. ممکن است دهه‌ها طول بکشد تا سیستم‌های زیست محاسباتی عمومی ساخته شوند، اما این تحقیق احتمالاً بینش‌های اساسی در مورد مکانیسم‌های یادگیری، رشد عصبی و پیامدهای شناختی بیماری‌های عصبی ایجاد می‌کند.
اینها واقعاً آبهای عجیبی هستند که ما وارد آن می شویم زیرا فناوری در سال 2023 به ظاهر از کنترل خارج می شود. خدا می داند که سال 2030 چگونه خواهد بود، چه رسد به سال 2050.
مقاله در مجله موجود است الکترونیک طبیعی.
منبع: Scimex
