Klynger av menneskelige hjerneceller dyrket i petriskåler har blitt integrert med datamaskiner for å oppnå et grunnleggende nivå av talegjenkjenning.
Feng Guo, fra Indiana University Bloomington, forklarer studien, som er publisert i Naturelektronikk"Dette er en foreløpig demonstrasjon for å vise at konseptet er gjennomførbart. Det er fortsatt en lang reise foran oss."
Guo peker på to hovedutfordringer ved konvensjonell AI som denne formen for biologisk AI søker å løse: høyt energiforbruk og de iboende begrensningene ved silisiumbrikker, som at de har forskjellige funksjoner for prosessering og informasjonslagring.
Guos team, sammen med andre, som australske Cortical Labs, som trente hjerneceller til å spille Pong i 2022I en ny studie av bioinformatikk med levende nerveceller utforsker vi en mulig løsning på disse utfordringene.
Disse hjerneorganoidene - selvorganiserte, tredimensjonale vevskulturer som ligner minihjerner - vokser frem fra stamceller under spesifikke vekstbetingelser.
De kan bli noen millimeter i diameter og inneholde opptil 100 millioner nerveceller. Til sammenligning har en menneskehjerne omtrent 100 milliarder nerveceller. Organoidene er plassert på toppen av en mikroelektrodeanordning, som både stimulerer organoidene og registrerer nerveaktiviteten. Guos team kaller dette oppsettet for "Brainoware".
Brainoware er i bunn og grunn en ny form for kunstig intelligens som er ganske annerledes enn det vi vanligvis ser i datamaskiner og smarttelefoner.
I stedet for å bruke vanlige brikker, har forskerne laget en liten klynge av menneskelige hjerneceller - hjerneorganoiden. Denne lille "minihjernen" er dyrket frem i et laboratorium fra stamceller, og den kan utføre noen grunnleggende oppgaver som vi vanligvis forbinder med kunstig intelligens, som å gjenkjenne talemønstre.
Slik fungerer det
Hjerneorganoidet plasseres på en spesiell innretning som kan sende og lese av elektriske signaler.
På denne måten kan forskerne kommunisere med organoiden, og på sett og vis lære den å reagere på bestemte mønstre eller input. I studien trente de den til å gjenkjenne ulike stemmer fra lydklipp.
Et av de mest bemerkelsesverdige aspektene ved Brainware er at den lærer og tilpasser seg. På samme måte som en menneskehjerne blir bedre til oppgaver med øvelse, forbedrer organoiden sin evne til å gjenkjenne stemmer jo mer den blir eksponert for dem.
Dette bringer oss et skritt nærmere å skape kunstig intelligens som fungerer mer som den menneskelige hjernen, som er svært effektiv og ikke trenger mye energi for å fungere (omtrent som en liten lyspære).
Det finnes imidlertid utfordringer. Det er vanskelig å dyrke disse hjerneorganoidene - de er vanskelige å lage, vanskelige å gjenskape konsekvent og varer ikke lenge, men teamet jobber med å finne løsninger.
Brainowares ytelse
I et uovervåket talegjenkjenningseksperiment ble organoidene trent opp til å skille en enkelt stemme fra 240 lydopptak av åtte personer som ytret japanske vokallyder. Disse lydene ble konvertert til signalsekvenser og romlige mønstre for organoidene.
Til å begynne med viste organoidene en nøyaktighetsgrad på omtrent 30 til 40%, som ble forbedret til 70 til 80% etter to dagers trening.
Mer om studien
Bioinspirert kunstig intelligens tar noen forskjellige former, for eksempel nevromorfe brikker basert på biologiske nevroner. Dette går et skritt videre ved å skape beregningsarkitektur fra biologiske organoider.
Her finner du mer informasjon om hvordan det fungerer:
- Bioinspirert AI-maskinvare: Studien, som er publisert i Nature Electronics, introduserer Brainoware, en ny AI-maskinvare som benytter biologiske nevrale nettverk i en hjerneorganoide. Dette markerer et fundamentalt skifte fra tradisjonelle hjerneinspirerte silisiumbrikker, og gir en mer autentisk emulering av hjernens funksjon.
- Brainowares struktur og funksjonalitet: Brainoware fungerer ved å koble en hjerneorganoide, dyrket fra humane pluripotente stamceller, til en multielektrodeoppstilling med høy tetthet. Dette oppsettet gjør det mulig både å overføre elektriske signaler til organoidet og detektere nevrale responser. Organoidet har egenskaper som ikke-lineær dynamikk, hukommelse og evnen til å behandle romlig informasjon.
- Bruksområder som ble demonstrert i studien: Teamet har brukt Brainoware i praktiske scenarier, som talegjenkjenning og prediksjon av ikke-lineære kaotiske ligninger (som Hénon-kartet). Dette viser Brainowares evne til å forbedre databehandlingsytelsen gjennom opplæring, noe som understreker potensialet for oppgaver som krever adaptiv læring.
- Utfordringer og begrensninger: Til tross for sin innovative tilnærming står Brainoware overfor flere tekniske utfordringer, blant annet når det gjelder generering og vedlikehold av hjerneorganoider. I tillegg er maskinvaren avhengig av perifert utstyr, noe som hemmer potensialet. Med andre ord trenger du mye støtteutstyr for at hjerneorganene skal fungere som de skal.
- Fremtidig retning og potensial: Studien tyder på at Brainoware kan utvikle seg til et mer effektivt og sofistikert system dersom man gjør fremskritt innen organoid-dyrking og løser praktiske problemer knyttet til organoider. Dette kan føre til AI-maskinvare som i større grad etterligner den menneskelige hjernens funksjon, noe som potensielt kan redusere energiforbruket.
I fremtiden kan denne typen biodatasystemer kanskje utføre AI-oppgaver mer energieffektivt enn tradisjonelle silisiumbaserte brikker.
Utviklingen innen bioinspirert AI fra i år er svært lovende når det gjelder å hjelpe AI-industrien med å overvinne begrensningene ved brute-force computing og skape energieffektive teknologier som er like elegante som naturen.
