Австралійська компанія Cortical Labs представила систему HIVE – мережу з 15 біологічних комп’ютерів, у яких працюють живі людські нейрони. За даними New Atlas, об’єднані «живі комп’ютери» змогли колективно виконувати завдання точніше й ефективніше, ніж окремі пристрої, а в одному з тестів – і краще за класичний алгоритм штучного інтелекту.
Як працює біологічний «вулик» HIVE
Cortical Labs відома створенням перших біологічних комп’ютерів CL1, у яких культивовані в лабораторії нейрони виконують роль обчислювального ядра. У HIVE дослідники з’єднали між собою 15 таких CL1, щоб перевірити, чи зможуть окремі «міні-мозки» працювати як єдина система.
Ідея полягає в тому, що замість одного біокомп’ютера, який навчається й розв’язує задачі самостійно, кілька таких систем взаємодіють і розподіляють між собою частини завдання. На відміну від класичних алгоритмів, ці нейрони не програмують на конкретну стратегію – вони самі знаходять спосіб співпраці, коли стають частиною більшої мережі.
За словами співзасновника та CEO Cortical Labs Бретта Кагана (Brett Kagan), біологічні обчислення мають величезний потенціал, але покладатися на одну культуру клітин, яка щоразу працює ідеально, нереалістично. У природі складні задачі розв’язуються колективно: мозок розподіляє інформацію між спеціалізованими ділянками, а бджолині вулики покладаються на багатьох «працівників» з різними функціями. HIVE застосовує цей самий принцип до біокомп’ютерів.
Команда підкреслює, що об’єднані нейронні системи не є чимось новим для природи, але тепер це вдається реалізувати у масштабі, який виходить за межі фізіологічних обмежень, завдяки апаратній платформі CL1.
Стабільність завдяки колективу живих клітин
Оскільки йдеться про живі клітини, їхня робота змінюється з дня в день: одна культура нейронів може показувати відмінні результати сьогодні й значно гірші завтра. Об’єднання кількох культур у HIVE згладжує такі коливання: навантаження розподіляється, і слабша ланка менше впливає на загальний результат.
Якщо одна група нейронів перестає відповідати, система загалом продовжує працювати завдяки іншим. Це робить HIVE не лише масштабованою, а й більш стійкою до збоїв, ніж окремі біокомп’ютери.
Науковець Cortical Labs Джонсон Чжоу (Johnson Zhou) пояснює, що коли культури працюють разом, індивідуальні відмінності між ними менше впливають на кінцевий результат. HIVE дає змогу керувати цією варіабельністю й водночас використовувати адаптивність, яка робить біологічні системи такими потужними.
Тести: від розпізнавання символів до віртуальної навігації
В одному з експериментів HIVE перевіряли на розпізнаванні символів. Коли дослідники з’єднали сім біологічних комп’ютерів, точність зросла приблизно з 80% до 99%. Це свідчить, що колективна обробка інформації дає значно кращий результат, ніж робота окремих «мозків».
Інший тест полягав у керуванні віртуальним персонажем, який мав рухатися по сітці й знаходити певну ціль. Тут HIVE порівнювали з класичним алгоритмом штучного інтелекту Deep Q Network (DQN), що базується на математичних обчисленнях, а не на живих клітинах.
DQN досягав близько 32% від максимально можливого результату. Найкращий окремий біокомп’ютер Cortical показав приблизно 40%. Коли ж кілька біологічних комп’ютерів спільно «вирішували», який хід зробити, результат піднявся до близько 70%. А коли завдання розподілили між спеціалізованими групами біокомп’ютерів, показник зріс до приблизно 80%.
Автори підкреслюють, що це попередні результати, обмежені конкретним дизайном експериментів і тим типом ШІ, з яким порівнювали HIVE. Втім, вони вважають, що такі дані добре демонструють переваги колективної роботи біологічних нейронних систем над використанням кожної з них окремо.
Що далі досліджуватимуть у HIVE
Команда Cortical Labs планує з’ясувати, як саме нейрони обмінюються сигналами й обробляють зворотний зв’язок у межах такої мережі біокомп’ютерів. Також дослідників цікавить, чи зможе подальше збільшення кількості з’єднань ще більше покращити продуктивність системи.
Окремо наголошується, що подібні біологічні обчислювальні системи є набагато енергоефективнішим способом реалізації машинного навчання, ніж традиційні електронні процесори.
Роботу представили на першій Міжнародній конференції з органоїдної інтелігенції (International Conference on Organoid Intelligence, ICOI), яка відбулася у Вашингтоні, округ Колумбія, 26–27 жовтня.