Vědci z Bristolské univerzity prokázali, že shluky lidských mozkových buněk vypěstované v laboratoři mohou spolehlivě přijímat, zpracovávat a předávat hmatové informace – pomocí Braillova písma jako svého testovacího signálu. Studie publikovaná v časopise Frontiers in Artificial Intelligence je považována za klíčový krok směrem k biohybridním počítačům, které spojují živou neurální tkáň s elektronickými senzory.
Výzkum se zabývá klamavě jednoduchou otázkou v srdci organoidní inteligence: může malý, částečně vytvořený kousek mozkové tkáně věrně předávat informace, které přijímá? Aby to zjistil, tým z Bristolu vedený prvním autorem Tianyi Liu, kandidátem na PhD, a starším autorem Dr. Benjaminem Ward-Cherrierem připojil mozkové organoidy ke skutečnému hmatovému senzoru a zeptal se, zda lze na druhé straně získat smysluplné informace. For more context on this story, see our ongoing AI news.
"Můžeme převzít informace ze skutečného hmatového senzoru, převést je do formy, kterou může přijímat živá neuronová síť, a poté získat smysluplné informace z organoidní reakce," řekl Liu v oznámení univerzity o zjištěních. "To nám dává praktický způsob, jak propojit umělé senzory s biologickými nervovými systémy, které jsou velmi zajímavou možnou cestou k energeticky účinnějším počítačům."
Jak přečíst blobu buněk
Organoidy v centru experimentu jsou daleko od miniaturních mozků. Každý z nich má průměr menší než milimetr, postrádá mnoho struktur nacházejících se v lidském mozku a obsahuje zhruba 10 000 neuronů spolu s podpůrnými buňkami – po vzoru lidského předního mozku. Sedí na multielektrodových polích uvnitř systému, který udržuje tkáň naživu a zároveň monitoruje její elektrické reakce, což umožňuje výzkumníkům stimulovat a zaznamenávat nervovou aktivitu.
Testovací protokol sledoval signál od dotyku po tkáň až po klasifikaci. Nejprve tým aplikoval hmatový senzor na 26 písmen Braillovy abecedy a zaznamenával údaje, které každé písmeno vyprodukovalo. Tato data byla převedena na vzory elektrické stimulace, které byly dodány do organoidů. Vědci poté zkoumali, zda výsledná neurální aktivita může odhalit, které písmeno bylo předloženo – ve skutečnosti, zda tkáň „přečetla“ signál, který jí byl dán.
Dekódování připadlo na podpůrný vektorový stroj, jednoduchý algoritmus strojového učení, který třídil vzorce neurální aktivity a přiřazoval je ke konkrétním písmenům. Jediný organoid konzistentně produkoval dekódovatelný signál asi 61 % času. Když byly výstupy tří organoidů zkombinovány, přesnost stoupla na přibližně 83 %.
Tři organoidy porazily jeden — a nikdo si není jistý proč
Výsledek souboru patří k nejzajímavějším zjištěním. Vědci zatím nemohou plně vysvětlit, proč tři organoidy překonávají jeden, ačkoli mají podezření, že odpověď spočívá v přirozené variaci: žádné dva organoidy se nevyvíjejí přesně stejnou cestou.
"Různé organoidy mohou mít mírně odlišné síťové připojení, vývojové stavy a probíhající aktivitu, takže stejný vstup může produkovat podobné, ale ne identické reakce," řekl Liu. "Kombinace těchto odpovědí nám může poskytnout doplňkové informace, které bychom nezískali z jediného organoidu. Zároveň, pokud se každý organoid chová jinak, samozřejmě je obtížnější vybudovat předvídatelný a standardizovaný systém."
Tým také zdůraznil výstup tkáně. Když vědci přidali k Braillovým signálům umělý šum, ukázalo se, že dekódování z reakcí organoidů je obtížnější oklamat než dekódování degradovaných signálů přímo pomocí stejného algoritmu. Po zpracování organoidy si data zachovala dostatečnou strukturu na to, aby klasifikátor vybral správné písmeno robustněji, než umožňoval hrubý šumový vstup.
"Po zpracování organoidy hmatová data stále obsahují dostatek informací pro klasifikaci Braillova písma s dobrou přesností," řekl Ward-Cherrier. "Kombinace výstupů z několika organoidů také ukázala zlepšení výkonu."
Proč biologické výpočty lákají výzkumníky
Motivací je energie. Lidský mozek běží na zhruba 20 wattech při provádění výpočtů, které vyžadují řádově více elektřiny z konvenčního hardwaru – mezera, která se zvětšuje, jak se datová centra AI množí. Neuromorfní čipy se snaží zachytit účinnost mozku v křemíku a organoidní inteligence představuje radikálnější verzi stejné sázky: místo napodobování použít skutečné neurony.
Potenciální aplikace se soustředí na robotiku a autonomní systémy, kde záleží na každém wattu a hmatové snímání je zásadní. Senzor, který by mohl přenést zpracování signálu na živé neurony – nebo s nimi jednoho dne vytvořit uzavřenou smyčku – by mohl přetvořit energetický rozpočet strojů, které potřebují vnímat a reagovat v reálném čase.
Pozor, než titulky utečou
Bristolský tým se jasně vyjadřuje k tomu, co experiment neukazuje. Organoidy se neučily; reagovali na stimulaci, ale výzkumníci neprokázali dlouhodobou změnu ve tkáni. Úkol byl jediný hmatový, s použitím pevného schématu kódování a relativně jednoduchého měření nervové aktivity.
"Ukázali jsme, že hmatové informace lze zakódovat, zpracovat prostřednictvím organoidů a dekódovat, ale neprokázali jsme učení ani dlouhodobé změny v organoidech," řekl Liu.
Další kroky, říká tým, sahají za Braillovo písmo. Výzkumníci se zajímají o bohatší hmatové vstupy, jako jsou textury a hrany, a nakonec o úkoly s uzavřenou smyčkou, kde organoid dostává zpětnou vazbu z důsledků svého vlastního výstupu – konfigurace, která by začala testovat, zda se živá tkáň může přizpůsobit úkolu, spíše než pouze přenášet přes něj.
Výsledek prozatím slouží jako technický důkaz: signály z fyzického světa mohou vstoupit do živé nervové tkáně a vrátit se rozpoznatelné na druhé straně. To je hodně daleko od biohybridního počítače, ale je to druh neokázalého milníku – spolehlivá transdukce, měřitelná přesnost, poctivé chybové úsečky – na kterém byly postaveny i dřívější počítačové revoluce.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
