Cortical Labs trainierte 200.000 menschliche Neuronen auf seinem CL1-Chip, um Doom zu spielen, und bringt damit das biologische Computing als energieeffiziente Ergänzung zu herkömmlichen KI-Systemen voran. Das in Melbourne ansässige Forschungsteam nutzte eine Silizium-Schnittstelle, um die Spielwelt in elektrische Muster zu übersetzen und die neuronalen Spikes als Bewegungs- und Feuer-Kommandos auszulesen, wodurch die Kulturschale von Pong-Reflexen hin zu 3D-Navigation weiterentwickelt wird. Brett Kagan, Chief Scientific Officer bei Cortical Labs, ordnet die Arbeit als Antwort auf den Strombedarf von KI ein und verweist auf die Effizienz des menschlichen Gehirns von grob 20 Watt gegenüber dem Megawatt-Verbrauch heutiger großer KI-Modelle in Cloud-Rechenzentren. Die Demonstration soll zielgerichtetes Lernen in einem lebenden neuronalen Netzwerk unter von Computern orchestrierten Bedingungen zeigen, auch wenn die Leistung noch weit von präzisem Gaming entfernt ist und CL1-Kulturen etwa sechs Monate halten.
Cortical Labs trainiert Neuronen auf CL1-Chip für Doom-Gameplay
Das Forschungsteam züchtete die Neuronen aus menschlichen Stammzellen und verband sie mit dem maßgeschneiderten CL1-Chip, der visuelle Ereignisse in Stimulationen über Elektroden umwandelt. Das System liest die Aktivität der Zellen, um Aktionen in Echtzeit auszulösen, und übersetzt neuronale Muster in Kommandos wie bewegen, drehen und schießen. Das Team startete mit Verhalten auf Pong-Niveau, bevor es auf die 3D-Anforderungen von Doom hochging.
Die Neuronen erhielten strukturierte elektrische Signale, die an den Spielzustand gekoppelt waren, und reagierten mit Mustern, die das System als Spielkommandos interpretierte. Die Leistung zeigt häufige Fehlzündungen und Überkorrekturen, mit Verbesserungen über wiederholte Sitzungen hinweg, während das Training fortschreitet. Laut den Forschern besteht das Ziel darin, zielgerichtetes Lernen in einem lebenden neuronalen Netzwerk unter Bedingungen zu demonstrieren, die ein Computer orchestrieren und messen kann, statt eine Präzision auf eSports-Niveau zu erreichen.
Effizienzziele des menschlichen Gehirns bei der KI-Stromnutzung
Während heutige große KI-Modelle Megawatt in Cloud-Rechenzentren ziehen, läuft das menschliche Gehirn mit grob 20 Watt. Brett Kagan positioniert die Arbeit als Partner für die Silizium-KI statt als Ersatz, insbesondere für Aufgaben, die von kontinuierlichem Lernen bei engen Energiebudgets profitieren. Für US-Unternehmen, die Foundation-Modelle auf Nvidia-GPUs trainieren und die Inferenz skalieren wollen, könnte selbst ein teilweiser Abbau auf biologische Koprocessoren in Szenarien wie lokalen Lernschleifen für Robotik oder Edge-Devices relevant sein, während konventionelle Chips Präzisionsmathematik und großskalige Retrievares unterstützen.
Anwendungen für biologisches Computing jenseits des Gamings
Das Team nennt Patientenspezifisches Drug Screening auf neuronalen Geweben, neue Krankheitsmodelle und adaptive Regelungen in der Robotik als mögliche Anwendungen. Die Schnittstellen bleiben fragil, mit einer typischen Lebensdauer von etwa sechs Monaten, und die Ausgaben sind noch nicht vollständig standardisiert oder in großem Maßstab programmierbar. Die regulatorischen und ethischen Leitplanken müssen Schritt halten, insbesondere in den USA unter FDA- und NIH-Vorgaben, falls medizinische Anwendungen vorankommen.
FAQ
Was hat Cortical Labs mit menschlichen Neuronen und Doom erreicht?
Cortical Labs trainierte 200.000 menschliche Neuronen, die aus Stammzellen gezüchtet wurden, um Doom mit seinem CL1-Chip zu spielen. Das System übersetzt die visuellen Ereignisse des Spiels in elektrische Muster, die die Neuronen stimulieren, und liest dann ihre Aktivität als Spielkommandos wie Bewegung und Schießen aus. Die Arbeit zeigt zielgerichtetes Lernen in einem lebenden neuronalen Netzwerk unter Computersteuerung.
Warum vergleicht Cortical Labs die Effizienz des Gehirns mit dem KI-Stromverbrauch?
Brett Kagan weist darauf hin, dass das menschliche Gehirn mit grob 20 Watt arbeitet, während heutige große KI-Modelle Megawatt in Cloud-Rechenzentren benötigen. Die Forschung untersucht biologisches Computing als Ergänzung zur konventionellen KI für Aufgaben, die kontinuierliches Lernen bei engen Energiebudgets erfordern, etwa Robotik oder Edge-Devices, während Siliziumchips Präzisionsmathematik und großskalige Operationen übernehmen.
Wie lange halten CL1-neuronale Kulturen?
CL1-Kulturen haben eine typische Lebensdauer von rund sechs Monaten. Die Schnittstellen bleiben fragil und die Ausgaben sind laut dem Forschungsteam noch nicht vollständig standardisiert oder in großem Maßstab programmierbar.
