200.000 Neuron Manusia Belajar Memainkan Doom, Menunjuk ke Komputasi Biologis Berdaya Rendah

Cortical Labs menghubungkan 200.000 neuron manusia yang tumbuh dari sel punca darah ke antarmuka silikon CL1-nya, mengajarkan kultur tersebut untuk menavigasi dan menembak dalam Doom. Dengan menerjemahkan keadaan permainan ke dalam pola listrik dan membaca lonjakan neural sebagai perintah, sistem ini meningkat seiring latihan, menunjukkan komputasi biologis berdaya rendah meskipun setup neuron-chip saat ini bertahan sekitar enam bulan.

• Poin Utama:
• Cortical Labs melatih 200.000 neuron di CL1 untuk bermain Doom, memajukan komputasi biologis.
• Brett Kagan mengatakan efisiensi otak 20-watt bisa menantang kebutuhan daya AI berikutnya.
• Kultur CL1 bertahan sekitar 6 bulan; pengawasan FDA dan NIH mungkin membentuk penggunaan di masa depan.

Di sebuah laboratorium di Melbourne, sebuah piring berisi 200.000 neuron manusia belajar untuk menyusur dan menembak dalam Doom, diajarkan melalui antarmuka silikon. Chip CL1 dari Cortical Labs menerjemahkan dunia permainan menjadi pola listrik dan membaca lonjakan sebagai gerakan dan tembakan, mengubah piring kultur dari refleks Pong menjadi navigasi 3D. Permainan ini masih canggung, namun memberi petunjuk tentang komputasi biologis yang mengonsumsi daya sedikit dibandingkan AI yang boros listrik saat ini, sebuah arah yang dikatakan tim melengkapi model konvensional. Jika umur pakai enam bulan diperpanjang dan konsistensi diperketat, perangkat lunak basah yang sama bisa mengarahkan robot atau menyaring obat, bukan hanya mengejar iblis berpixel.

Neuron manusia menantang Doom dalam terobosan laboratorium

Beberapa eksperimen terasa seperti pandangan ke bab berikutnya dari komputasi. Peneliti di Cortical Labs melaporkan bahwa mereka melatih sekelompok 200.000 neuron untuk bermain Doom, penembak orang pertama tahun 1993 yang membantu mendefinisikan permainan modern. Neuron-neuron tersebut, yang tumbuh dari sel punca manusia dan terhubung ke antarmuka silikon, belajar menavigasi koridor dan menembak musuh, memberi petunjuk tentang jalur bagi komputer biologis yang melengkapi sistem AI saat ini.

Bagaimana neuron manusia belajar bermain game

Tim memulai dengan perilaku setara Pong, lalu meningkat ke tuntutan 3D dari Doom. Neuron menerima isyarat listrik terstruktur yang terkait dengan keadaan permainan dan merespons dengan pola yang diterjemahkan sistem menjadi perintah seperti bergerak, berputar, dan menembak. Intinya adalah chip CL1 kustom, yang mengubah peristiwa visual menjadi rangsangan di seluruh elektroda, lalu membaca aktivitas sel untuk menggerakkan aksi secara waktu nyata.

Kinerja masih jauh dari siap untuk e-sports. Sel-sel sering salah tembak atau melakukan koreksi berlebihan, lalu membaik seiring sesi latihan berulang. Menurut para peneliti, tujuan bukanlah akurasi sempurna tetapi menunjukkan pembelajaran yang diarahkan tujuan di dalam jaringan neural hidup, dalam kondisi yang dapat diatur dan diukur oleh komputer.

Janji efisiensi biologis

Energi adalah headline. Di mana model AI besar saat ini menarik megawatt di pusat data cloud, otak manusia berjalan sekitar 20 watt. Efisiensi ini menginspirasi pencarian sistem hibrida yang dapat mengurangi kebutuhan daya untuk pembelajaran, adaptasi, dan kontrol. Brett Kagan, kepala ilmuwan di Cortical Labs, memandang pekerjaan ini sebagai mitra AI silikon, bukan pengganti, terutama untuk tugas yang mendapatkan manfaat dari pembelajaran berkelanjutan dengan anggaran energi yang ketat.

Bagi perusahaan AS yang melatih model dasar di GPU Nvidia dan berlomba untuk meningkatkan inferensi, bahkan sebagian beban ke ko-prosesor biologis bisa penting. Pikirkan loop pembelajaran lokal untuk robotika atau perangkat edge, sementara chip konvensional menangani matematika presisi dan pengambilan data skala besar. Pertanyaan jangka pendek adalah di mana garis trade-off dalam latensi, keandalan, dan biaya.

Masa depan di luar permainan

Permainan adalah tempat uji coba yang berguna, namun target yang lebih besar adalah ilmu pengetahuan dan industri. Komputasi biologis dapat memungkinkan penyaringan obat pada jaringan neural spesifik pasien, model penyakit baru, dan kontrol adaptif dalam robotika. Antarmuka tetap rapuh, dengan umur pakai sekitar enam bulan dan output yang belum sepenuhnya distandarisasi atau dapat diprogram secara skala besar.

Regulasi dan pengawasan etis harus mengikuti perkembangan, terutama di AS di bawah panduan FDA dan NIH jika penggunaan medis berkembang. Namun, hasil laboratorium ini nyata: neuron hidup dapat dilatih untuk bertindak dalam tugas digital yang kompleks. Dari Doom hingga pusat data, perjalanan ini telah dimulai, secara diam-diam dan efisien, di dalam sebuah piring.