コルティカル・ラボは血液由来の幹細胞から育てた20万のヒトニューロンをCL1シリコンインターフェースに接続し、培養物にドゥームでのナビゲーションと射撃を教えた。ゲームの状態を電気パターンに変換し、神経スパイクをコマンドとして読み取ることで、訓練とともにシステムは向上し、低消費電力の生物学的計算の可能性を示唆している。現在のニューロンチップのセットアップは約6ヶ月持続するが、これにより生物学的コンピューティングの未来が見えてきた。
メルボルンの研究所内で、200,000人のヒトニューロンの皿がシリコンインターフェースを通じてドゥームでの横移動と射撃を学習した。コルティカル・ラボのCL1チップはゲームの世界を電気パターンに変換し、スパイクを読み取って動きや射撃として返し、培養皿をポンや3Dナビゲーションへと進化させた。プレイはまだぎこちないが、電力をほとんど消費しない生物学的計算の可能性を示唆しており、チームはこれを従来のモデルを補完するものと位置付けている。6ヶ月の寿命を伸ばし、一貫性を高めれば、同じウェットウェアはロボットの操縦や薬剤のスクリーニングにも使えるだろう。**
いくつかの実験は、次世代のコンピューティングの一端を垣間見せる。コルティカル・ラボの研究者たちは、20万のニューロンのクラスターを訓練し、現代のゲームを定義した1993年のファーストパーソンシューティングゲーム、ドゥームをプレイさせたと報告している。これらのニューロンはヒトの幹細胞から育てられ、シリコンインターフェースに接続され、通路のナビゲーションや敵への射撃を学習し、今日のAIシステムを補完するバイオコンピュータの道筋を示唆している。**
チームはポンレベルの行動から始め、その後ドゥームの3D要求に進化させた。ニューロンはゲームの状態に結びついた構造化された電気信号を受け取り、それに応じて動き、回転、射撃などのコマンドに変換されるパターンを返した。中心となるのはカスタムのCL1チップで、視覚イベントを電極を介した刺激に変換し、細胞の活動をリアルタイムで読み取って動作を駆動する。**
パフォーマンスはeスポーツに適したものからは遠い。細胞はしばしば誤作動や過剰修正を起こすが、訓練を繰り返すことで改善していく。研究者たちは、目標の正確さではなく、生きた神経ネットワーク内での目的志向の学習を示すことを目標としている。これはコンピュータが調整・測定できる条件下で行われる。**
エネルギーが最大のポイントだ。今日の大規模AIモデルはクラウドデータセンターでメガワット単位の電力を消費するが、人間の脳はおよそ20ワットで動作している。その効率性は、学習、適応、制御のための電力需要を削減できるハイブリッドシステムの探索を促している。コルティカル・ラボの最高科学責任者ブレット・ケイガンは、この研究をシリコンAIのパートナーと位置付けており、特に継続的な学習と厳しいエネルギー予算が求められるタスクにおいて、置き換えではなく補完と考えている。**
米国企業がNvidiaのGPUで基盤モデルを訓練し、推論のスケールアップを競う中、部分的にでも生物学的コプロセッサにオフロードできれば重要だ。ロボットやエッジデバイスのローカル学習ループを考え、従来のチップは精密計算や大規模な検索を担当する。短期的な課題は、遅延、信頼性、コストのトレードオフのラインをどこに引くかだ。**
ゲームは便利なテストベッドだが、より大きなターゲットは科学と産業だ。生物学的計算は、患者特異的な神経組織を用いた薬剤スクリーニング、新しい疾患モデル、ロボットの適応制御を可能にするかもしれない。インターフェースはまだ脆弱で、典型的な寿命は約6ヶ月、出力も標準化や大規模なプログラム化にはまだ課題が残る。**
規制や倫理のガードレールも追いつく必要があり、特に米国ではFDAやNIHの指導の下で医療用途が進む場合は重要だ。それでも、研究室の結果は具体的だ：生きたニューロンは複雑なデジタルタスクに対応できるよう訓練可能だ。ドゥームからデータセンターまで、その旅は静かに、効率的に始まった。**
49.77K 人気度
314.08K 人気度
57.21K 人気度
694.53K 人気度
670.3K 人気度
20万のヒトニューロンがドゥームをプレイすることを学習、低消費電力の生物学的コンピューティングを示唆
コルティカル・ラボは血液由来の幹細胞から育てた20万のヒトニューロンをCL1シリコンインターフェースに接続し、培養物にドゥームでのナビゲーションと射撃を教えた。ゲームの状態を電気パターンに変換し、神経スパイクをコマンドとして読み取ることで、訓練とともにシステムは向上し、低消費電力の生物学的計算の可能性を示唆している。現在のニューロンチップのセットアップは約6ヶ月持続するが、これにより生物学的コンピューティングの未来が見えてきた。
メルボルンの研究所内で、200,000人のヒトニューロンの皿がシリコンインターフェースを通じてドゥームでの横移動と射撃を学習した。コルティカル・ラボのCL1チップはゲームの世界を電気パターンに変換し、スパイクを読み取って動きや射撃として返し、培養皿をポンや3Dナビゲーションへと進化させた。プレイはまだぎこちないが、電力をほとんど消費しない生物学的計算の可能性を示唆しており、チームはこれを従来のモデルを補完するものと位置付けている。6ヶ月の寿命を伸ばし、一貫性を高めれば、同じウェットウェアはロボットの操縦や薬剤のスクリーニングにも使えるだろう。**
実験室のブレークスルー：人間のニューロンがドゥームに挑戦
いくつかの実験は、次世代のコンピューティングの一端を垣間見せる。コルティカル・ラボの研究者たちは、20万のニューロンのクラスターを訓練し、現代のゲームを定義した1993年のファーストパーソンシューティングゲーム、ドゥームをプレイさせたと報告している。これらのニューロンはヒトの幹細胞から育てられ、シリコンインターフェースに接続され、通路のナビゲーションや敵への射撃を学習し、今日のAIシステムを補完するバイオコンピュータの道筋を示唆している。**
人間のニューロンがゲームを学ぶ仕組み
チームはポンレベルの行動から始め、その後ドゥームの3D要求に進化させた。ニューロンはゲームの状態に結びついた構造化された電気信号を受け取り、それに応じて動き、回転、射撃などのコマンドに変換されるパターンを返した。中心となるのはカスタムのCL1チップで、視覚イベントを電極を介した刺激に変換し、細胞の活動をリアルタイムで読み取って動作を駆動する。**
パフォーマンスはeスポーツに適したものからは遠い。細胞はしばしば誤作動や過剰修正を起こすが、訓練を繰り返すことで改善していく。研究者たちは、目標の正確さではなく、生きた神経ネットワーク内での目的志向の学習を示すことを目標としている。これはコンピュータが調整・測定できる条件下で行われる。**
生物学的効率性の可能性
エネルギーが最大のポイントだ。今日の大規模AIモデルはクラウドデータセンターでメガワット単位の電力を消費するが、人間の脳はおよそ20ワットで動作している。その効率性は、学習、適応、制御のための電力需要を削減できるハイブリッドシステムの探索を促している。コルティカル・ラボの最高科学責任者ブレット・ケイガンは、この研究をシリコンAIのパートナーと位置付けており、特に継続的な学習と厳しいエネルギー予算が求められるタスクにおいて、置き換えではなく補完と考えている。**
米国企業がNvidiaのGPUで基盤モデルを訓練し、推論のスケールアップを競う中、部分的にでも生物学的コプロセッサにオフロードできれば重要だ。ロボットやエッジデバイスのローカル学習ループを考え、従来のチップは精密計算や大規模な検索を担当する。短期的な課題は、遅延、信頼性、コストのトレードオフのラインをどこに引くかだ。**
ゲームを超えた未来
ゲームは便利なテストベッドだが、より大きなターゲットは科学と産業だ。生物学的計算は、患者特異的な神経組織を用いた薬剤スクリーニング、新しい疾患モデル、ロボットの適応制御を可能にするかもしれない。インターフェースはまだ脆弱で、典型的な寿命は約6ヶ月、出力も標準化や大規模なプログラム化にはまだ課題が残る。**
規制や倫理のガードレールも追いつく必要があり、特に米国ではFDAやNIHの指導の下で医療用途が進む場合は重要だ。それでも、研究室の結果は具体的だ：生きたニューロンは複雑なデジタルタスクに対応できるよう訓練可能だ。ドゥームからデータセンターまで、その旅は静かに、効率的に始まった。**