200 000 человеческих нейронов научились играть в Doom, указывая на энергоэффективные биологические вычисления

Cortical Labs подключила 200 000 человеческих нейронов, выращенных из стволовых клеток крови, к своему кремниевому интерфейсу CL1, обучая культуру навигации и стрельбе в Doom. Перевод состояния игры в электрические паттерны и чтение нейронных импульсов как команд позволили системе улучшаться с тренировкой, указывая на низкоэнергетические биологические вычисления, даже несмотря на то, что текущие нейронно-чиповые системы работают примерно шесть месяцев.

• Ключевые выводы:
• Cortical Labs обучила 200 000 нейронов на CL1 играть в Doom, продвигая биокомпьютинг.
• Бретт Каган говорит, что эффективность мозга в 20 ватт может в будущем бросить вызов потребностям в энергии у ИИ.
• Культуры CL1 живут около 6 месяцев; контроль FDA и NIH может определить будущие применения.

В лаборатории в Мельбурне одна посуда с 200 000 человеческих нейронов научилась уклоняться и стрелять в Doom, обучаясь через кремниевый интерфейс. Чип Cortical Labs CL1 переводил игровой мир в электрические паттерны и считывал импульсы как движения и выстрелы, переводя культуру от рефлексов Pong к 3D-навигации. Игра всё ещё неуклюжа, но она намекает на биологические вычисления, потребляющие мало энергии по сравнению с современными энергоёмкими ИИ, и команда говорит, что это дополняет традиционные модели. Увеличьте срок службы до шести месяцев и повысите стабильность, и та же «мокрая» технология сможет управлять роботами или тестировать лекарства, а не только гоняться за пиксельными демонами.

Человеческие нейроны берутся за Doom в лабораторном прорыве

Некоторые эксперименты кажутся взглядом в следующую главу вычислений. Исследователи из Cortical Labs сообщают, что они обучили кластер из 200 000 нейронов играть в Doom, шутер от первого лица 1993 года, который помог определить современное геймерское развитие. Нейроны, выращенные из человеческих стволовых клеток и подключённые к кремниевому интерфейсу, научились ориентироваться в коридорах и стрелять по врагам, намекая на путь для биокомпьютеров, дополняющих современные системы ИИ.

Как человеческие нейроны учатся играть

Команда начала с поведения уровня Pong, затем перешла к требованиям Doom в 3D. Нейроны получали структурированные электрические сигналы, связанные с состоянием игры, и реагировали паттернами, которые система переводила в команды, такие как движение, поворот и стрельба. В основе лежит пользовательский чип CL1, который преобразует визуальные события в стимуляцию через электроды, а затем считывает активность клеток для управления действиями в реальном времени.

Производительность далека от уровня киберспорта. Клетки часто ошибаются или переоценивают, но со временем улучшаются при повторных сессиях обучения. По словам исследователей, цель — не идеальная точность, а демонстрация целенаправленного обучения внутри живой нейронной сети, в условиях, которые компьютер может организовать и измерить.

Обещание биологической эффективности

Главная тема — энергия. Где современные крупные модели ИИ требуют мегаватт энергии в облачных дата-центрах, человеческий мозг работает примерно на 20 ваттах. Эта эффективность вдохновляет на поиск гибридных систем, которые могли бы снизить потребление энергии для обучения, адаптации и управления. Бретт Каган, главный научный сотрудник Cortical Labs, рассматривает работу как партнёрство с кремниевым ИИ, а не замену, особенно для задач, которые выигрывают от постоянного обучения при строгих энергетических ограничениях.

Для американских компаний, обучающих базовые модели на Nvidia GPU и стремящихся масштабировать выводы, даже частичная передача задач биологическим сопроцессорам может иметь значение. Подумайте о локальных циклах обучения для робототехники или устройств на периферии, в то время как обычные чипы занимаются точной математикой и крупномасштабным поиском. Ближайший вопрос — где находятся компромиссы по задержкам, надежности и стоимости.

Будущее за пределами игр

Игры — удобная тестовая платформа, но более широкая цель — наука и промышленность. Биологические вычисления могут позволить проводить скрининг лекарств на нейронной ткани, специфичной для пациента, создавать новые модели заболеваний и внедрять адаптивное управление в робототехнике. Интерфейсы остаются хрупкими, со средним сроком службы около шести месяцев и выходами, которые ещё не полностью стандартизированы или программируемы в масштабах.

Регуляторные и этические рамки должны идти в ногу, особенно в США под руководством FDA и NIH, если медицинские применения будут развиваться. Тем не менее, результат лаборатории — конкретен: живые нейроны можно обучить выполнять сложные цифровые задачи. От Doom до дата-центров — путь начался, тихо и эффективно, внутри посуды.