200.000 neuron người học chơi Doom, chỉ ra tính toán sinh học tiêu thụ năng lượng thấp

Cortical Labs kết nối 200.000 neuron người phát triển từ tế bào gốc lấy từ máu với giao diện silicon CL1 của nó, dạy mô hình nuôi cấy để điều hướng và bắn trong Doom. Bằng cách dịch trạng thái trò chơi thành các mẫu điện và đọc các đột biến thần kinh như lệnh, hệ thống đã cải thiện qua quá trình huấn luyện, chỉ ra khả năng tính toán sinh học tiêu thụ ít năng lượng ngay cả khi các thiết lập neuron-chip hiện tại kéo dài khoảng sáu tháng.

• Những điểm chính:
• Cortical Labs huấn luyện 200.000 neuron trên CL1 để chơi Doom, thúc đẩy lĩnh vực tính toán sinh học.
• Brett Kagan nói rằng hiệu quả não 20-watt có thể thách thức nhu cầu năng lượng của AI trong tương lai tới.
• Mô hình nuôi cấy CL1 kéo dài khoảng 6 tháng; sự giám sát của FDA và NIH có thể định hình các ứng dụng trong tương lai.

Trong một phòng thí nghiệm ở Melbourne, một đĩa chứa 200.000 neuron người đã học cách lách và bắn trong Doom, được hướng dẫn qua một giao diện silicon. Chip CL1 của Cortical Labs dịch thế giới trò chơi thành các mẫu điện và đọc lại các đột biến như di chuyển và bắn, nâng cấp đĩa nuôi cấy từ phản xạ Pong đến điều hướng 3D. Trò chơi vẫn còn vụng về, nhưng nó gợi ý về khả năng tính toán sinh học tiêu thụ ít năng lượng hơn so với AI tiêu thụ điện hiện nay, một hướng đi mà nhóm cho biết bổ sung cho các mô hình truyền thống. Kéo dài tuổi thọ sáu tháng và tăng cường độ nhất quán, cùng với đó là khả năng điều khiển robot hoặc kiểm tra thuốc, chứ không chỉ đuổi theo quái vật pixel hóa.

Neuron người chiến đấu trong Doom trong bước đột phá phòng thí nghiệm

Một số thí nghiệm cảm giác như một cái nhìn vào chương tiếp theo của lĩnh vực tính toán. Các nhà nghiên cứu tại Cortical Labs báo cáo rằng họ đã huấn luyện một nhóm gồm 200.000 neuron để chơi Doom, tựa game bắn súng góc nhìn thứ nhất năm 1993 đã giúp định hình ngành game hiện đại. Các neuron, được phát triển từ tế bào gốc người và kết nối với giao diện silicon, đã học cách điều hướng hành lang và bắn vào kẻ địch, gợi ý một con đường cho máy tính sinh học bổ sung cho các hệ thống AI ngày nay.

Cách neuron người học chơi game

Nhóm bắt đầu với hành vi ở mức Pong, sau đó nâng cao đến yêu cầu 3D của Doom. Các neuron nhận các tín hiệu điện có cấu trúc liên quan đến trạng thái trò chơi và phản hồi bằng các mẫu mà hệ thống dịch thành các lệnh như di chuyển, quay và bắn. Trọng tâm là chip tùy chỉnh CL1, chuyển đổi các sự kiện hình ảnh thành kích thích qua các điện cực, rồi đọc hoạt động của các tế bào để điều khiển các hành động trong thời gian thực.

Hiệu suất còn xa mới sẵn sàng cho thể thao điện tử. Các tế bào thường bị nhầm hoặc điều chỉnh quá mức, rồi cải thiện qua các phiên lặp lại khi quá trình huấn luyện tiếp tục. Theo các nhà nghiên cứu, mục tiêu không phải là nhắm chính xác hoàn hảo mà là thể hiện khả năng học có mục tiêu trong mạng lưới thần kinh sống, dưới các điều kiện mà máy tính có thể điều phối và đo lường.

Triển vọng của hiệu quả sinh học

Năng lượng là tiêu đề chính. Trong khi các mô hình AI lớn ngày nay tiêu thụ megawatt trong các trung tâm dữ liệu đám mây, não người hoạt động khoảng 20 watt. Hiệu quả này thúc đẩy việc tìm kiếm các hệ thống lai có thể giảm nhu cầu năng lượng cho việc học, thích nghi và kiểm soát. Brett Kagan, giám đốc khoa học tại Cortical Labs, mô tả công việc này như một đối tác của AI silicon, không phải là thay thế, đặc biệt cho các nhiệm vụ cần học liên tục với ngân sách năng lượng hạn chế.

Đối với các công ty Mỹ huấn luyện các mô hình nền tảng trên GPU Nvidia và cạnh tranh để mở rộng suy luận, thậm chí việc chuyển phần nào sang các bộ xử lý sinh học cộng tác có thể quan trọng. Hãy nghĩ đến các vòng lặp học tập cục bộ cho robot hoặc thiết bị biên, trong khi các chip truyền thống xử lý toán chính xác và truy xuất dữ liệu quy mô lớn. Câu hỏi ngắn hạn là các mặt trận về độ trễ, độ tin cậy và chi phí sẽ ra sao.

Một tương lai vượt ra ngoài chơi game

Chơi game là một thử nghiệm tiện lợi, nhưng mục tiêu lớn hơn là khoa học và công nghiệp. Tính toán sinh học có thể cho phép sàng lọc thuốc trên mô thần kinh phù hợp với bệnh nhân, các mô hình bệnh mới, và kiểm soát thích nghi trong robot. Các giao diện vẫn còn mong manh, với tuổi thọ trung bình khoảng sáu tháng và các đầu ra chưa hoàn toàn tiêu chuẩn hóa hoặc lập trình được quy mô lớn.

Các quy định và rào cản đạo đức sẽ cần theo kịp, đặc biệt tại Mỹ theo hướng dẫn của FDA và NIH nếu các ứng dụng y tế tiến triển. Tuy nhiên, kết quả trong phòng thí nghiệm là rõ ràng: neuron sống có thể được huấn luyện để thực hiện các nhiệm vụ kỹ thuật số phức tạp. Từ Doom đến trung tâm dữ liệu, hành trình đã bắt đầu, âm thầm và hiệu quả, bên trong một đĩa nuôi cấy.