In einer beeindruckenden Demonstration neuer Technologien hat das australische Biotech-Unternehmen Cortical Labs ein Netzwerk aus 200.000 lebenden menschlichen Neuronen, die auf einem Siliziumchip gezüchtet wurden, erfolgreich darauf trainiert, den klassischen Ego-Shooter Doom zu spielen. Das in einem aktuellen Video festgehaltene Experiment zeigt, wie der neuronengesteuerte Charakter durch Level navigiert, auf Feinde trifft und Waffen abfeuert – wenn auch ungeschickt. Das ist nicht nur eine Neuheit; Es stellt einen bedeutenden Schritt hin zur Nutzung biologischer Systeme für die Berechnung dar, mit Auswirkungen, die weit über das Spielen hinausgehen.
Der Aufstieg „lebender“ Computer
Die Kerninnovation liegt in der Fähigkeit der Neuronen zum „adaptiven, zielgerichteten Lernen in Echtzeit“, wie es Brett Kagan, Chief Scientific Officer von Cortical Labs, beschreibt. Das bedeutet, dass die Zellen nicht einfach auf Reize reagieren; Sie passen sich aktiv an, um Ziele in einem dynamischen Umfeld zu erreichen. Die Auswirkungen sind erheblich, insbesondere angesichts des steigenden Energiebedarfs der traditionellen künstlichen Intelligenz (KI). Obwohl Neuronen Mikrochips nicht vollständig ersetzen werden, bieten sie einen möglicherweise weitaus effizienteren Ansatz für bestimmte Berechnungen. Die Untersuchung ihrer Funktionsweise könnte die Computermethoden revolutionieren und neurologische Arzneimitteltests beschleunigen.
Ernte und Erhaltung biologischer Prozessoren
Cortical Labs extrahiert Neuronen nicht direkt aus Gehirnen. Stattdessen nutzen sie leicht zugängliche Zellen aus Blut- oder Hautproben, wandeln sie in Stammzellen und dann in einen unbegrenzten Vorrat an Nervenzellen um. Diese Zellen sind in eigenständigen Lebenserhaltungssystemen untergebracht, die ihre Lebensfähigkeit bis zu sechs Monate lang aufrechterhalten können. Die Kommunikationsschnittstelle ist direkt: Strom. Gehirnzellen erzeugen bei Aktivität elektrische Impulse, und das System bewegt sich hin und her, wodurch ein biologischer Silizium-Dialog entsteht.
Das Prinzip der freien Energie und die Neuronenmotivation
Der Schlüssel, um Neuronen dazu zu bringen, Aufgaben auszuführen, ist nicht Zwang, sondern Vorhersage. Cortical Labs nutzte das vom Neurowissenschaftler Karl Friston entwickelte „Prinzip der freien Energie“, das besagt, dass neuronale Systeme danach streben, ihre Umgebung vorherzusagen. Chaos ist Strafe; Ordnung ist Belohnung. Das Team schuf eine Rückkopplungsschleife, in der unvorhersehbare Signale (zufälliges Rauschen) falsche Bewegungen bestraften, während strukturierte, vorhersehbare Signale korrekte Aktionen verstärkten. Dieses einfache System trainierte die Neuronen effektiv zum Lernen.
Vom Pong zum Untergang: Komplexität skalieren
Im Jahr 2022 demonstrierten Cortical Labs, dass Neuronen auf Chips innerhalb von Minuten lernen können, Pong zu spielen. Doom stellt jedoch eine weitaus größere Herausforderung dar. Die komplexe Umgebung des Spiels mit Korridoren, Feinden und dreidimensionaler Navigation erfordert ein höheres Maß an kognitiver Verarbeitung. Um dieses Problem zu lösen, hat Cortical Labs in einem Hackathon mit der Stanford University zusammengearbeitet und dabei die Neuronen mit einem Standard-Lernalgorithmus gepaart. Das Hybridsystem übertraf den Algorithmus allein und bewies, dass die biologischen Zellen zum Lernprozess beitrugen.
Medizinische und computergestützte Anwendungen
Die Forschung von Cortical Labs konzentriert sich auf zwei Kernanwendungen. Erstens medizinisch: 93–99 % der neuropsychiatrischen klinischen Studien scheitern, und das Testen von Medikamenten in Gehirnzellen in einer Schüssel spiegelt oft nicht die realen Bedingungen wider. Kagan argumentiert, dass Neuronen in einer Spiel- oder Weltumgebung unterschiedlich auf Medikamente reagieren und Krankheiten genauer anzeigen. Zweitens rechnerisch: Neuronen stellen „das leistungsstärkste bekannte Informationsverarbeitungssystem“ dar und besitzen eine Komplexität, die die von Silizium-basierten Systemen bei weitem übertrifft. Biologische Neuronen haben eine Komplexität mindestens dritter Ordnung und können drei dynamische Zustände gleichzeitig halten, während Siliziumtransistoren auf binäre Zustände beschränkt sind.
Energieeffizienz und die Zukunft des Biocomputing
Forscher wie Feng Guo von der Indiana University Bloomington betonen das Potenzial für massive Energieeinsparungen. Das menschliche Gehirn verbraucht nur 20 Watt, verglichen mit den Millionen Watt, die für entsprechende siliziumbasierte KI-Systeme erforderlich sind. Diese Effizienz macht Biocomputing zu einem vielversprechenden Entwicklungsgebiet.
Cortical Labs erhebt nicht den Anspruch, Silizium-Computing vollständig zu ersetzen. Es biete „ein neues Werkzeug im Geheimdienst-Werkzeugkasten“ an.
Während biologische Computer Taschenrechner für grundlegende Mathematik nicht ersetzen werden, zeichnen sie sich bei Aufgaben aus, die Anpassungsfähigkeit und die Lösung realer Probleme erfordern – wie zum Beispiel das Navigieren durch ein Haus, um Tee zu kochen, eine Aufgabe, mit der aktuelle KI-Algorithmen Probleme haben. Das Feld hat sich schnell von einem einzelnen Pong -Spiel zu einer kommerziellen Plattform mit einer API und einer Demonstration von Neuronen entwickelt, die durch Doom stolpern – und zwar langsam lernend.
Die Zukunft der Datenverarbeitung besteht möglicherweise nicht ausschließlich aus Silizium; es könnte… lebendig sein.
