Los científicos acaban de enseñar a cientos de miles de neuronas en un plato a jugar Pong. Mediante el uso de una serie de descargas eléctricas cronometradas y colocadas estratégicamente, las neuronas no solo aprendieron el juego en un entorno virtual, sino que jugaron mejor con el tiempo, con jugadas más largas y menos errores, mostrando un nivel de adaptación que antes se creía imposible.
por Shelly Fan
¿Por qué? Imagínese literalmente tomando un trozo de tejido cerebral, digiriéndolo en neuronas individuales y otras células cerebrales, arrojándolos (suavemente) en un plato, y ahora poder enseñarles, fuera de un huésped vivo, a responder y adaptarse a una nueva tarea. usando solo descargas eléctricas.
No es solo diversión y juegos. La red neuronal biológica se une a su primo artificial, los algoritmos de aprendizaje profundo de DeepMind, en un creciente panteón de intentos de deconstruir, reconstruir y, algún día, dominar una especie de “inteligencia” general basada en el cerebro humano.
La creación de la compañía australiana Cortical Labs , la configuración completa, denominada DishBrain , es la “primera plataforma de inteligencia biológica sintética en tiempo real”, según los autores de un artículo publicado este mes en Neuron . La configuración, más pequeña que un plato de postre, es extremadamente elegante. Conecta neuronas aisladas con chips que pueden registrar la actividad eléctrica de las células y activar descargas eléctricas precisas para alterar esas actividades. Al igual que las interfaces cerebro-máquina, los chips se controlan con sofisticados programas informáticos, sin intervención humana.
Los chips actúan como un puente para que las neuronas se conecten a un mundo virtual. Como traductores de la actividad neuronal, pueden unir datos eléctricos biológicos con bits de silicio, lo que permite que las neuronas respondan a un mundo de juego digital.
DishBrain está configurado para expandirse a más juegos y pruebas. Debido a que las neuronas pueden sentir y adaptarse al entorno y enviar sus resultados a una computadora, podrían usarse como parte de las pruebas de detección de drogas. También podrían ayudar a los neurocientíficos a descifrar mejor cómo el cerebro organiza su actividad y aprende, e inspirar nuevos métodos de aprendizaje automático.
Pero el objetivo final, explicó el Dr. Brett Kagan, director científico de Cortical Labs, es ayudar a aprovechar la inteligencia inherente de las neuronas vivas para su poder de cómputo superior y bajo consumo de energía. En otras palabras, en comparación con el hardware neuromórfico que imita el cómputo neuronal, ¿por qué no usar simplemente el real?
“Teóricamente, la SBI [inteligencia biológica sintética] generalizada puede llegar antes que la inteligencia artificial general (AGI) debido a la eficiencia inherente y la ventaja evolutiva de los sistemas biológicos”, escribieron los autores en su artículo.
Conoce a DishBrain
El proyecto DishBrain comenzó con una idea simple: las neuronas son máquinas informáticas increíblemente inteligentes y adaptables . Estudios recientes sugieren que cada neurona es una supercomputadora en sí misma, con ramas que antes se consideraban pasivas y que actúan como minicomputadoras independientes. Al igual que las personas dentro de una comunidad, las neuronas también tienen la capacidad inherente de conectarse a diversas redes neuronales, que cambian dinámicamente con su entorno.
Este nivel de cómputo paralelo de baja energía ha sido durante mucho tiempo la inspiración para los chips neuromórficos y los algoritmos de aprendizaje automático para imitar las habilidades naturales del cerebro. Si bien ambos han avanzado, ninguno ha podido recrear la complejidad de una red neuronal biológica.
“Desde gusanos hasta moscas y humanos, las neuronas son el punto de partida para la inteligencia generalizada. Entonces, la pregunta era, ¿podemos interactuar con las neuronas de una manera de aprovechar esa inteligencia inherente? dijo Kagan.
Entra DishBrain . A pesar de su nombre, las neuronas plateadas y otras células cerebrales son de un cerebro real con conciencia. En cuanto a la “inteligencia”, los autores la definen como la capacidad de recopilar información, cotejar los datos y ajustar la actividad de disparo, es decir, cómo las neuronas procesan los datos, de una manera que ayuda a adaptarse a un objetivo; por ejemplo, aprender rápidamente a colocar la mano en el mango de una sartén muy caliente sin quemarla en el borde.
La configuración comienza, fiel a su nombre, con un plato. La parte inferior de cada uno está cubierta con un chip de computadora, HD-MEA, que puede grabar señales eléctricas estimuladas. Las células, ya sea aisladas de la corteza de embriones de ratón o derivadas de células humanas, se colocan encima. El plato se baña en un líquido nutritivo para que las neuronas crezcan y prosperen. A medida que maduran, pasan de ser gotas ondulantes a formas delgadas con vastas redes de ramas sinuosas que se entrelazan.
En dos semanas, las neuronas de los ratones se autoorganizaron en redes dentro de sus diminutas casas, llenas de actividad espontánea. Las neuronas de origen humano (células de la piel u otras células cerebrales) tardaron un poco más y establecieron redes en aproximadamente uno o dos meses.
Luego vino el entrenamiento. Cada chip estaba controlado por un software disponible comercialmente, vinculándolo a una interfaz de computadora. Usar el sistema para estimular las neuronas es similar a proporcionar datos sensoriales, como los que provienen de sus ojos cuando se enfoca en una pelota en movimiento. El resultado es registrar la actividad de las neuronas, es decir, cómo reaccionarían (si estuvieran dentro de un cuerpo) si movieras la mano para golpear la pelota. DishBrain fue diseñado para que las dos partes se integraran en tiempo real: similar a los humanos que juegan Pong, las neuronas podrían, en teoría, aprender de errores pasados y adaptar su comportamiento para golpear la “bola” virtual.
Listo jugador DishBrain
Así es como va Pong. Una pelota rebota rápidamente por la pantalla y el jugador puede deslizar una pequeña paleta vertical, que parece una línea en negrita, hacia arriba y hacia abajo. Aquí, la “bola” está representada por descargas eléctricas basadas en su ubicación en la pantalla. Básicamente, esto traduce la información visual en datos eléctricos para que la red neuronal biológica los procese.
Luego, los autores definieron distintas regiones del chip para “sensación” y “movimientos”. Una región, por ejemplo, captura los datos entrantes del movimiento de la pelota virtual. Luego, una parte de la “región motora” controla la paleta virtual para que se mueva hacia arriba, mientras que otra hace que se mueva hacia abajo. Estas asignaciones eran arbitrarias, explicaron los autores, lo que significa que las neuronas internas necesitaban ajustar sus disparos para sobresalir en un partido.
Entonces, ¿cómo aprenden? Si las neuronas “golpean” la pelota, es decir, muestran el tipo de actividad eléctrica correspondiente, el equipo las descarga en ese lugar con la misma frecuencia cada vez. Es un poco como establecer un “hábito” para las neuronas. Si perdían la pelota, recibían un ruido eléctrico que interrumpía la red neuronal.
La estrategia se basa en una teoría de aprendizaje llamada principio de energía libre, explicó Kagan. Básicamente, supone que las neuronas tienen “creencias” sobre su entorno y ajustan y repiten su actividad eléctrica para poder predecir mejor el entorno, ya sea cambiando sus “creencias” o su comportamiento.
La teoría dio resultado. En solo cinco minutos, tanto las neuronas humanas como las de los ratones mejoraron rápidamente su juego, lo que incluyó mejores peloteos, menos aces (donde la paleta no pudo interceptar la pelota sin un solo golpe) y juegos largos con más de tres golpes consecutivos. Sorprendentemente, las neuronas de los ratones aprendieron más rápido, aunque finalmente fueron superadas por las humanas.
Las estimulaciones fueron fundamentales para su aprendizaje. Los experimentos separados con DishBrain sin ningún tipo de retroalimentación eléctrica funcionaron mucho peor.
Juego encendido
El estudio es una prueba de concepto de que las neuronas en un plato pueden ser una máquina de aprendizaje sofisticada e incluso mostrar signos de sensibilidad e inteligencia, dijo Kagan. Eso no quiere decir que sean conscientes; más bien, tienen la capacidad de adaptarse a un objetivo cuando se “encarnan” en un entorno virtual.
Cortical Labs no es el primero en probar los límites del poder de procesamiento de datos de las neuronas aisladas. En 2008, el Dr. Steve Potter del Instituto de Tecnología de Georgia y su equipo descubrieron que incluso con unas pocas docenas de electrodos, podían estimular las neuronas de rata para mostrar signos de aprendizaje en un plato.
DishBrain tiene una ventaja con miles de electrodos compactados en cada configuración, y la compañía espera aprovechar su poder biológico para ayudar al desarrollo de fármacos. El sistema, o sus futuras derivaciones, podrían actuar potencialmente como un sustituto del microcerebro para probar fármacos neurológicos u obtener información sobre los poderes de neurocomputación de diferentes especies o regiones cerebrales.
Pero la visión a largo plazo es un híbrido informático de biosilicio “vivo”. “La integración de las neuronas en los sistemas digitales puede permitir un rendimiento inviable solo con el silicio”, escribieron los autores. Kagan imagina el desarrollo de “unidades de procesamiento biológico” que entrelazan lo mejor de ambos mundos para una computación más eficiente y, en el proceso, arrojar luz sobre el funcionamiento interno de nuestras propias mentes.
“Este es el comienzo de una nueva frontera en la comprensión de la inteligencia”, dijo Kagan. “Toca los aspectos fundamentales no solo de lo que significa ser humano, sino también de lo que significa estar vivo e inteligente, procesar información y ser consciente en un mundo dinámico y en constante cambio”.
Crédito de la imagen: laboratorios corticales
Fuente: https://singularityhub.com/2022/10/18/neurons-in-a-dish-learned-to-play-pong-in-virtual-reality/
