Органоидный интеллект

Современная биогибридная вычислительная система состоит из нескольких основных компонентов:

• Биологическая вычислительная база (церебральные органоиды или культуры живых нейронов) — выполняет обработку информации, имитируя функции коры головного мозга, и обеспечивает адаптивное обучение^[3].^[4]
• Интерфейс «мозг-компьютер» (высокоплотные многоэлектродные матрицы HD-MEA и микроэлектродные пластины) — выступает физическим связующим звеном для интеграции ткани с электроникой, обеспечивая двустороннюю передачу сигналов^[3].^[4]
• Система жизнеобеспечения (микрофлюидная система циркуляции питательной среды, терморегуляция и газовый контроль) — автономно поддерживает жизнедеятельность биологической ткани^[4].
• Цифровая вычислительная среда — обрабатывает электрофизиологические сигналы в реальном времени, формируя систему закрытого цикла с биологической культурой^[4].

В отличие от традиционного неорганического (на основе кремния) подхода, органоидный интеллект использует выращенные в лаборатории мозговые органоиды в качестве «биологического железа». Учёные предполагают, что такие органоиды способны обеспечить более быструю, эффективную и мощную обработку информации по сравнению с классическими кремниевыми вычислительными системами и искусственным интеллектом, затрачивая лишь малую долю энергии (один органоид потребляет около 20 мВт по сравнению с 350—500 Вт у современного GPU, хотя на системном уровне с учётом оборудования жизнеобеспечения установка требует 100—500 Вт)^[5]. Хотя эти структуры пока далеки от способностей обычного человеческого мозга и не обладают сильной вычислительной мощностью, исследования в области органоидного интеллекта уже сейчас расширяют понимание развития мозга, процессов обучения и памяти, а также открывают возможности поиска лечения неврологических расстройств, в том числе деменции.

Профессор Джонc Хопкинского университета Томас Хартунг^[6] отмечает: «Хотя компьютеры на кремнии безусловно лучше справляются с числами, мозг превосходит в обучении». По его словам, обладая более высокой способностью к обучению и хранению информации по сравнению с ИИ, а также большей энергоэффективностью, органоидные системы могут превзойти традиционные компьютеры: поскольку уже невозможно наращивать количество транзисторов в одном чипе, в то время как мозг имеет другую архитектуру и потенциально способен обеспечивать гораздо больший объём хранения и вычислительную мощность.

Часть исследователей утверждает, что человеческий мозг медленнее компьютеров при обработке простой информации, но значительно лучше справляется со сложными задачами: мозг способен работать с меньшими объёмами и более неопределёнными данными, сочетать последовательную и параллельную обработку, обладает высокой гетерогенностью, использует неполные наборы данных и превосходит неорганические устройства в области принятия решений. Параллелизм биологических систем объясняется концепцией вычислений в памяти (in-memory computing), которая позволяет преодолеть «узкое место фон Неймана». В отличие от классической архитектуры, где процессор и память разделены, в биологических нейронных сетях нейроны и синапсы одновременно хранят данные и выполняют вычисления, что обеспечивает массовую параллельную обработку информации без задержек на её пересылку^[7][8].

Обучение систем органоидного интеллекта происходит за счёт биологического обучения (BL), в отличие от машинного обучения (ML) для ИИ. BL считается значительно более энергоэффективным и быстрым по сравнению с ML: например, в задаче прогнозирования поведения динамических систем биологическое обучение требует около 4 эпох, тогда как традиционной нейросети необходимо 50 эпох^[9].

Органоидный интеллект генерирует сложные биологические данные, требующие использования современных методов обработки и анализа^[10]. Биоинформатика предоставляет инструменты и методы для обработки исходной информации и выявления закономерностей в данных. Кодирование и декодирование сигналов в биогибридных системах реализуется через специализированный интерфейсный слой (Biohybrid Interface Layer, BIL) с использованием микроэлектродных массивов (MEA), оптогенетики, patch-clamp электрофизиологии и кальциевой визуализации^[11]. Ключевые методы анализа данных для 3D-культур клеток мозга включают сортировку спайков для выявления отдельных нейронов из сырых записей, картирование функциональной связности для определения корреляций между активностью нейронов, а также анализ синаптической пластичности для выявления изменений в активности связанных нейронов (например, долговременной потенциации и депрессии)^[12].^[13] Для программного взаимодействия с биопроцессорами от компании Cortical Labs предоставляются инструменты на Python: библиотека CL API для работы со сложными биологическими нейронными сетями через аппаратную платформу CL1 и CL SDK Simulator для локальной разработки и отладки приложений без прямого доступа к оборудованию^[14].^[15]

Вычислительные системы, вдохновлённые принципами работы мозга, стремятся повторить структуру и функции нервной системы и могут использоваться для преодоления ограничений существующих технологий искусственного интеллекта. Тем не менее, даже кремниевые чипы, вдохновлённые мозгом, пока не способны в полной мере имитировать его функции, так как в основе большинства лежат цифровые электронные схемы. В одном из исследований была реализована вычислительная система OI (авторы называли её Brainoware), в которой взаимодействие с мозговым органоидом осуществлялось с помощью высокоплотной мультиэлектродной матрицы. Специальная спатиотемпоральная электрическая стимуляция, нелинейная динамика и затухающая память, а также обучение на неразмеченных данных благодаря перестройке функциональных связей органоида показали перспективность технологии — в частности, для распознавания речи и предсказания нелинейных уравнений в рамках концепции reservoir computing^[16]. Технология постепенно коммерциализируется с появлением облачных платформ, предоставляющих удалённый доступ к биокомпьютерам. В частности, компания FinalSpark запустила платформу Neuroplatform, доступную по подписке для академических исследователей (стоимость составляет 500 долларов в месяц за пользователя)^[17][18]. Также компания Cortical Labs открыла для разработчиков регистрацию в сервисе Cortical Cloud, который позволяет использовать биологические компьютеры без необходимости приобретать собственное оборудование^[19]

Исследователи из Гарвардского университета добились продления жизни органоидов мозга до пяти лет^[20][21]. Такие долгоживущие культуры позволяют моделировать заболевания на поздних этапах развития, такие как болезнь Хантингтона, эпилепсия и аутизм^[21][22]. Кроме того, органоиды используются для тестирования лекарственных препаратов с мониторингом реакции нейронных сетей в реальном времени через микроэлектродные матрицы^[23].

Несмотря на перспективы использования органоидного интеллекта и биологических вычислений для расширения возможностей кремниевых технологий, с подобным подходом связаны и этические вопросы. Среди них — вопрос о возникновении у органоидов (OI) сознания и чувствительности, а также отношение между донором стволовых клеток (для выращивания органоида) и соответствующей системой OI^[24]. Официальные научные и этические критерии для определения чувствительности или сознания у мозговых органоидов не установлены, а в научном сообществе отсутствует консенсус по этому вопросу. Для выработки этических норм и регуляторных правил требуется междисциплинарный диалог с участием биологов, философов, специалистов по биоэтике и праву^[25].^[26]