Biológiai tanulás a gépekben
Az agysejtek nem csak elektromos jeleket továbbítanak, hanem folyamatosan alakítják is a kapcsolataikat, így tanulnak. A szilíciumchipek ezzel szemben merev utasításkészletekkel dolgoznak, visszacsatolásra alig képesek. Már évekkel ezelőtt is sikerült laboratóriumi körülmények között olyan neuronokat nevelni egy chipre, amelyek megtanultak Pongot játszani: megfelelő visszacsatolási rendszerben a sejtek képesek voltak egyre hatékonyabban együttműködni a játék során. Másként fogalmazva, a mesterségesen növesztett ideghálózat alkalmazkodott a szabályokhoz, javítva saját teljesítményét. Azóta azt is sikerült bemutatni, hogy célzott visszacsatolás mellett a neuronok képesek tanulni, igaz, jelenleg csak nagyon korlátozott körülmények között.
Így működik az élő chip
Az első generációs CL1 rendszer minden egysége körülbelül 200 000 emberi őssejtből származó neuront tartalmaz, amelyeket közvetlenül egy szilícium chipre ültetnek. Ezek a sejtek egy mikroelektródás hálózaton helyezkednek el, amely egyszerre stimulálja és figyeli a sejtek aktivitását. Külön életfenntartó rendszer gondoskodik a megfelelő környezetről, tápanyagokról és a stabil hőmérsékletről, míg a szoftveres réteg a biológiai jeleket digitális formára fordítja.
A rendszer tehát nem kódra bontja a feladatokat, hanem, mint egy változékony, rezervoárszámítási egység, képes komplex mintázatok előállítására és feldolgozására, amelyeket a szoftveres rétegek használnak fel. Az elképzelés különösen a mesterséges intelligencia robbanásszerű elterjedése miatt lett aktuális: napjaink MI-rendszerei óriási számítási kapacitást és energiát igényelnek, az adatközpontok fogyasztása, környezetterhelése, valamint a chipek fejlődési korlátai mind égetőbb kihívásokat jelentenek.
Briliáns megközelítés, hogy míg az emberi agy csupán nagyjából 20 wattal működik, mégis képes bonyolult mintafelismerésre, tanulásra és döntéshozatalra. A neuronalapú rendszerek akár nagyságrendekkel kevesebb energiát felhasználva is alkalmasak lehetnek bizonyos, rugalmas alkalmazkodást igénylő feladatokra – például érzékelési vagy bizonytalan környezetben való döntési szituációk modellezésére.
Korlátok, kérdések, lehetőségek
A jelenlegi biológiai adatközpont Melbourne-ben ipari mércével mérve kicsi: a CL1 rendszerek laboratóriumi méretű eszközök, darabszámuk valószínűleg csak néhány tucat, miközben egy tipikus hiperskálázott adatközpontban (mint az Amazon vagy a Google óriáslétesítményeiben) több tízezer szerver dolgozik. A Szingapúrba tervezett új helyszín várhatóan már nagyobb lesz, de még építés alatt áll.
Jelenleg az élő neuronokkal működő számítástechnika csak egyszerű, „játékszerű” feladatokra bizonyította a létjogosultságát. Még nagyon messze vagyunk attól, hogy ezek a „biocsipek” laborkörülményeken túl is megbízhatóan, nagy léptékben kiválthassák bármely modern GPU vagy CPU kapacitását. Alapvető kérdések továbbra is nyitottak: az élő sejtek működése mintáról mintára eltér, érzékenyek a környezeti változásokra, életciklusuk korlátozott, fenntartásuk komoly mérnöki kihívás.
Etikai kérdések is lassan felszínre kerülnek. Bár a mostani neurontenészetek távol vannak a tudatosságtól, a komplex rendszerek kutatói már most szorgalmazzák a szabályozás kialakítását. A jövőben egyre komolyabban kell mérlegelni, hogyan és mire használjuk ezeket az élő technológiákat.
Végül: merre tovább a gépi tanulással?
Jelenleg ez a laboratóriumi fejlesztés komoly áttörés a biológiai számítástechnika terén, hiszen a Szilícium-völgy hegemóniájában egy teljesen más gondolkodásmódot vet fel. Egyelőre a CL1 kísérleti projekt, amelyből még nem látni, kibírja-e a technológia a valós, ipari igénybevételt. Ugyanakkor a kutatások azt mutatják, hogy talán nemcsak a gyorsabb szilícium jelenti az egyetlen utat: az emberi agysejtek összetettsége és rugalmas tanulási képessége biztosíthatja a következő nagy ugrást, ha a mérnöki, technológiai és etikai kérdésekre is sikerül választ találni.
