Australijos startuolis kuria tai, kas galėtų tapti vienu pirmųjų pasaulyje „biologinių duomenų centrų“ – papildydamas silicio skaičiavimo lustus tokiais, kuriuose yra gyvų žmogaus neuronų.
Startuolis eksperimentuoja su duomenų centrais, turinčiais laboratorijoje užaugintų žmogaus neuronų, tikrindamas, ar gyvos ląstelės gali pasiūlyti efektyvesnę alternatyvą tradiciniams skaičiavimams.
(Vaizdo kreditas: Yuichiro Chino / „Getty Images“)
Šių pastangų įgyvendintoja bendrovė „Cortical Labs“ atidarė savo pirmąjį padalinį Melburne, Australijoje, ir planuoja didesnę investiciją Singapūre. Vietoj lentynų, užpildytų tradiciniais serveriais, bus įrengtos bendrovės CL1 sistemos, kurios sujungia laboratorijoje užaugintus neuronus su standartiniais elektroniniais komponentais. Tikslas nėra visiškai pakeisti silicį, o ištirti, ar gyvos neuroninės sistemos gali papildyti esamą aparatinę įrangą atliekant konkrečias skaičiavimo užduotis.
Koncepcija remiasi paprasta prielaida: neuronai jau yra informacijos procesoriai. Smegenyse esantys neuronai perduoda elektrinius signalus vieni kitiems, formuodami modelius, kurie laikui bėgant keičiasi. Kai kurie iš šių ryšių stiprėja, o kiti silpnėja, sukurdami nuolatinį persitvarkymą, kuris yra mokymosi pagrindas. Tradiciniai lustai taip nesielgia, nes jie vykdo nustatytas instrukcijas, o ne prisitaiko pagal grįžtamąjį ryšį.
Kokia didžiausia kliūtis kuriant geresnį dirbtinį intelektą? Tai ne skaičiavimo išteklių trūkumas, o pakankamos energijos generavimas jam maitinti.
Tyrėjai daugelį metų bandė panaudoti biologinį mokymąsi. Ankstesniame žurnale „Neuron“ paskelbtame darbe „Cortical Labs“ tyrėjai augino neuronus ant lusto ir išmokė juos žaisti supaprastintą stalo teniso versiją, prijungdami juos prie imituojamos aplinkos. Šis pasiekimas rėmėsi uždaru grįžtamojo ryšio ciklu: kai neuronai demonstravo naudingą elgesį, įvesties signalai tapo labiau nuspėjami; kai ne, signalai tapo chaotiškesni. Laikui bėgant, neuronai įsitvirtino stabilesniuose modeliuose.
Tuo pačiu principu grindžiamos ir naujausios demonstracijos, įskaitant eksperimentus, kuriuose panašios sistemos sąveikavo su supaprastintomis žaidimo „Doom“ versijomis. Šios konfigūracijos išlieka labai ribotos, tačiau jos rodo, kad gyvus neuroninius tinklus galima paskatinti tikslingai elgtis, kai jie įterpti į grįžtamojo ryšio valdomą sistemą.
Gyvieji kompiuterių lustai
CL1 sistema yra hibridinis įrenginys, kurio kiekviename vienete yra maždaug 200 000 žmogaus neuronų, gautų iš kamieninių ląstelių ir išaugintų tiesiai ant silicio mikroschemos. Šie neuronai yra išdėstyti mikroelektrodų matricoje, kuri veikia kaip sąsaja tarp biologinio audinio ir elektronikos. Elektrodai gali stimuliuoti ląsteles elektriniais signalais ir realiuoju laiku registruoti gautą aktyvumą.
Aplink tai yra gyvybės palaikymo sistema, kuri palaiko ląstelių gyvybę, aprūpina jas maistinėmis medžiagomis, reguliuoja temperatūrą ir palaiko stabilią aplinką. Programinės įrangos sluoksnis konvertuoja biologinius signalus į skaitmeninius įvesties ir išvesties duomenis, efektyviai paversdamas neuronų veiklos modelius tuo, ką kompiuteris gali naudoti.
Skaičiavimo terminais neuronai veikia ne kaip procesorius, vykdantis instrukcijas, o labiau kaip dinamiška sistema, kuri transformuoja įvestis į sudėtingus modelius. Kartais tai vadinama „rezervuariniu skaičiavimu“, kai sistema, pasižyminti turtingu vidiniu elgesiu, apdoroja signalus, kuriuos gali interpretuoti išorinė programinė įranga.
Susidomėjimas šiuo metodu yra glaudžiai susijęs su sparčiu dirbtinio intelekto (DI) augimu. Šiuolaikinių DI sistemų mokymui ir valdymui reikia milžiniškos skaičiavimo galios, o jas palaikantys duomenų centrai sunaudoja didelius elektros energijos ir vandens kiekius. Didėjant paklausai, didėja ir susirūpinimas dėl energijos naudojimo ir ilgalaikių įprastinių lustų projektavimo apribojimų.
Biologinės sistemos siūlo kitokį modelį. Žmogaus smegenys veikia maždaug 20 vatų galios, tačiau jos gali atlikti tokias užduotis kaip modelių atpažinimas, mokymasis ir sprendimų priėmimas su nepaprastu efektyvumu. Biologinių skaičiavimų tyrėjai teigia, kad neuronų pagrindu veikiančios sistemos iš principo galėtų susidoroti su tam tikrais darbo krūviais su daug mažesniais energijos poreikiais nei silicio pagrindu veikiančios sistemos.
Privalumas nėra grynas greitis ar tikslumas. Silicis išlieka gerokai pranašesnis deterministiniams skaičiavimams ir didelio masto apdorojimui. Veikiau patrauklumas slypi prisitaikomume. Neuronai natūraliai reorganizuojasi reaguodami į įvestį, todėl jie gali būti naudingi užduotims, susijusioms su mokymusi iš retų ar triukšmingų duomenų. Pavyzdžiui, šios sistemos paprastai puikiai atlieka tokias užduotis kaip šablonų atpažinimas, jutiminis apdorojimas ir sprendimų priėmimas neapibrėžtumo sąlygomis.
„Cortical Labs“ savo technologiją pozicionuoja šioje besiformuojančioje erdvėje. Bendrovės atstovai teigia, kad jos sistemoms reikia santykinai mažos energijos ir galiausiai jos galėtų būti efektyvesnis būdas apdoroti tam tikros rūšies informaciją. Tačiau šie teiginiai lieka spekuliatyvūs, o dabartinės sistemos yra ribotos tiek mastu, tiek pajėgumais.
Ankstyva infrastruktūra, ribotos galimybės
Įrenginiai, apibūdinami kaip duomenų centrai, vis dar yra maži pagal pramonės standartus. „Cortical Labs“ neatskleidė savo Melburno padalinio įrenginių skaičiaus, tačiau jos CL1 sistemos yra etaloniniai įrenginiai, o tai reiškia, kad šiandien diegiama greičiausiai dešimtys, o ne tūkstančiai įrenginių. Palyginimui, „Amazon“, „Microsoft“ ir „Google“ valdomi hipermastiniai duomenų centrai sutalpina dešimtis tūkstančių serverių pastatuose, kurių plotas gali viršyti šimuts tūkstančių kvadratinių metrų.
Tikimasi, kad planuojamas „Cortical“ padalinys Singapūre bus toliau plečiamas, tačiau jis vis dar statomas.
Panašiai ir galimybės yra ribotos. Demonstracija, kad neuronai gali išmokti paprastas, į žaidimus panašias užduotis, yra svarbus koncepcijos įrodymas, tačiau tai toli gražu nėra susiję su realaus pasaulio taikymais. Kol kas nėra įrodymų, kad biologinės sistemos gali konkuruoti su GPU ar CPU tokio tipo darbo krūviuose, kurie dominuoja šiuolaikinėje kompiuterijoje, pavyzdžiui, didelio masto dirbtinio intelekto mokymuose ar aukšto dažnio duomenų apdorojime.
„Nepaisant didžiulės pažangos neuromokslo srityje per pastarąjį šimtmetį, pagrindiniai informacijos apdorojimo ir saugojimo smegenyse principai dar toli gražu nėra suprasti“, – teigė kompiuterių mokslininkas, matematikas ir techninės įrangos inžinierius Steve’as Fuberis. „Šiame ankstyvame tokių sistemų kūrimo etape daug kas nežinoma… Mums dar toli gražu nepavyksta rasti optimalaus metodo, kuris šioje srityje būtų toks pat universalus, kaip ir universalus programuojamas procesorius įprastinių skaičiavimų srityje.
Kartu šios pastangos atspindi platesnį skaičiavimų tyrinėjimo būdo pokytį. Tradiciniams metodams susiduriant su fiziniais ir ekonominiais apribojimais, tyrėjai ieško alternatyvų, kurios vos prieš kelerius metus būtų atrodžiusios nepraktiškos. Biologinės sistemos yra vienas iš netradicinių variantų, įskaitant CL1 sistemą ir DNR infuzuotus lustus.
Gyvos ląstelės iš esmės yra sudėtingesnės nei tranzistoriai. Joms reikalingos kontroliuojamos sąlygos, nuolatinis maistinių medžiagų tiekimas ir nuolatinis stebėjimas, teigė mokslininkai. Jų elgesys gali skirtis tarp mėginių, o jų gyvavimo trukmė yra ribota. Gyvų ląstelių pritaikymas pakankamai patikimam, kad būtų galima naudoti infrastruktūroje, yra didelė inžinerinė kliūtis.
Taip pat yra atvirų klausimų apie atkuriamumą ir kontrolę. Silicio lustai tam tikromis sąlygomis elgiasi nuspėjamai, o biologinės sistemos – ne. Norint, kad technologija išplėtotų eksperimentinį naudojimą, bus labai svarbu užtikrinti nuoseklų veikimą didesniu mastu.
Taip pat pradeda ryškėti etiniai aspektai. Dabartinės neuronų kultūros toli gražu nėra panašios į sąmonę, tačiau šios srities tyrėjai jau paragino nustatyti aiškias gaires, nes sistemos tampa vis sudėtingesnės. Klausimas nėra neatidėliotinas, tačiau jį sunku ignoruoti, technologijoms tobulėjant.
Mokslininkai teigia, kad pasinaudojus nauja „tikimybinio skaičiavimo“ paradigma, DI lustai gali sunaudoti daug mažiau energijos.
Kol kas „Cortical Labs“ projektą geriausiai suprasti kaip ankstyvą bandymą perkelti biologinius skaičiavimus iš laboratorijos į kažką, kas primena tikrą infrastruktūrą. Pagrindinis mokslinis pagrindas yra patikimas mažais masteliais, o motyvacija tyrinėti silicio alternatyvas auga, DI sistemoms plečiantis.
Lieka neaišku, ar šias dvi gijas galima prasmingai sujungti. Dabartinės sistemos yra ribotos, trapios ir toli gražu nekonkurencingos komerciniu požiūriu. Nepaisant to, jos rodo kitokį mąstymo apie skaičiavimus būdą.
Užuot pasikliovę vien greitesniu ir efektyvesniu siliciu, kai kurie tyrėjai pradeda tyrinėti, ar gyvosios sistemos, nepaisant jų sudėtingumo ir nenuspėjamumo, galiausiai galėtų atlikti tam tikrą vaidmenį, kaip mašinos apdoroja informaciją.
Kas pakeis dabartinę elektroninę atmintį?
Sukurtas mažiausias pasaulyje atomų dydžio atminties įrenginys
Lustai – strateginis Europos prioritetas: koks vaidmuo atiteks Lietuvai?
Naujas lustas leidžia robotams matyti 4D formatu, vienu metu stebint atstumą ir greitį
VILNIUS TECH tyrėjo sukurtas lustas – inovacija transporto elektronikoje
Dirbtinis intelektas parašė mokslinį straipsnį, kuris praėjo recenziją