Moderne kunstig intelligens er bygget på kunstige nevrale nettverk. Det er dataprogrammer som etterligner hvordan hjerneceller snakker sammen. 

Det kjøres på maskinvare med silisiumbrikker. 

Men det krever veldig mye energi og tar lang tid å trene opp en kunstig intelligens på dagens maskinvare, påpeker forskere i en ny studie. 

Hvis maskinvaren var bygget opp mer som hjernen, kunne man behandlet informasjon mer effektivt. Eller hva med å rett og slett bruke ekte hjernevev? 

Det har forskere gjort i en ny studie. 

Mini-hjerne

Forskerne laget et system som koblet levende hjernevev med maskinlæring. De kaller systemet Brainoware. 

Maskinen er laget av en mini-hjerne, eller hjerneorganoide, som hadde kontakt med en plate med tusener av elektroder.

Hjerne-organoider er klumper med hjernevev som dyrkes på laboratoriet. Forskerne starter med stamceller som kan bli alle slags celler i kroppen, og styrer utviklingen mot hjerne.

Organoidene kan være bygget opp på en måte som minner om hjernen på et tidlig stadie i fosterutviklingen og har forskjellige typer celler. Minihjernene blir bare noen få millimeter store. 

I eksperimentet ble minihjernen stimulert med informasjon som var omgjort til elektriske pulser, ifølge tidsskriftet Nature. 

Hjernecellene reagerte og dette ble avlest og tolket med en maskinlæringsalgoritme. 

Kjente igjen stemmer

Med dette oppsettet klarte forskerne å vise at hybrid-datamaskinen klarte å løse oppgaver. 

Maskinen kunne kjenne igjen stemmer og løse en annen typisk dataoppgave. 

I stemmegjenkjennings-oppgaven ble det brukt 240 opptak fra åtte mennesker som snakket. Stemmene uttalte vokaler på japansk. 

Hjernecellene i organoiden hadde forskjellig aktivitet ut fra hvem som snakket. Minihjernen sendte svaret videre for tolking til den enkle maskinlæringsalgoritmen. 

Da kunne lydklippene puttes i bokser etter hvem som snakket med en nøyaktighet på 78 prosent. 

Kyborg ved NTNU

Gunnar Tufte er professor ved NTNU ved Institutt for datateknologi og informatikk. 

Han har selv jobbet med å kombinere hjerne og maskin. Han ledet et prosjekt der det ble laget en kyborg ved NTNU. De lagde en robot som var koblet til hjerneceller fra en rotte. 

Roboten sendte informasjon til hjernecellene. For eksempel sa roboten hvor nærme den var en vegg. Hjernecellene reagerte på det og reaksjonene ble omgjort til signaler om hvor roboten skulle kjøre. 

Tufte og kollegaene brukte hjernecellene omtrent slik forskerne har gjort i den nye studien. 

Forskjellen er at med Brainoware har forskerne testet datamaskinen på bestemte oppgaver som skal løses. 

Krever tålmodighet

–  Det er superimponerende at de har fått det til å virke, sier Tufte. 

Å jobbe med levende hjerneceller er ikke lett. Det vet Tufte av erfaring. 

– Et av de store problemene at de dør. Eller så er de ikke i humør til å gjøre det du vil. 

– Du må gi de mat, og etterpå blir de kanskje trøtte. Hvis du ikke har stimulert de på en stund, begynner de å finne på ting på egenhånd. Du må ha veldig stor tålmodighet.

Tufte sier at de gjorde generelle eksperimenter med hjernecellene som var koblet til kyborgen. 

– Vi prøvde å finne ut hvordan de koblet seg sammen og hva slags egenskaper koblingene har. Vi har brukt det til å lage andre reservoar som ikke er levende.

Reservoar  er stikkordet for hva slags rolle hjerneceller har i hybrid-systemene. 

Måten Brainoware og NTNUs kyborg fungerer på, baserer seg på reservoir computing. Mer om det snart.

– Hva som er i reservoaret spiller egentlig ikke noen rolle. Vi jobber med magneter nå. Prinsippet er det samme, sier Tufte. 

Trenger mye trening

Først litt om hvordan kunstig intelligens trenes til å finne svar basert på nevrale nettverk.

Man har informasjon som kommer inn. Mange simulerte kunstige hjerneceller eller noder snakker sammen. I dyp læring er det flere lag. 

Noder i et lag regner på informasjonen og sender det videre til noder i neste lag.  

Hvor viktig informasjonen den fikk var, justeres gjennom vekting. Det skjer gjennom prøving og feiling. 

For eksempel, hvis oppgaven er å kjenne igjen en katt på et bilde, er det ikke så viktig om det er mye blått i bildet eller ikke. At det er to trekantede ører på bildet er mer viktig.

Til slutt kan katter, biler, hus og annet klassifiseres. Men det krever mye trening og ressurser. 

– Problemet blir løst i hjernen

Minihjernen i den nye studien er et «reservoar» som simpelthen reagerer på signalene den får inn. Det setter i gang nevroner som snakker sammen i mønstre. 

Forskjellige ting klassifiseres nesten av seg selv. En enkel algoritme kan avlese reaksjonen til hjernen og putte de forskjellige aktivitetsmønstrene i kategorier.

– Hele problemet blir løst inne i hjernen, eller det som kalles et reservoar. Så trenger du bare en veldig enkel dekoding, sier Tufte. 

Det å bruke et system med reservoar kan bli en måte å drive noen former for kunstig intelligens på i fremtiden. 

Fordelen er at systemet er effektivt og bruker mye mindre energi. 

Tufte har imidlertid vanskelig for å se at slike systemer kommer til å bruke levende hjernevev. 

– Det er to ting du får ut av å bruke levende celler. Du lærer noe om hvordan hjernen virker. Da kan du kanskje ta prinsipper over i kunstige media. 

Selv bruker Tufte og kollegaer nanomagneter. De har samme rolle som mini-hjernen i den nye studien, og kunne antagelig utført de samme oppgavene, sier han. 

På forskningsstadiet

Nanomagnetene er bittesmå magneter. De sitter fast i et tett mønster og beveger seg ikke. De kan endre retningen på magnetismen sin og peke i en av to retninger.  Det blir litt som at et nevron kan sende en elektrisk puls eller ikke. 

– Når en magnet endrer retning, vil det stort sett påvirke nabomagnetene. Så kan det bli et skred der dette brer seg utover.

– Det er ingen som bestemmer hva nanomagnetene skal gjøre i detalj. Det som kommer ut av reservoaret er et resultat av den kollektive oppførselen til alle nanomagnetene.

Tufte sier at denne måten å lage maskinvare på fortsatt er på forskningsstadiet. 

– Hvis du vil legge inn masse tid og ressurser, så kunne du fått et produkt ut av det om kanskje 10 eller 15 år.

Referanse: 

Hongwei Cai, m. fl.: «Brain organoid reservoir computing for artificial intelligence», Nature Electronics, 11. desember 2023. Sammendrag. 

LES OGSÅ:

Årets ord er «KI-generert»

Slik kan kunstig intelligens hindre dødsfall av livstruende sykdom