I et laboratorium kobles levende menneskelige hjerneceller til chips, hvorefter de lærer at spille et klassisk skydespil. Og det går forbløffende hurtigt.
På blot få dage lærer dyrkede menneskelige neuroner sig at navigere gennem Dooms gange, genkende fjender og overleve. To europæiske laboratorier demonstrerer, hvordan disse biologiske computere fungerer – og hvad det kan betyde for fremtidens kunstige intelligens og medicinske behandlinger.
Hvorfor Doom dukker op i ethvert futuristisk laboratorium
Doom, den ikoniske førstepersonsskyder fra 1993, har i årevis fungeret som en slags lakmusprøve for mærkelig og grænseoverskridende hardware. Ingeniører har fået spillet til at køre på lommeregnere, gamle printere, medicinsk udstyr og endda landbrugsmaskiner. Den der får Doom til at virke på nyt eller fremmedartede systemer, beviser, at systemet kan håndtere komplekse beregninger og hurtig input-output.
Nu er der føjet et næsten sciencefiction-agtigt kapitel til den liste: biologiske computere bestående af levende hjerneceller. Den australske startup Cortical Labs og det schweiziske selskab FinalSpark lader menneskelige neuroner spille Doom – uden foruddefinerede regler eller klassisk softwaretræning.
Ved at bruge Doom som testscenarie viser forskerne, at levende neuroner selvstændigt kan lære strategier udelukkende på baggrund af feedback fra spillet.
Spillet er bemærkelsesværdigt velegnet til formålet. Doom kræver nemlig:
- hurtig orientering i et ukendt 3D-miljø
- genkendelse af bevægende fjender
- reaktion på fare fra flere retninger
- planlægning af ruter for at overleve
Det er præcis de opgaver, biologiske neurale netværk er stærke til: at kombinere rå signaler, lære af fejl og hurtigt danne nye mønstre.
200.000 neuroner på en chip: sådan spiller en bioprocessor Doom
Cortical Labs' system, kaldet CL1, består af cirka 200.000 menneskelige neuroner dyrket fra stamceller. Cellerne sidder på en chip med omkring 22.000 mikroelektroder. Disse elektroder aflæser cellernes elektriske aktivitet og sender samtidig signaler tilbage.
Fra pixels til nerveimpuls
Bevægelser og fjender i Doom omsættes til elektriske mønstre. Disse mønstre sendes ind i neuronkulturen på specifikke steder – som om dele af et virtuelt øje videregiver signaler til en minihjerne. Neuronerne reagerer med egne elektriske impulser, og chippen oversætter dem til spilkommandoer: til venstre, til højre, fremad, skyd.
Kernen er feedbacksløjfen. Hver gang cellerne udviser adfærd, der forlænger overlevelsestiden i spillet, modtager de en stimulation, som kulturen opfatter som en positiv impuls. Går det galt, følger en mere ubehagelig eller kaotisk stimulation.
Neuronerne programmeres ikke – de lærer, ligesom en hjerne, via belønning og skuffelse, hvilke mønstre der er nyttige.
Efter cirka fem dage kunne neuronkulturen bevæge sig målrettet gennem gange, undgå forhindringer og skyde mere præcist. Ikke fejlfrit, men klart bedre end tilfældig adfærd – og reproducerbart nok til at kunne måles.
FinalSpark: mini-hjerner der udvikler egne spillestile
FinalSpark anvender en lidt anderledes tilgang med såkaldte organoider. Det er tredimensionelle klumper af hjerneceller, der efterligner visse strukturer fra en rigtig hjerne. Hvert organoid indeholder cirka 10.000 indbyrdes forbundne neuroner.
Da disse minihjerner blev udsat for spilmiljøer, observerede forskerne, at de inden for en uge lærte at skelne mellem sikre og farlige situationer. Mønstrene i deres elektriske aktivitet ændrede sig afhængigt af, hvad der skete "på skærmen" – og mindede om læringsprocesser, man normalt ser hos forsøgsdyr.
Et interessant detalje: forskellige organoider udviklede ikke nøjagtigt den samme tilgang. Mens én kultur spillede relativt forsigtigt, valgte en anden mere risikable handlinger. Det nærer diskussionen om, hvorvidt sådanne systemer kan danne unikke og ikke fuldt forudsigelige strategier.
En million gange mere energieffektiv end en GPU
Sammenligningen med klassisk kunstig intelligens er oplagt. Store sprogmodeller og billedgenkendelsessystemer forbruger enorme mængder strøm og kræver datacentre med megawatts af effekt. Et moderne grafikkort kører på hundredvis af watt.
Hos bioprocessorerne ser forholdet helt anderledes ud. CL1-systemet forbruger mindre end et mikrowatt per neuron. Omregnet svarer det til cirka en million gange lavere energiforbrug end en tilsvarende opgave på et avanceret grafikkort.
| Teknologi | Læringsproces | Energiforbrug | Fleksibilitet |
|---|---|---|---|
| GPU + klassisk AI | Foruddefinerede algoritmer, millioner af træningsrunder | Højt, datacentre med megawatts | God til meget specifikke opgaver |
| Bioprocessor med neuroner | Belønning/straf, spontan tilpasning af forbindelser | Ekstremt lavt, mikrowatt-skala | Naturligt stærk til tilpasning og generalisering |
Det gør biologiske computere interessante til anvendelser, hvor kontinuerlig læring er nødvendig, men energiforbruget ikke må løbe løbsk – for eksempel smarte sensorer, robotter eller integrerede systemer.
Medicinske gennembrud: test af medicin på mini-hjerner
FinalSpark fokuserer allerede på farmaceutiske anvendelser. Neuronkulturer og organoider bruges til at teste nye lægemidler direkte på menneskelige hjerneceller i stedet for på mus eller rotter.
- Forskerne ser direkte, hvordan menneskelige neuroner reagerer på et nyt stof.
- Forskellige doser og kombinationer kan hurtigt sammenlignes.
- Resultaterne stemmer ofte bedre overens med, hvad der sker hos rigtige patienter.
Ved sygdomme som Alzheimer, Parkinson og epilepsi er potentialet enormt. I stedet for årelange dyreforsøg kan laboratorier hurtigere gennemgå eksperimentelle varianter og samtidig reducere brugen af forsøgsdyr.
Et skridt videre er personaliseret medicin. I princippet kan man dyrke et organoid fra en patients egne celler og afprøve diverse behandlinger på det. Den behandling, der giver den bedste reaktion i laboratoriet, anvendes derefter hos patienten.
En ny type computer, nye etiske spørgsmål
Ud over de medicinske anvendelser undersøger forskere helt andre områder. Bioprocessorer kan potentielt bruges til at analysere komplekse sansesignaler: lugte, subtile berøringer, kombinationer af lyd og billede. Det er domæner, klassisk AI stadig har svært ved.
Der tales også om direkte forbindelser mellem den menneskelige hjerne og organoider, så en slags kognitiv "kopilot" kan overtage eller støtte opgaver. Tænk avancerede neuroproteser eller hjælpemidler til mennesker med alvorlig hjerneskade.
Den retning rejser imidlertid store spørgsmål. Hvornår er en minihjerne kun et forskningsobjekt – og hvornår opnår den en form for følsomhed, der fortjener beskyttelse? Og hvor langt må man gå med at lade menneskelige neuroner udføre opgaver, særligt når der er økonomiske interesser på spil?
Systemerne er små og primitive sammenlignet med rigtige hjerner, men det faktum, at de lærer strategier i et spil, er nok til at sætte en etisk debat i gang.
Tekniske begrænsninger: skrøbelige, kortlivede og svære at skalere
Den der allerede forestiller sig en biologisk udgave af et datacenter, løber langt foran begivenhederne. Neuronkulturer og organoider er skrøbelige. De lever i øjeblikket kun i få måneder under kontrollerede laboratorieforhold, kræver konstant pleje og er følsomme over for temperaturudsving og infektioner.
Opskalering er desuden kompliceret. En moderne chip kan indeholde milliarder af transistorer, mens et organoid "kun" rummer titusindvis af celler. At forbinde store mængder organoider til ét stabilt system er teknisk og biologisk ekstremt udfordrende.
Alligevel viser Doom-proof-of-concept'et, at der findes en brugbar vej: levende neuroner kan med relativt enkle feedbackmekanismer lære meningsfuld adfærd i en kompleks, virtuel verden.
Hvordan fungerer læring i neuroner egentlig?
I en hjerne – og dermed også i disse bioprocessorer – handler læring primært om ændringer i forbindelserne mellem celler, de såkaldte synapser. Når et bestemt aktivitetsmønster fører til "succes" – i dette tilfælde at overleve længere i Doom – styrkes de involverede forbindelser. Ved fejl svækkes dele af netværket.
Denne proces, synaptisk plasticitet, får systemet til at tilpasse sig uden nogen, der programmerer regler ind. På en måde minder disse eksperimenter mere om træning af et dyr end om at skrive software. Man giver stimuli og straf og venter, til der opstår adfærd, der viser sig at virke.
I de kommende år vil laboratorier sandsynligvis afprøve mere komplekse spil og scenarier eller tilbyde flere sansemæssige kanaler på én gang – for eksempel både billede og lyd. Jo flere impulser neuronerne modtager, desto bedre kan man følge, hvilke former for "intelligens" der kan vokse frem af et biologisk netværk – og hvor grænsen går i forhold til den menneskelige hjerne.
