Der Einsatz lebender Gehirne zur Ausführung von Rechenaufgaben

Im Grundpfeiler der Science-Fiction-Literatur ist DÜNE von Frank Herbert (1965) schloss der Mensch den Einsatz von Denkmaschinen aufgrund eines grausamen Krieges zwischen künstlichen Intelligenzen und Menschen aus, etwa 10.000 Jahre vor den Ereignissen, die in Denis Villeneuves Film erzählt werden.

Anstelle von Computern in DÜNE Wir lernen „Mentaten“ kennen, Menschen, die in der Lage sind, eine große Anzahl von Berechnungen durchzuführen, die jeden modernen Supercomputer in den Schatten stellen würden. Parallel dazu nutzte die NASA in den frühen Jahren des Wettlaufs ins All in der realen Welt menschliche Rechner, um die Luft- und Raumfahrtdaten zu überprüfen, die in den Flugbahnanalysen der Missionen verwendet wurden, die den Menschen auf den Mond bringen wollten. Anders als in DUNE wurden diese menschlichen Rechner durch die IBM 7090-Computer ersetzt.

Die Verwendung lebender Gehirne zur Ausführung der Computeraufgaben, die normalerweise von einer CPU ausgeführt werden, scheint etwas aus den Horror- und Science-Fiction-Filmen der 70er Jahre zu stammen, aber es ist genau das, was aktuelle Forschungen von Dr. Brett Kagan, dem Hauptforscher bei Cortical, vorschlagen Labs, ein australisches Unternehmen, das sich auf die Gestaltung von Schnittstellen zwischen Neuronen und elektronischen Platinen spezialisiert hat.

Die Ergebnisse dieser Studie wurden in der Fachzeitschrift veröffentlicht Neuron und der Artikel präsentiert die „„BrainDish“ein neuronales Netzwerk, das lernen kann, bestimmte Aufgaben auszuführen.

Er BrainDish ist eine Kultur neuronaler Mauszellen, die sich auf einem HD-MEA-Chip (High Density MicroElectrode Array) befinden, einer Wellplatte mit einer hohen Dichte an Elektroden, die elektrische Informationen vom neuronalen Netzwerk senden und empfangen können. Diese Elektroden sind mit Platin beschichtet, einem unter physiologischen Bedingungen inerten Metall, das es diesen Neuronen ermöglicht, auf den Elektroden zu wachsen, Verbindungen zwischen ihnen herzustellen und ihre Fähigkeit zur spontanen Erzeugung von Aktionspotentialen beizubehalten. Diese Art von Kultur wird als Gehirnorganoid bezeichnet.

Ziel dieses Projekts war es zu zeigen, ob dieses neuronale Netzwerk in der Lage ist, Aufgaben „intelligent“ zu lösen, indem es die von Neuronen gemeinsam genutzte elektrische Sprache nutzt. Es gibt zwei Bedingungen, damit dieses Verhalten als intelligent gilt. Erstens muss das System in der Lage sein, seine äußere Umgebung wahrzunehmen, auf die es dann entsprechend der empfangenen sensorischen Informationen in einer bestimmten Weise reagieren muss. Dies ist vergleichbar damit, wenn wir die Straße entlanggehen, ohne mit allem vor uns zusammenzustoßen. Während des Spaziergangs treffen wir eine bewusste Entscheidung, beispielsweise nicht gegen eine Wand oder ein fahrendes Auto zu laufen, basierend auf dem, was wir sehen, riechen oder hören.

Um festzustellen, ob in den Entscheidungen des neuronalen Netzwerks „Intelligenz“ steckt, bewerteten die Forscher seine Leistung beim Spielen des PONG-Videospiels. Das Videospiel basiert auf einer extrem einfachen Version von Tischtennis, bei der zwei vertikale Balken die Schläger simulieren und ein Pixel, das zwischen ihnen hüpft, den Ball simuliert. Die Einfachheit dieses Systems ermöglichte es dem Unternehmen DeepBrain, die ersten „Deep Learning“-Algorithmen für das Training künstlicher Intelligenz zu entwickeln.

Damit das neuronale Netzwerk mit dem Spiel interagieren kann, wurde die Oberfläche des HD-MEA-Chips in verschiedene Abschnitte unterteilt. Ein sensorischer Abschnitt würde dem Netzwerk mitteilen, wo sich der Ball befindet, und zwei motorische Abschnitte würden die Bewegung der Paddel steuern. Um die Bewegung der Paddel zu differenzieren, wurde der motorische Bereich des Kropfes in zwei Hälften geteilt, eine obere und eine untere. Wenn die Aktivität der oberen Hemisphäre größer war als die der unteren, bewegte sich das Paddel nach oben und im umgekehrten Fall nach unten. Wenn die Bewegung des Schlägers dazu führt, dass der Ball abgefangen wird, wird an alle Elektroden ein elektrischer Reiz (75 mV pro 100 ms) angelegt. Im umgekehrten Fall würde ein unterschiedlicher elektrischer Reiz (150 mV für 400 ms) zufällig zwischen den Elektroden des sensorischen Abschnitts angelegt.

Es ist wichtig zu unterscheiden, ob das Verhalten des neuronalen Netzwerks lernend ist oder ob es sich um eine Reihe glücklicher Zufallsereignisse handelt. Um dies zu überprüfen, wurde das Prinzip der freien Energie für Wahrnehmung und Handlung genutzt. Dieses Prinzip basiert auf der Fähigkeit von Lebewesen, Handlungen zu planen, die es ihnen ermöglichen, in ihrer Umwelt zu überleben. In der Praxis handelt es sich um ein statistisches Modell, mit dem wir differenzieren können, ob das Verhalten der BrainDish minimiert die freie Energie, die zur Ausführung der Aktion verwendet wird. Auf diese Weise können wir feststellen, ob das neuronale Netzwerk lernt, die Aufgabe effektiv auszuführen, oder ob es ein Glücksfall war.

Basierend auf diesem Prinzip der freien Energie wurde eine Reihe von Tests entwickelt, um zu zeigen, dass dieses Netzwerk von Neuronen in der Lage ist, eine Aufgabe auszuführen und ihre Leistung bei der Wiederholung zu verbessern. Mit diesem Ziel wurde die Leistung des Netzwerks bewertet, indem die Feedback-Stimuli, die es erhält, wenn der Ball mit den Schlägern geschlagen oder nicht geschlagen wird, sowie die Länge der Spielsitzung verändert wurden. Die erste Modifikation war ein stiller Feedback-Test, bei dem das Netzwerk beim Abfangen des Balls keinen elektrischen Reiz erhielt, die Zeit, in der dieses Feedback auftreten würde, jedoch beibehalten wurde. Die zweite Modifikation war ein No-Feedback-Test, bei dem sowohl elektrische als auch Zeitsignale unterdrückt wurden und das Spiel fortgesetzt wurde, obwohl das Netz den Ball nicht berührte. Bei diesen Tests wurde die Häufigkeit, mit der das Netz den Ball abfing, in Sitzungen zwischen einer und zwanzig Minuten ausgewertet. Als Kontrolle dienten ein Netzwerk aus Zellen ohne elektrische Aktivität und das elektrische Rauschen von Platten ohne Zellen, das durch unerwünschte Interferenzen in der elektromagnetischen Umgebung entsteht.

Unter allen Bedingungen erwies sich Feedback, ob mit elektrischen Reizen oder still, für das Netzwerk, um die Aufgabe erfolgreich auszuführen, und sammelte mit zunehmender Sitzungszeit eine größere Anzahl von Schlägen auf den Ball Keine Rückmeldung, es gab keinen Unterschied in der Leistung des Kontrollnetzwerks. Die Ergebnisse dieser Spielsitzungen lassen darauf schließen, dass das Netzwerk lernt, wenn es positives Feedback erhält, während es nichts lernt, wenn dies nicht der Fall ist. Dies erscheint uns offensichtlich, ist jedoch von großer Bedeutung, wenn es darum geht, die Fähigkeit dieser neuronalen Netze zu bewerten, bestimmte Aufgaben auszuführen.

Wenn man derzeit über die Entwicklung künstlicher Intelligenzen spricht, kommt man nicht umhin, an Sprachmodelle wie ChatGPT oder Bard zu denken. Diese Modelle basieren auf „neuronalen Netzen“, die mit großen Datenmengen trainiert werden, und emulieren, wie Neuronen, die von Lebewesen genutzt werden, Informationen untereinander austauschen. Diese Modelle sind in der Lage, Textantworten aus einer Abfrage oder Eingabeaufforderung zu generieren. Trotz seiner Vielseitigkeit, alles von Supermarktlisten bis hin zu Softwarecodes zu generieren, generiert ChatGPT nur Text und das ist in Ordnung, denn dafür wurde es entwickelt, aber die verwendete Methode, maschinelles Lernen, kann auf andere Dinge angewendet werden, beispielsweise auf das Generieren Originalbilder aus Texteingaben wie DALL-E oder Stable Diffusion. Letztlich handelt es sich bei diesen künstlichen Intelligenzen um unterschiedliche Werkzeuge zur Entwicklung unterschiedlicher Aufgaben, deren Grenzen lediglich durch die Rechenkapazität, die ihnen zur Verfügung steht, oder durch die Einschränkungen, die ihnen von dem Forscherteam auferlegt werden, das sie entwickelt, begrenzt sind.

Obwohl es sich noch in einem frühen Entwicklungsstadium befindet, sind den möglichen Anwendungen von Gehirnorganoiden im Gegensatz zu synthetischen künstlichen Intelligenzen keine so genau definierten Grenzen gesetzt, vor allem weil wir noch nicht wissen, welches Potenzial diese Zellmasse für Lernen, intelligente Entscheidungen treffen oder in der Lage sind, eine Sprache zu entwickeln. Wie komplex muss ein Gehirnorganoid sein, bevor man es als bewusstes Lebewesen betrachten kann? Sollten diese „künstlichen Intelligenzen“ irgendwelche Rechte haben? Sind Organoide leidensfähig? Diese Art von Fragen sind die gleichen, die wir uns heute stellen, wenn wir Tiere für das Studium der Neurowissenschaften oder die Entwicklung neuer Medikamente verwenden, wo wir versuchen, das Leiden der Tiere bei der Entwicklung neuer Technologien zu reduzieren.

Eine interaktive Version dieses Experiments finden Sie unter https://spikestream.corticallabs.com/.

Quelle: https://www.sciencedirect.com/science/article/pii/S0896627322008066?via%3Dihub

*Dieser Artikel entstand aus der Vereinbarung mit dem Interdisziplinären Zentrum für Neurowissenschaften der Universität Valparaíso.