Gli scienziati hanno appena insegnato a suonare a centinaia di migliaia di neuroni in un piatto Pong. Usando una serie di scariche elettriche programmate e posizionate strategicamente, i neuroni non solo hanno imparato il gioco in un ambiente virtuale, ma hanno giocato meglio nel tempo, con rally più lunghi e meno errori, mostrando un livello di adattamento precedentemente ritenuto impossibile.
Come mai? Immagina di prendere letteralmente un pezzo di tessuto cerebrale, digerirlo fino a singoli neuroni e altre cellule cerebrali, scaricarlo (delicatamente) su un piatto e ora essere in grado di insegnare loro, al di fuori di un ospite vivente, a rispondere e adattarsi a un nuovo compito usando solo scariche elettriche.
Non è solo divertimento e giochi. La rete neurale biologica si unisce al suo cugino artificiale, gli algoritmi di deep learning di DeepMind, in un pantheon crescente di tentativi di decostruire, ricostruire e, un giorno, padroneggiare una sorta di “intelligenza” generale basata sul cervello umano.
Nato da un’idea della società australiana Cortical Labs, l’intera configurazione, soprannominata DishBrainè la “prima piattaforma di intelligenza biologica sintetica in tempo reale”, secondo gli autori di un articolo pubblicato questo mese in Neurone. La configurazione, più piccola di un piatto da dessert, è estremamente elegante. Collega neuroni isolati con chip in grado sia di registrare l’attività elettrica delle cellule sia di attivare precisi zapping per alterare tali attività. Simile alle interfacce cervello-macchina, i chip sono controllati con sofisticati programmi per computer, senza alcun input umano.
I chip fungono da ponte per i neuroni per collegarsi a un mondo virtuale. Come traduttori per l’attività neurale, possono unire dati elettrici biologici con bit di silicio, consentendo ai neuroni di rispondere a un mondo di gioco digitale.
DishBrain è impostato per espandersi ad altri giochi e test. Poiché i neuroni possono percepire e adattarsi all’ambiente e trasmettere i loro risultati a un computer, potrebbero essere utilizzati come parte dei test di screening dei farmaci. Potrebbero anche aiutare i neuroscienziati a decifrare meglio il modo in cui il cervello organizza la sua attività e apprende e ispirare nuovi metodi di apprendimento automatico.
Ma l’obiettivo finale, ha spiegato il dott. Brett Kagan, direttore scientifico di Cortical Labs, aiuterà a sfruttare l’intelligenza intrinseca dei neuroni viventi per la loro potenza di calcolo superiore e il basso consumo energetico. In altre parole, rispetto all’hardware neuromorfico che imita il calcolo neurale, perché non usare semplicemente la cosa reale?
“Teoricamente, SBI generalizzato [synthetic biological intelligence] potrebbe arrivare prima dell’intelligenza artificiale generale (AGI) a causa dell’efficienza intrinseca e del vantaggio evolutivo dei sistemi biologici”, hanno scritto gli autori nel loro articolo.
Incontrare DishBrain
Il DishBrain il progetto è iniziato con un’idea semplice: i neuroni sono macchine di calcolo incredibilmente intelligenti e adattabili. Studi recenti suggeriscono che ogni neurone è di per sé un supercomputer, con rami che un tempo si pensava agissero passivamente come minicomputer indipendenti. Come le persone all’interno di una comunità, anche i neuroni hanno una capacità intrinseca di collegarsi a diverse reti neurali, che cambiano dinamicamente con il loro ambiente.
Questo livello di calcolo multiparallelo a bassa energia è stato a lungo l’ispirazione per i chip neuromorfici e gli algoritmi di apprendimento automatico per imitare le capacità naturali del cervello. Sebbene entrambi abbiano fatto passi da gigante, nessuno è stato in grado di ricreare la complessità di una rete neurale biologica.
“Dai vermi alle mosche fino agli esseri umani, i neuroni sono il blocco di partenza per l’intelligenza generalizzata. Quindi la domanda era: possiamo interagire con i neuroni in modo da sfruttare quell’intelligenza intrinseca? disse Kagan.
accedere DishBrain. Nonostante il nome, i neuroni placcati e le altre cellule cerebrali provengono da un vero cervello con coscienza. Per quanto riguarda “intelligenza”, gli autori la definiscono come la capacità di raccogliere informazioni, raccogliere i dati e regolare l’attività di attivazione, ovvero il modo in cui i neuroni elaborano i dati, in un modo che aiuta ad adattarsi a un obiettivo; ad esempio, imparando velocemente a mettere la mano sul manico di una padella bollente senza bruciarla sul bordo.
L’allestimento inizia, fedele al suo nome, con un piatto. La parte inferiore di ciascuno è ricoperta da un chip per computer, HD-MEA, in grado di registrare da segnali elettrici stimolati. Le cellule, isolate dalla corteccia di embrioni di topo o derivate da cellule umane, vengono quindi poste sopra. Il piatto è immerso in un fluido nutriente affinché i neuroni possano crescere e prosperare. Man mano che maturano, crescono da chiazze tremolanti in forme sottili con vaste reti di rami sinuosi e intrecciati.
Entro due settimane, i neuroni dei topi si sono auto-organizzati in reti all’interno delle loro minuscole case, esplodendo di attività spontanea. I neuroni di origine umana – cellule della pelle o altre cellule cerebrali – hanno impiegato un po’ più di tempo, stabilendo reti in circa un mese o due.
Poi è arrivata la formazione. Ogni chip era controllato da un software disponibile in commercio, che lo collegava a un’interfaccia per computer. Usarlo per stimolare i neuroni è simile a fornire dati sensoriali, come quelli provenienti dai tuoi occhi mentre ti concentri su una palla in movimento. Il risultato è la registrazione della loro attività, ovvero il modo in cui i neuroni reagirebbero (se all’interno di un corpo) al movimento della mano per colpire la palla. DishBrain è stato progettato in modo che le due parti si integrassero in tempo reale: in modo simile agli esseri umani che giocano a pong, i neuroni potrebbero in teoria imparare dagli errori del passato e adattare il loro comportamento per colpire la “palla” virtuale.
Giocatore pronto DishBrain
Ecco come va Pong. Una palla rimbalza rapidamente sullo schermo e il giocatore può far scorrere una piccola paletta verticale, che sembra una linea in grassetto, su e giù. Qui, la “palla” è rappresentata da scariche elettriche in base alla sua posizione sullo schermo. Questo essenzialmente traduce le informazioni visive in dati elettrici per l’elaborazione della rete neurale biologica.
Gli autori hanno quindi definito regioni distinte del chip per “sensazione” e “movimenti”. Una regione, ad esempio, acquisisce i dati in entrata dal movimento della pallina virtuale. Una parte della “regione motoria” controlla quindi che la paletta virtuale si muova verso l’alto, mentre un’altra la fa scendere. Questi incarichi erano arbitrari, hanno spiegato gli autori, il che significa che i neuroni all’interno avevano bisogno di regolare le loro attivazioni per eccellere in una partita.
Allora come imparano? Se i neuroni “colpiscono” la palla, cioè mostrando il tipo corrispondente di attività elettrica, la squadra li ha colpiti in quella posizione con la stessa frequenza ogni volta. È un po’ come stabilire una “abitudine” per i neuroni. Se hanno mancato la palla, sono stati colpiti da un rumore elettrico che ha interrotto la rete neurale.
La strategia si basa su una teoria dell’apprendimento chiamata principio di energia libera, ha spiegato Kagan. Fondamentalmente, suppone che i neuroni mantengano “credenze” sull’ambiente circostante e regolino e ripetano la loro attività elettrica in modo che possano prevedere meglio l’ambiente, cambiando le loro “convinzioni” o il loro comportamento.
La teoria ha avuto successo. In soli cinque minuti, sia i neuroni umani che quelli dei topi hanno migliorato rapidamente il loro gameplay, inclusi rally migliori, meno assi – in cui la paletta non è riuscita a intercettare la palla senza un solo colpo – e giochi lunghi con più di tre colpi consecutivi. Sorprendentemente, i neuroni dei topi hanno appreso più velocemente, anche se alla fine sono stati superati da quelli umani.
Gli stimoli erano fondamentali per il loro apprendimento. Separare gli esperimenti con DishBrain senza alcun feedback elettrico funzionava molto peggio.
Inizio partita
Lo studio è una prova del concetto che i neuroni in un piatto possono essere una sofisticata macchina di apprendimento e persino mostrare segni di sensibilità e intelligenza, ha detto Kagan. Questo non vuol dire che siano coscienti, piuttosto, hanno la capacità di adattarsi a un obiettivo quando “incarnato” in un ambiente virtuale.
Cortical Labs non è il primo a testare i limiti della potenza di elaborazione dei dati dei neuroni isolati. Già nel 2008 il dott. Steve Potter del Georgia Institute of Technology e il team hanno scoperto che anche con solo poche dozzine di elettrodi, potevano stimolare i neuroni di ratto a mostrare segni di apprendimento in un piatto.
DishBrain ha un vantaggio con migliaia di elettrodi compattati in ogni configurazione e l’azienda spera di attingere al suo potere biologico per aiutare lo sviluppo di farmaci. Il sistema, o le sue future derivazioni, potrebbero potenzialmente agire come un surrogato del micro-cervello per testare farmaci neurologici o ottenere informazioni sui poteri di neurocalcolo di diverse specie o regioni del cervello.
Ma la visione a lungo termine è un ibrido di computer a bio-silicio “vivente”. “L’integrazione dei neuroni nei sistemi digitali può consentire prestazioni impossibili con il solo silicio”, hanno scritto gli autori. Kagan immagina di sviluppare “unità di elaborazione biologica” che intrecciano il meglio di entrambi i mondi per un calcolo più efficiente e, nel processo, gettano luce sul funzionamento interno delle nostre menti.
“Questo è l’inizio di una nuova frontiera nella comprensione dell’intelligence”, ha affermato Kagan. “Tocca gli aspetti fondamentali non solo di cosa significa essere umani, ma anche di cosa significa essere vivi e intelligenti, elaborare le informazioni ed essere senzienti in un mondo dinamico in continua evoluzione”.
Credito immagine: FOTO AFP / LABORATORI CORTICALI