سال گذشته، دانشمندان دانشگاه موناش “DishBrain” را ایجاد کردند که یک تراشه کامپیوتری نیمه‌زیستی با حدود ۸۰۰ هزار سلول مغز انسان و موش بود که در آزمایشگاه در داخل آن الکترود‌هایی رشد داده شدند. این ترکیب عجیب و غریب با نشان دادن چیزی شبیه احساسات، در عرض پنج دقیقه یاد گرفت که بازی «پونگ» را انجام بدهد.
آرایه میکرو الکترود در درون DishBrain هم قادر به خواندن فعالیت در سلول‌های مغزی و هم تحریک آن‌ها با سیگنال‌های الکتریکی بود، بنابراین تیم تحقیقاتی نسخه‌ای از Pong را راه‌اندازی کرد که در آن سلول‌های مغز یک محرک الکتریکی متحرک تغذیه می‌کردند تا نشان دهند که توپ در کدام سمت “صفحه” قرار دارد و چقدر از دست و پا فاصله دارد. آن‌ها به سلول‌های مغز اجازه دادند تا روی پارو در بازی عمل کنند و آن را به چپ و راست حرکت دهند.
سپس آن‌ها سعی کردند رفتار غیرقابل‌پیش‌بینی این سیستم را به حداقل برسانند، یک سیستم پاداش پایه را راه‌اندازی کردند. بنابراین اگر پارو به توپ برخورد کند، سلول‌ها یک محرک خوب و قابل پیش‌بینی دریافت خواهند کرد. اما اگر ضربه بد می‌شد، سلول‌ها چهار ثانیه تحریک کاملاً غیرقابل پیش‌بینی دریافت می‌کردند.
این اولین باری بود که سلول‌های مغزی رشد یافته در آزمایشگاه به این روش مورد استفاده قرار می‌گرفتند.
با مشارکت آزمایشگاه‌های نوپای ملبورن Cortical Labs، این پروژه اکنون یک کمک هزینه ۴۰۷۰۰۰ دلاری از برنامه کمک به هزینه‌های تحقیقاتی امنیتی و اطلاعات ملی استرالیا جذب کرده است.
پروفسور عدیل رازی، سرپرست پروژه، می‌گوید: این تراشه‌های قابل برنامه‌ریزی، که محاسبات بیولوژیکی را با هوش مصنوعی ترکیب می‌کنند، «در آینده ممکن است در نهایت از عملکرد سخت‌افزار‌های موجود و صرفاً مبتنی بر سیلیکون پیشی بگیرند.»
او گفت: «نتایج چنین تحقیقاتی پیامد‌های مهمی در زمینه‌های مختلف مانند برنامه‌ریزی، روباتیک، اتوماسیون پیشرفته، رابط‌های مغز و ماشین و کشف دارو خواهد داشت و به استرالیا یک مزیت استراتژیک قابل توجهی می‌دهد.»
به عبارت دیگر، قابلیت‌های یادگیری پیشرفته DishBrain می‌تواند زیربنای نسل جدیدی از یادگیری ماشینی باشد، به‌ویژه زمانی که در وسایل نقلیه خودران، پهپاد‌ها و روبات‌ها استفاده شوند. رازی می‌گوید که این امر می‌تواند به «نوع جدیدی از هوش ماشینی فراهم آورد که می‌تواند در طول عمرش یاد بگیرد».
این فناوری نوید ماشین‌هایی را می‌دهد که می‌توانند بدون به خطر انداختن توانایی‌های قدیمی، به یادگیری توانایی‌های جدید ادامه دهند، بتوانند به خوبی با تغییرات سازگار شوند و بتوانند دانش قدیمی را در موقعیت‌های جدید تبه کار برند، در حالی که به طور مداوم استفاده خود را از قدرت محاسباتی، حافظه و انرژی بهینه می‌کنند.
رازی می‌گوید: «ما از این کمک هزینه برای توسعه ماشین‌های هوش مصنوعی بهتری که ظرفیت یادگیری این شبکه‌های عصبی بیولوژیکی را تکرار می‌کنند، استفاده خواهیم کرد. این به ما کمک می‌کند ظرفیت سخت‌افزار و فرایندها را تا جایی افزایش دهیم که جایگزین مناسبی برای محاسبات سیلیکونی شوند.»
دیدگاه