Levende datasentre: Hvorfor AI vender seg mot menneskelige nevroner

Traders Union
Alle nyheter
Redaktørens valg
Hvordan Cortical Labs' teknologi kan endre fremtidens databehandling

Alle nyheter

Redaktørens valg

Kryptonyheter

Finansnyheter

Markedsstemmer

Meglernyheter

Nyheter fra tilsynsmyndighetene

Darina Pashchenko

13.03.2026

Levende datasentre: Hvorfor AI vender seg mot menneskelige nevroner — Biologiske datamaskiner: Hvordan hjerneceller kan endre arkitekturen til AI-datasentre

Mens teknologigigantene fortsetter å bygge stadig kraftigere datasentre for kunstig intelligens, er noen forskere på jakt etter en helt annen databehandlingsarkitektur. Det australske oppstartsselskapet Cortical Labs har introdusert et system der beregningene ikke utføres av silisiumbrikker, men av menneskelige hjerneceller som er dyrket i et laboratorium. Dette eksperimentet kan markere begynnelsen på en æra med biologiske datamaskiner, der grensen mellom biologi og teknologi gradvis viskes ut.

Denne artikkelen ble oversatt fra originalen. Les den opprinnelige versjonen av vår korrespondent her.

Biologiske datamaskiner som en ny tilnærming til databehandling

I flere år har utviklingen av kunstig intelligens støtt på den samme barrieren - datakraft. Jo mer komplekse modellene blir, desto mer energi og infrastruktur krever datasentrene. På bakgrunn av dette presenterte det australske oppstartsselskapet Cortical Labs en uvanlig løsning: en prototype på et biologisk datasenter der beregningene ikke utføres av prosessorer, men av menneskelige hjerneceller. Ifølge Bloomberg er det planlagt to steder i Singapore og Melbourne der disse biodatamaskinene skal operere.

En slik utvikling kan virke som et vitenskapelig eksperiment, men interessen for dem vokser nettopp på grunn av begrensningene ved tradisjonell dataarkitektur. Moderne GPU-klynger bruker hundrevis av watt per brikke og krever enorme datasentre, mens biologiske nevrale systemer kan være i stand til å løse lærings- og tilpasningsoppgaver med betydelig lavere energiforbruk. Hvis disse teknologiene fortsetter å utvikle seg, kan dette representere ikke bare nok en oppstart, men et forsøk på å tenke nytt om selve prinsippene bak hvordan datasystemer fungerer.

Hvordan biologiske datamaskiner fungerer

Kjernen i Cortical Labs' utvikling er et system der levende nerveceller kobles til en silisiumbrikke. Nevronene dyrkes i et laboratorium og plasseres på en spesiell elektrodeanordning som gjør det mulig for forskerne både å lese aktiviteten deres og sende elektriske signaler til dem. I bunn og grunn skaper dette et toveis grensesnitt: Elektronikken stimulerer cellene, og cellene svarer med elektriske impulser som kan tolkes som beregningsresultater.

Det viktigste ved slike systemer er nevronenes evne til å lære og tilpasse seg. I motsetning til klassiske prosessorer som strengt tatt utfører programmerte instruksjoner, kan levende nevrale nettverk endre atferd avhengig av innkommende signaler. Eksperimenter med disse systemene har allerede vist at biologiske nevrale kulturer er i stand til grunnleggende læring. I DishBrain-systemet lærte for eksempel dyrkede nevroner å samhandle med en simulering av spillet Pong, og tilpasset aktiviteten sin til det som skjedde på skjermen - resultatene av dette eksperimentet ble publisert i tidsskriftet Neuron. I senere demonstrasjoner viste forskerne også at nevronkulturer kunne reagere på elementer i spillet Doom, og danne enkle modeller for læring og adaptiv atferd.

Loading...

Tweeten ble slettet av forfatteren.

Men vi lagret alt 🙂.

I praksis representerer dette et hybridsystem der biologi arbeider sammen med programmerbar elektronikk. Silisiumbrikker står for grensesnittet og signalbehandlingen, mens nervecellene utfører en del av beregningsarbeidet ved hjelp av sine egne læringsmekanismer. Denne tilnærmingen kan koble sammen to verdener - kunstig intelligens og nevrobiologi - og skape en ny type databehandling som i dag befinner seg et sted mellom et laboratorieeksperiment og en fremtidig teknologisk plattform.

Derfor ser industrien etter alternativer til tradisjonelle datasentre

Moderne AI-modeller krever stadig større GPU-klynger, og trening av store nevrale nettverk kan ta flere uker og kreve enorme ressurser. Verdens største teknologiselskaper bygger nå datasentre for milliarder av dollar fordi datainfrastrukturen har blitt den viktigste begrensende faktoren i AI-utviklingen.

Samtidig vokser også energibyrden. Moderne datasentre bruker allerede 1 %-1,5 % av verdens elektrisitet, og kjøling av dem krever betydelige mengder vann.

Loading...

Tweeten ble slettet av forfatteren.

Men vi lagret alt 🙂.

En enkelt GPU med høy ytelse kan forbruke mellom 400 W og 700 W, og store klynger inneholder tusenvis av slike brikker. Dermed er AI-infrastrukturen i ferd med å bli et av de mest energikrevende segmentene i den digitale økonomien.

Derfor har forskere i det siste begynt å se seg om etter alternative databehandlingsarkitekturer. Biologiske systemer kan potensielt være langt mer effektive. En enkelt CL1-modul fra Cortical Labs bruker for eksempel rundt 30 W, noe som er en størrelsesorden mindre enn moderne grafikkprosessorer. Selv om disse teknologiene fortsatt befinner seg på et tidlig stadium, viser fremveksten av dem at industrien begynner å lete etter løsninger på energikrisen innen databehandling som følger med den raske veksten i kunstig intelligens.

Hvor biologisk databehandling kan brukes

Foreløpig er biologiske datasystemer en eksperimentell teknologi, men forskerne diskuterer allerede flere områder der de kan vise seg å være spesielt nyttige. Et av de mest åpenbare er grunnleggende hjerneforskning. Nevrale kulturer koblet til elektroniske grensesnitt gjør det mulig for forskere å observere hvordan signaler dannes, hvordan celler reagerer på stimuli, og hvordan læring oppstår i nevrale nettverk. For nevrovitenskapen gir dette en mulighet til å studere prosesser som det er nesten umulig å observere direkte inne i den levende hjernen.

Et annet viktig bruksområde er sykdomsmodellering og utvikling av legemidler. Nevrale kulturer kan dyrkes fra humane celler og brukes som modeller for å studere nevrodegenerative sykdommer som Alzheimers eller Parkinsons. I disse systemene kan forskerne observere hvordan nerveaktiviteten endrer seg under påvirkning av ulike stoffer, og teste ut potensielle behandlinger raskere og mer nøyaktig enn i tradisjonelle laboratoriemodeller.

Endelig kan slike systemer også spille en rolle i den fremtidige utviklingen av kunstig intelligens. Levende nevrale nettverk har en naturlig evne til å lære og tilpasse seg, noe som gjør dem til en potensiell plattform for å eksperimentere med nye læringsalgoritmer. I motsetning til konvensjonelle nevrale nettverk, som krever enorme dataressurser for å lære, kan biologiske systemer utvise adaptiv atferd gjennom interaksjoner mellom celler. Derfor kan biologisk databehandling vise seg å være spesielt lovende på områder der læring, selvorganisering og tilpasning til nye data er avgjørende.

Ny teknologi betyr nye regler

Fremveksten av biologiske datasystemer reiser uunngåelig nye spørsmål - ikke bare teknologiske, men også etiske. I motsetning til tradisjonelle datamaskiner bruker disse plattformene levende menneskeceller og befinner seg derfor i skjæringspunktet mellom flere felt: bioteknologi, nevrovitenskap og den digitale industrien. Dette har ført til at diskusjonene om slike prosjekter beveger seg utenfor laboratoriene og blir et tema for debatt blant forskere, jurister og bioetikere.

Et av de viktigste spørsmålene er hvor grensen går mellom biologisk materiale og et system som kan vise tegn på følsomhet eller kompleks atferd. Dagens nervekulturer er relativt enkle strukturer bestående av titusener eller hundretusener av celler, og de har ingen bevissthet. Forskerne erkjenner likevel at etter hvert som teknologien utvikler seg, kan det oppstå nye utfordringer - fra standarder for biosikkerhet til regler for bruk av humane celler og begrensninger for å skape mer komplekse nevrale systemer.

Derfor argumenterer stadig flere eksperter for at det juridiske og etiske rammeverket for den fremtidige biologiske databehandlingsindustrien bør diskuteres på forhånd. Hvis slike teknologier etter hvert beveger seg ut av laboratoriene og blir en del av datainfrastrukturen, vil de sannsynligvis kreve separat regulering - akkurat som det skjedde med genforskning og kunstig intelligens. Jo tidligere denne diskusjonen kommer i gang, desto større er sjansen for at utviklingen av dette nye teknologiske feltet ikke bare vil gå raskt, men også på en ansvarlig måte.

Dette materialet kan inneholde tredjeparts meninger, ingen av dataene og informasjonen på denne nettsiden utgjør investeringsråd i henhold til vår Ansvarsfraskrivelse. Selv om vi følger strenge Redaksjonelle Retningslinjer, kan dette innlegget inneholde referanser til produkter fra våre partnere.

Likte du artikkelen?