Живые дата-центры: зачем ИИ человеческие нейроны

Пока технологические гиганты строят все более мощные дата-центры для искусственного интеллекта, часть исследователей ищет совершенно другую архитектуру вычислений. Австралийский стартап Cortical Labs представил систему, в которой вычисления выполняют не кремниевые чипы, а выращенные в лаборатории клетки человеческого мозга. Этот эксперимент может стать начало эпохи биологических компьютеров, где граница между биологией и технологиями постепенно размывается.

Биологические компьютеры как новый подход к вычислениям

Развитие искусственного интеллекта уже несколько лет упирается в один и тот же барьер — вычислительные мощности. Чем сложнее становятся модели, тем больше энергии и оборудования требуют дата-центры. На этом фоне австралийский стартап Cortical Labs представил необычное решение: прототип биологического дата-центра, в котором вычисления выполняют не процессоры, а клетки человеческого мозга. Как сообщает Bloomberg, две площадки, где будут работать биокомпьютеры, планируют создать в Сингапуре и Мельбурне. 

Подобные разработки могут показаться научным экспериментом, но интерес к ним растет именно из-за ограничений традиционной архитектуры вычислений. Современные GPU-кластеры потребляют сотни ватт на один чип и требуют огромных дата-центров, тогда как биологические нейронные системы потенциально способны решать задачи обучения и адаптации при значительно меньших энергозатратах. Если такие технологии получат развитие, речь может идти не просто о новом стартапе, а о попытке переосмыслить сам принцип работы вычислительных систем.

Как работают биологические компьютеры

В основе разработки Cortical Labs лежит система, где живые нейронные клетки соединяются с кремниевым чипом. Нейроны выращивают в лаборатории и размещают на специальной матрице электродов, которая позволяет одновременно считывать их активность и отправлять им электрические сигналы. По сути, получается двусторонний интерфейс: электроника стимулирует клетки, а клетки отвечают электрическими импульсами, которые можно интерпретировать как вычислительный результат.

Главная особенность таких систем — способность нейронов обучаться и адаптироваться. В отличие от классических процессоров, которые строго выполняют заданные инструкции, живые нейронные сети могут менять поведение в зависимости от входящих сигналов. Эксперименты с такими системами уже показывали, что биологические нейронные культуры способны к элементарному обучению. Например, в системе DishBrain выращенные нейроны научились взаимодействовать с симуляцией игры Pong, адаптируя свою активность к происходящему на экране — результаты этого эксперимента были опубликованы в журнале Neuron. В последующих демонстрациях исследователи также показывали, что нейронные культуры могут реагировать на элементы игрового процесса в Doom, формируя простейшие модели обучения и адаптивного поведения.

Loading...

Твит был удалён автором.

Но мы всё сохранили 🙂.

Фактически речь идет о гибридной системе, где биология работает вместе с программируемой электроникой. Кремниевые чипы обеспечивают интерфейс и обработку сигналов, а нейронные клетки выполняют часть вычислительной работы, используя собственные механизмы обучения. Такой подход может соединить два мира — искусственный интеллект и нейробиологию, создавая новый тип вычислений, который пока находится где-то между лабораторным экспериментом и будущей технологической платформой.

Почему индустрия ищет альтернативу традиционным дата-центрам

Современные модели ИИ требуют все больше GPU-кластеров, а обучение крупных нейросетей может занимать недели и потреблять огромные ресурсы. Крупнейшие технологические компании сегодня строят дата-центры стоимостью в миллиарды долларов, потому что именно вычислительная инфраструктура становится главным ограничением для развития ИИ.

Но вместе с этим растет и энергетическая нагрузка. Современные дата-центры уже потребляют 1%-1,5% мировой электроэнергии, а их охлаждение требует значительных объемов воды. 

Loading...

Твит был удалён автором.

Но мы всё сохранили 🙂.

Один высокопроизводительный GPU может потреблять от 400 Вт до 700 Вт, и в больших кластерах такие чипы работают тысячами. В результате инфраструктура ИИ превращается в один из самых энергоемких сегментов цифровой экономики.

Именно поэтому в последнее время исследователи ищут альтернативные архитектуры вычислений. Биологические системы потенциально могут оказаться гораздо эффективнее: например, один модуль CL1 от Cortical Labs потребляет около 30 Вт — на порядок меньше, чем современные графические процессоры. Пока такие технологии находятся на ранней стадии, но сам факт их появления показывает, что индустрия начинает искать выход из энергетического кризиса вычислений, который сопровождает бурный рост искусственного интеллекта.

Где могут применяться биологические вычисления

Пока биологические вычислительные системы остаются экспериментальной технологией, исследователи уже обсуждают несколько направлений, где они могут оказаться особенно полезными. Одно из самых очевидных — фундаментальные исследования мозга. Нейронные культуры, подключенные к электронным интерфейсам, позволяют наблюдать за тем, как формируются сигналы, как клетки реагируют на стимулы и как возникает обучение на уровне отдельных нейронных сетей. Для нейробиологии это возможность изучать процессы, которые в живом мозге остаются практически недоступными для прямого наблюдения.

Другой важный сценарий связан с моделированием заболеваний и разработкой лекарств. Нейронные культуры можно выращивать из человеческих клеток и использовать как модель для изучения нейродегенеративных заболеваний — например, болезни Альцгеймера или Паркинсона. В таких системах ученые могут наблюдать, как меняется активность нейронов под воздействием различных веществ, и тестировать потенциальные препараты быстрее и точнее, чем в традиционных лабораторных моделях.

Наконец, подобные системы могут сыграть роль и в развитии искусственного интеллекта. Живые нейронные сети обладают природной способностью к обучению и адаптации, поэтому их рассматривают как возможную платформу для экспериментов с новыми алгоритмами обучения. В отличие от классических нейросетей, которые требуют огромных вычислительных ресурсов для тренировки, биологические системы могут демонстрировать адаптивное поведение уже на уровне клеточных взаимодействий. Поэтому биологические вычисления могут оказаться особенно перспективными там, где важны обучение, самоорганизация и адаптация к новым данным.

Новая технология — новые правила

Появление биологических вычислительных систем неизбежно вызывает и новые вопросы — не только технологические, но и этические. В отличие от традиционных компьютеров, такие платформы используют живые человеческие клетки, а значит оказываются на пересечении сразу нескольких областей: биотехнологий, нейронауки и цифровой индустрии. Именно поэтому обсуждение подобных проектов выходит за пределы лабораторий и становится предметом дискуссий среди исследователей, юристов и специалистов по биоэтике.

Один из главных вопросов связан с тем, где проходит граница между биологическим материалом и системой, способной демонстрировать признаки чувствительности или сложного поведения. Сегодняшние нейронные культуры представляют собой относительно простые структуры, состоящие из десятков или сотен тысяч клеток, и не обладают сознанием. Тем не менее сами исследователи признают, что по мере развития технологий могут возникнуть новые вызовы — от стандартов биобезопасности до правил работы с человеческими клетками и ограничений на создание более сложных нейронных систем.

Именно поэтому эксперты все чаще говорят о необходимости заранее обсуждать правовые и этические рамки будущей индустрии биологических вычислений. Если такие технологии действительно начнут выходить за пределы лабораторий и становиться частью вычислительной инфраструктуры, им, вероятно, потребуется отдельное регулирование — так же, как это произошло с генетическими исследованиями или искусственным интеллектом. И чем раньше начнется этот разговор, тем выше шанс, что развитие новой технологической области будет происходить не только быстро, но и ответственно.