Μια αυστραλιανή startup δοκιμάζει data centers που αξιοποιούν καλλιεργημένους στο εργαστήριο ανθρώπινους νευρώνες, διερευνώντας αν τα ζωντανά κύτταρα μπορούν να προσφέρουν πιο αποδοτική εναλλακτική στην παραδοσιακή υπολογιστική.
Η Cortical Labs έχει ανοίξει την πρώτη της εγκατάσταση στη Μελβούρνη και σχεδιάζει μεγαλύτερο χώρο στη Σιγκαπούρη. Εκεί, αντί για ράφια γεμάτα μόνο με παραδοσιακούς διακομιστές, θα φιλοξενούνται τα συστήματα CL1 της εταιρείας, που συνδυάζουν νευρώνες καλλιεργημένους στο εργαστήριο με τυπικά ηλεκτρονικά εξαρτήματα. Ο στόχος δεν είναι να αντικατασταθεί το πυρίτιο, αλλά να εξεταστεί αν τα ζωντανά νευρικά συστήματα μπορούν να συμπληρώσουν το υπάρχον υλικό σε συγκεκριμένες εργασίες.
Η ιδέα βασίζεται σε μια απλή διαπίστωση: οι νευρώνες είναι ήδη επεξεργαστές πληροφορίας. Στον εγκέφαλο μεταβιβάζουν ηλεκτρικά σήματα, δημιουργώντας πρότυπα που αλλάζουν με τον χρόνο. Κάποιες συνδέσεις ενισχύονται, άλλες αποδυναμώνονται, επιτρέποντας τη μάθηση. Τα παραδοσιακά τσιπ δεν λειτουργούν έτσι· ακολουθούν εντολές, αντί να προσαρμόζονται μέσω ανατροφοδότησης.
Οι ερευνητές προσπαθούν χρόνια να αξιοποιήσουν αυτή την ικανότητα. Σε παλαιότερη εργασία στο περιοδικό Neuron, επιστήμονες της Cortical Labs καλλιέργησαν νευρώνες πάνω σε τσιπ και τους «εκπαίδευσαν» να παίζουν μια απλοποιημένη εκδοχή του Pong, συνδέοντάς τους με προσομοιωμένο περιβάλλον. Το πείραμα βασίστηκε σε έναν κλειστό βρόχο ανατροφοδότησης: όταν οι νευρώνες παρήγαγαν χρήσιμη συμπεριφορά, οι είσοδοι γίνονταν πιο προβλέψιμες· όταν όχι, τα σήματα γίνονταν πιο χαοτικά. Με τον χρόνο, τα πρότυπα σταθεροποιήθηκαν.
Στο ίδιο πνεύμα έγιναν πιο πρόσφατες επιδείξεις, όπως πειράματα όπου παρόμοια συστήματα αλληλεπίδρασαν με απλοποιημένες εκδοχές του Doom. Τα πλαίσια αυτά είναι αυστηρά περιορισμένα, αλλά δείχνουν ότι ζωντανά νευρωνικά δίκτυα μπορούν να ωθηθούν σε συμπεριφορά με στόχο, όταν εντάσσονται σε συστήματα βασισμένα στην ανατροφοδότηση.
Το CL1 είναι υβριδική συσκευή: κάθε μονάδα περιέχει περίπου 200.000 ανθρώπινους νευρώνες, προερχόμενους από βλαστοκύτταρα, οι οποίοι αναπτύσσονται απευθείας πάνω σε τσιπ πυριτίου. Οι νευρώνες κατανέμονται πάνω σε πίνακα μικροηλεκτροδίων που λειτουργεί ως διεπαφή ανάμεσα στη βιολογία και τα ηλεκτρονικά. Τα ηλεκτρόδια μπορούν να διεγείρουν τα κύτταρα και να καταγράφουν τη δραστηριότητά τους σε πραγματικό χρόνο.
Γύρω από αυτό υπάρχει ένα «σύστημα υποστήριξης ζωής» που διατηρεί τα κύτταρα ζωντανά, παρέχει θρεπτικά συστατικά, ρυθμίζει τη θερμοκρασία και κρατά σταθερό το περιβάλλον. Ένα λογισμικό στρώμα μεταφράζει τα βιολογικά σήματα σε ψηφιακές εισόδους και εξόδους, μετατρέποντας τα πρότυπα νευρωνικής δραστηριότητας σε δεδομένα που μπορεί να αξιοποιήσει ένας υπολογιστής.
Σε υπολογιστικούς όρους, οι νευρώνες λειτουργούν περισσότερο ως δυναμικό σύστημα που μετασχηματίζει εισόδους σε περίπλοκα πρότυπα. Η προσέγγιση αυτή περιγράφεται συχνά ως «reservoir computing», όπου ένα σύστημα με πλούσια εσωτερική δυναμική επεξεργάζεται σήματα που ερμηνεύονται από εξωτερικό λογισμικό.
Το ενδιαφέρον για την κατεύθυνση αυτή συνδέεται με την εκρηκτική ανάπτυξη της τεχνητής νοημοσύνης. Η εκπαίδευση και λειτουργία σύγχρονων συστημάτων απαιτεί τεράστια υπολογιστική ισχύ, ενώ τα data centers καταναλώνουν σημαντικές ποσότητες ηλεκτρικής ενέργειας και νερού. Όσο η ζήτηση αυξάνεται, τόσο εντείνονται οι ανησυχίες για την ενέργεια και τα όρια του συμβατικού σχεδιασμού τσιπ.
Τα βιολογικά συστήματα προσφέρουν ένα διαφορετικό μοντέλο. Ο ανθρώπινος εγκέφαλος λειτουργεί με περίπου 20 watts, εκτελώντας αναγνώριση προτύπων, μάθηση και λήψη αποφάσεων με εντυπωσιακή αποδοτικότητα. Ερευνητές της βιολογικής πληροφορικής υποστηρίζουν ότι συστήματα βασισμένα σε νευρώνες θα μπορούσαν, κατ’ αρχήν, να διαχειρίζονται ορισμένα φορτία με πολύ χαμηλότερες ενεργειακές απαιτήσεις από τα συστήματα πυριτίου.
Το πλεονέκτημα δεν είναι η ωμή ταχύτητα ή η ακρίβεια. Το πυρίτιο παραμένει σαφώς ανώτερο για ντετερμινιστικούς υπολογισμούς και μεγάλης κλίμακας επεξεργασία. Το ενδιαφέρον είναι η προσαρμοστικότητα. Οι νευρώνες αναδιοργανώνονται φυσικά ως απόκριση στις εισόδους, κάτι που μπορεί να τους καθιστά χρήσιμους για εργασίες με αραιά ή θορυβώδη δεδομένα. Παραδείγματα είναι η αναγνώριση προτύπων, η αισθητηριακή επεξεργασία και η λήψη αποφάσεων υπό αβεβαιότητα.
Η Cortical Labs τοποθετεί την τεχνολογία της σε αυτό το αναδυόμενο πεδίο. Εκπρόσωποι της εταιρείας λένε ότι τα συστήματά της απαιτούν σχετικά χαμηλή ισχύ και θα μπορούσαν να προσφέρουν πιο αποδοτική επεξεργασία για συγκεκριμένα είδη πληροφορίας. Οι ισχυρισμοί αυτοί παραμένουν προς το παρόν θεωρητικοί, ενώ τα σημερινά συστήματα είναι περιορισμένα σε κλίμακα και δυνατότητες.
Οι εγκαταστάσεις που περιγράφονται ως data centers είναι μικρές για τα βιομηχανικά δεδομένα. Η Cortical Labs δεν έχει δημοσιοποιήσει αριθμό μονάδων για τη Μελβούρνη και τα CL1 είναι συστήματα πάγκου εργαστηρίου, άρα οι σημερινές εγκαταστάσεις πιθανόν μετρούν δεκάδες μονάδες και όχι χιλιάδες. Συγκριτικά, τα hyperscale data centers των Amazon, Microsoft και Google περιλαμβάνουν δεκάδες χιλιάδες διακομιστές σε κτίρια που μπορεί να ξεπερνούν το ένα εκατομμύριο τετραγωνικά πόδια.
Η σχεδιαζόμενη εγκατάσταση της εταιρείας στη Σιγκαπούρη αναμένεται να κλιμακωθεί περαιτέρω, αλλά παραμένει υπό κατασκευή.
Οι δυνατότητες είναι επίσης περιορισμένες. Το να δείχνεις ότι οι νευρώνες μπορούν να μάθουν απλές, παιχνιδόμορφες εργασίες είναι σημαντική απόδειξη σκοπιμότητας, αλλά απέχει πολύ από τις πραγματικές εφαρμογές. Δεν υπάρχει ακόμη ένδειξη ότι τα βιολογικά συστήματα μπορούν να ανταγωνιστούν GPUs ή CPUs στα φορτία που κυριαρχούν σήμερα, όπως η εκπαίδευση μεγάλης κλίμακας ή η υψηλής συχνότητας επεξεργασία δεδομένων.
“Despite huge progress in neuroscience over the last century, the fundamental principles of information processing and storage in the brain are far from understood,” said computer scientist, mathematician and hardware engineer Steve Fuber. “At this early stage in the development of such systems much is unknown … We are still some way from identifying an optimal approach that is as general-purpose in this domain as is the general-purpose programmable processor in the conventional computing domain.”
Την ίδια στιγμή, η προσπάθεια αντανακλά μια ευρύτερη μετατόπιση στην εξερεύνηση της υπολογιστικής. Καθώς οι παραδοσιακές μέθοδοι συναντούν φυσικά και οικονομικά όρια, οι ερευνητές αναζητούν εναλλακτικές που μέχρι πρόσφατα έμοιαζαν μη ρεαλιστικές. Τα βιολογικά συστήματα είναι από τις πιο ανορθόδοξες επιλογές, μαζί με λύσεις όπως το CL1 και τσιπ με DNA.
Τα ζωντανά κύτταρα είναι εγγενώς πιο περίπλοκα από τα τρανζίστορ. Απαιτούν ελεγχόμενες συνθήκες, συνεχή τροφοδοσία θρεπτικών και διαρκή παρακολούθηση. Η συμπεριφορά τους διαφέρει από δείγμα σε δείγμα και ο κύκλος ζωής τους είναι περιορισμένος. Η κλιμάκωση σε επίπεδα αξιοπιστίας κατάλληλα για υποδομές αποτελεί μεγάλο τεχνικό εμπόδιο.
Υπάρχουν επίσης ανοιχτά ζητήματα αναπαραγωγιμότητας και ελέγχου. Τα τσιπ πυριτίου συμπεριφέρονται προβλέψιμα υπό ορισμένες συνθήκες, ενώ τα βιολογικά συστήματα όχι. Η διασφάλιση σταθερής απόδοσης σε μεγαλύτερη κλίμακα θα είναι κρίσιμη για να ξεφύγει η τεχνολογία από το πειραματικό στάδιο.
Στο προσκήνιο έρχονται και ηθικά ερωτήματα. Οι σημερινές καλλιέργειες νευρώνων απέχουν πολύ από οτιδήποτε μοιάζει με συνείδηση, αλλά ερευνητές του πεδίου έχουν ήδη ζητήσει σαφείς κατευθυντήριες γραμμές καθώς τα συστήματα γίνονται πιο σύνθετα. Το ζήτημα δεν είναι άμεσο, παραμένει όμως δύσκολο να αγνοηθεί όσο εξελίσσεται η τεχνολογία.
Προς το παρόν, το εγχείρημα της Cortical Labs μοιάζει με μια πρώιμη προσπάθεια να μεταφερθεί η βιολογική υπολογιστική από το εργαστήριο σε κάτι που θυμίζει πραγματική υποδομή. Η υποκείμενη επιστήμη είναι πειστική σε μικρές κλίμακες και το κίνητρο για εναλλακτικές στο πυρίτιο ενισχύεται όσο επεκτείνονται τα συστήματα τεχνητής νοημοσύνης.
Παραμένει αβέβαιο αν αυτά τα δύο νήματα μπορούν να συνδεθούν με ουσιαστικό τρόπο. Τα σημερινά συστήματα είναι περιορισμένα, εύθραυστα και απέχουν από εμπορική ανταγωνιστικότητα. Παρ’ όλα αυτά, δείχνουν έναν διαφορετικό τρόπο σκέψης για την υπολογιστική.
Αντί να βασιζόμαστε αποκλειστικά σε ταχύτερο και αποδοτικότερο πυρίτιο, κάποιοι ερευνητές εξετάζουν αν τα ζωντανά συστήματα, με όλη τους την πολυπλοκότητα και απροβλεψιμότητα, μπορούν τελικά να παίξουν ρόλο στον τρόπο με τον οποίο οι μηχανές επεξεργάζονται πληροφορίες.
