200.000 menschliche Neuronen haben gelernt, Doom zu spielen, was auf biologisches Rechnen mit geringem Stromverbrauch hinweist – Bitcoin News

In einem Labor in Melbourne lernte eine Schüssel mit 200.000 menschlichen Neuronen, die über eine Silikonschnittstelle trainiert wurden, in „Doom“ zu schießen und zu schießen. Der CL1-Chip von Cortical Labs übersetzte die Spielwelt in elektrische Muster und las Spitzen als Bewegung und Feuer zurück, wodurch die Kulturschüssel von Pong-Reflexen auf 3D-Navigation umgestellt wurde. Das Spiel ist immer noch schwerfällig, deutet jedoch auf biologisches Rechnen hin, das neben der stromhungrigen KI von heute Strom verbraucht, eine Richtung, die nach Angaben des Teams herkömmliche Modelle ergänzt. Wenn man die sechsmonatige Lebensdauer verlängert und die Konsistenz verschärft, könnte dieselbe Wetware Roboter steuern oder Drogen untersuchen und nicht nur verpixelte Dämonen jagen.

Bei einem Labordurchbruch nehmen es menschliche Neuronen mit Doom auf

Manche Experimente wirken wie ein Blick auf das nächste Kapitel der Informatik. Forscher von Cortical Labs berichten, dass sie einen Cluster von 200.000 Neuronen darauf trainiert haben, Doom zu spielen, den Ego-Shooter von 1993, der das moderne Gaming mit definierte. Die aus menschlichen Stammzellen gezüchteten und mit einer Siliziumschnittstelle verbundenen Neuronen lernten, durch Korridore zu navigieren und auf Feinde zu schießen, was einen Weg für Biocomputer deutete, die die heutigen KI-Systeme ergänzen.

Wie menschliche Neuronen das Spielen lernen

Das Team begann mit einem Verhalten auf Pong-Niveau und steigerte sich dann zu den 3D-Anforderungen von Doom. Die Neuronen empfingen strukturierte elektrische Signale, die mit dem Spielzustand verknüpft waren, und reagierten mit Mustern, die das System in Befehle wie Bewegen, Drehen und Schießen umwandelte. Das Herzstück ist der kundenspezifische CL1-Chip, der visuelle Ereignisse in Stimulation über Elektroden umwandelt und dann die Aktivität der Zellen liest, um Aktionen in Echtzeit zu steuern.

Die Leistung ist alles andere als E-Sport-tauglich. Die Zellen funktionieren oft nicht richtig oder überkorrigieren und verbessern sich dann über wiederholte Sitzungen, während das Training fortgesetzt wird. Den Forschern zufolge besteht das Ziel nicht darin, ein perfektes Ziel zu erreichen, sondern darin, zielgerichtetes Lernen innerhalb eines lebenden neuronalen Netzwerks unter Bedingungen zu demonstrieren, die ein Computer orchestrieren und messen kann.

Das Versprechen biologischer Effizienz

Energie ist die Schlagzeile. Während die heutigen großen KI-Modelle Megawatt über Cloud-Rechenzentren verbrauchen, benötigt das menschliche Gehirn etwa 20 Watt. Diese Effizienz inspiriert die Suche nach Hybridsystemen, die den Energiebedarf für Lernen, Anpassung und Steuerung senken könnten. Brett Kagan, wissenschaftlicher Leiter bei Cortical Labs, bezeichnet die Arbeit als Partner der Silizium-KI und nicht als Ersatz, insbesondere für Aufgaben, die von kontinuierlichem Lernen mit knappen Energiebudgets profitieren.

Für US-Unternehmen, die Basismodelle auf Nvidia-GPUs trainieren und sich mit der Skalierung von Inferenzen befassen, könnte sogar eine teilweise Auslagerung auf biologische Coprozessoren von Bedeutung sein. Denken Sie an lokale Lernschleifen für Robotik oder Edge-Geräte, während herkömmliche Chips Präzisionsberechnungen und den Abruf im großen Maßstab übernehmen. Die kurzfristige Frage ist, wo die Kompromisse in Bezug auf Latenz, Zuverlässigkeit und Kosten liegen.

Eine Zukunft jenseits des Gamings

Gaming ist ein praktischer Prüfstand, doch das größere Ziel sind Wissenschaft und Industrie. Biologisches Rechnen könnte das Screening von Medikamenten an patientenspezifischem Nervengewebe, neue Krankheitsmodelle und adaptive Kontrollen in der Robotik ermöglichen. Schnittstellen bleiben fragil, mit einer typischen Lebensdauer von etwa sechs Monaten und Ausgaben, die noch nicht vollständig standardisiert oder im großen Maßstab programmierbar sind.

Regulatorische und ethische Leitplanken müssen Schritt halten, insbesondere in den USA unter Anleitung der FDA und des NIH, wenn medizinische Anwendungen Fortschritte machen. Dennoch ist das Laborergebnis konkret: Lebende Neuronen können darauf trainiert werden, komplexe digitale Aufgaben zu bewältigen. Vom Untergang bis zum Rechenzentrum hat die Reise leise und effizient in einer Schüssel begonnen.