توپهای سلولهای مغز انسان مرتبط با رایانه برای انجام یک شکل بسیار ابتدایی از تشخیص گفتار استفاده شدهاند. امید این است که چنین سیستم هایی نسبت به تراشه های سیلیکونی انرژی بسیار کمتری برای کارهای هوش مصنوعی مصرف کنند.
فنگ گو از دانشگاه بلومینگتون ایندیانا می گوید: «این فقط اثبات مفهومی است که نشان می دهد ما می توانیم کار را انجام دهیم. “ما راه درازی در پیش داریم.”
ارگانوئیدهای مغزی توده هایی از سلول های عصبی هستند که هنگام رشد سلول های بنیادی در شرایط خاص تشکیل می شوند. گوئو می گوید: «آنها مانند مغزهای کوچک هستند.
او میگوید دو یا سه ماه طول میکشد تا ارگانوئیدها که چند میلیمتر عرض دارند و از 100 میلیون سلول عصبی تشکیل شدهاند، رشد کنند. مغز انسان حدود 100 میلیارد سلول عصبی دارد.
سپس ارگانوئیدها در بالای یک آرایه میکروالکترود قرار می گیرند که هم برای ارسال سیگنال های الکتریکی به ارگانوئید و هم برای تشخیص زمانی که سلول های عصبی در پاسخ شلیک می کنند استفاده می شود. این تیم سیستم خود را “Brainoware” نامیده است.
دانشمند جدید در ماه مارس گزارش داد که تیم Guo از این سیستم برای تلاش برای حل معادلات معروف به نقشه Hénon استفاده کرده است.
برای کار تشخیص گفتار، ارگانوئیدها باید یاد می گرفتند که صدای یک فرد را از مجموعه 240 کلیپ صوتی هشت نفری که صداهای مصوت ژاپنی را تلفظ می کنند، تشخیص دهند. کلیپ ها به عنوان دنباله ای از سیگنال ها که در الگوهای فضایی مرتب شده اند به ارگانوئیدها فرستاده شدند.
گوئو می گوید که پاسخ های اولیه ارگانوئیدها دقتی در حدود 30 تا 40 درصد داشتند. پس از دو روز جلسات آموزشی، دقت آنها به 70 تا 80 درصد افزایش یافت.
او می گوید: «ما این را یادگیری تطبیقی می نامیم. اگر ارگانوئیدها در معرض دارویی قرار می گرفتند که اتصالات جدید بین سلول های عصبی را متوقف می کرد، هیچ بهبودی حاصل نمی شد.
گوئو میگوید که آموزش صرفاً شامل تکرار کلیپهای صوتی بود و هیچ گونه بازخوردی برای گفتن درست یا غلط بودن آنها به ارگانوئیدها ارائه نشد. این همان چیزی است که در تحقیقات هوش مصنوعی به عنوان یادگیری بدون نظارت شناخته می شود.
گوئو میگوید دو چالش بزرگ با هوش مصنوعی معمولی وجود دارد. یکی مصرف بالای انرژی آن است. مورد دیگر محدودیتهای ذاتی تراشههای سیلیکونی، مانند تفکیک اطلاعات و پردازش آنها است.
تیم Guo یکی از چندین گروهی است که بررسی میکند که آیا محاسبات زیستی با استفاده از سلولهای عصبی زنده میتواند به غلبه بر این چالشها کمک کند. به عنوان مثال، شرکتی به نام Cortical Labs در استرالیا به سلول های مغزی آموزش می دهد که چگونه بازی کنند پونg دانشمند جدید در سال 2021 فاش شد.
Titouan Parcollet از دانشگاه کمبریج، که روی تشخیص گفتار معمولی کار می کند، نقش محاسبات زیستی را در درازمدت رد نمی کند.
Parcollet میگوید: «با این حال، ممکن است اشتباه باشد که فکر کنیم برای دستیابی به آنچه یادگیری عمیق در حال حاضر انجام میدهد به چیزی مانند مغز نیاز داریم.» مدلهای یادگیری عمیق کنونی در واقع بسیار بهتر از هر مغزی در کارهای خاص و هدفمند هستند.
او میگوید وظیفه گو و تیمش آنقدر ساده شده است که فقط مشخص میکند چه کسی صحبت میکند، نه اینکه سخنرانی چیست. “نتایج از منظر تشخیص گفتار واقعا امیدوار کننده نیستند.”
گوئو می گوید، حتی اگر بتوان عملکرد Brainoware را بهبود بخشید، یکی دیگر از مشکلات مهم آن این است که ارگانوئیدها را فقط می توان برای یک یا دو ماه حفظ کرد. تیم او در حال کار بر روی تمدید این است.
او میگوید: «اگر میخواهیم از قدرت محاسباتی ارگانوئیدها برای محاسبات هوش مصنوعی استفاده کنیم، واقعاً باید این محدودیتها را برطرف کنیم.
موضوعات: