دانشمندان استرالیایی با اتصال ۱۵ کامپیوتر زیستی به یکدیگر، سامانه‌ای با ذهن جمعی ساختند که عملکردی فراتر از هوش مصنوعی نشان می‌دهد.
پژوهشگران حوزه‌ی رایانش بیولوژیک موفق شدند با پیوند دادن ۱۵ کامپیوتر زیستی ساخته‌شده از سلول‌های واقعی مغز انسان، شبکه‌ای مشترک موسوم به HIVE ایجاد کنند. این دستاورد نشان می‌دهد که نورون‌های زنده‌ی وقتی در قالب یک شبکه‌ی تیمی فعالیت می‌کنند، توان پردازشی و یادگیری بسیار بالاتری نسبت به حالت انفرادی از خود به نمایش می‌گذارند.
شرکت استرالیایی کورتیکال لبز در نخستین کنفرانس بین‌المللی هوش ارگانوئیدی در واشنگتن، از پیوند‌دادن ۱۵ دستگاه از کامپیوترهای زیستی پیشگامانه‌ی CL1 پرده برداشت. کامپیوترهای متصل در این پیکربندی توانسته‌اند جنبه‌های گوناگون وظایف محوله را میان خود تقسیم کنند و بدون نیاز به آموزش مستقیم، بهینه‌ترین مسیر حل مسئله را بیابند.
دکتر برت کیگان ، یکی از بنیان‌گذاران و مدیرعامل کورتیکال لبز، گفت: «رایانش زیستی پتانسیل عظیمی دارد؛ اما سیستم‌های کاربردی نمی‌توانند وابسته به یک کشت منفرد باشند که هر بار عملکردی بی‌نقص ارائه دهد.»
طبیعت مسائل پیچیده را به‌صورت جمعی حل می‌کند
«طبیعت مسائل پیچیده را به‌صورت جمعی حل می‌کند. مغزها اطلاعات را در بخش‌های تخصصی توزیع می‌کنند، در حالی که کندوها به کارگران متعددی وابسته‌اند که هر یک با وظایف خاص خود در یک نتیجه‌ی مشترک سهیم می‌شوند. هایو همان اصل را در رایانش زیستی پیاده می‌کند و سیستم‌هایی می‌سازد که می‌توانند سازگارتر، پایدارتر و توانمندتر از هر کشت مجزا باشند. پردازش اطلاعات عصبی گسسته به‌صورت مشترک موضوع تازه‌ای در طبیعت نیست، با این تفاوت که اکنون به لطف کنترل، مقیاس و ادغام سخت‌افزاری باورنکردنی پلتفرم CL1 کورتیکال لبز، مقیاسی داریم که می‌تواند از محدودیت‌های فیزیولوژیکی فراتر برود.»
سلول‌های زنده به‌دلیل ماهیت بیولوژیک ممکن است در روزهای مختلف نوسان عملکرد داشته باشند؛ اما ادغام چند واحد عصبی باعث تقسیم بار کاری و تداوم پردازش حتی در صورت از کار افتادن یک بخش می‌شود.
آزمایش‌ها نشان می‌دهد پیوند هفت کامپیوتر زیستی دقت تشخیص نمادها را از حدود ۸۰ درصد به ۹۹ درصد رسانده است. در آزمونی دیگر برای هدایت یک شخصیت مجازی، الگوریتم هوش مصنوعی مرسوم موسوم به Deep Q Network امتیاز ۳۲ درصد را ثبت کرد، در حالی که بهترین رایانه‌ی زیستی تکی به امتیاز ۴۰ درصد رسید و عملکرد گروهی آن‌ها امتیاز ۷۰ و حتی ۸۰ درصد را ثبت کرد.
جانسون ژو، دانشمند کورتیکال لبز، گفت: «یک بافت کشت‌شده ممکن است در روزی معین بسیار خوب عمل کند در حالی که بافت دیگر چنین نباشد. هنگامی که کشت‌ها با هم کار می‌کنند، آن تفاوت‌های فردی تاثیر کمتری بر نتیجه‌ی نهایی دارند. هایو راهکاری برای مدیریت این دگرگونی‌ها پیش روی ما می‌گذارد و هم‌زمان از انطباق‌پذیری بالایی دارد که سیستم‌های زیستی را بسیار قدرتمند می‌کند.»
پژوهشگران کورتیکال لبز در گام‌های بعدی نحوه‌ی ارسال پیام و پردازش بازخورد میان این ماشین‌های زیستی را بررسی خواهند کرد تا مسیر دستیابی به سیستم‌های یادگیری ماشین با بهره‌وری انرژی بسیار بالاتر را هموار سازند.
نظرات کاربران