В августе в National University of Singapore запустили прототип биологического дата-центра.
В стойке стоит 20 компьютеров CL1.
И внутри них буквально живые человеческие нейроны, выращенные в лаборатории.
Не модель нейрона.
Не очередная архитектура нейросети.
Живые клетки.
Один CL1 содержит около 800 000 нейронов.
То есть потенциально в одной такой стойке — до 16 миллионов живых нейронов, соединённых с обычной компьютерной инфраструктурой.
И работает это достаточно интересно.
Нейроны выращивают прямо на кремниевом чипе с массивом электродов.
Компьютер через электроды отправляет нейронам электрические импульсы — это входные данные.
Нейроны реагируют на них, перестраивают свою активность и отправляют собственные электрические сигналы обратно.
Электроника их считывает.
Получается замкнутый цикл:
код → электрический сигнал → живые нейроны → реакция → компьютер → новый сигнал.
И всё это происходит практически в реальном времени — задержка у CL1 меньше миллисекунды.
То есть условно ты уже можешь написать программу на Python и взаимодействовать не с искусственной нейронной сетью, а с настоящими живыми нейронами.
У Cortical Labs для этого уже есть API, Python SDK и даже облачный доступ.
Фактически:
Wetware as a Service :)
Не хочешь покупать биокомпьютер — подключаешься через облако и запускаешь код на живых клетках.
Сам CL1, кстати, стоит около $35 000.
Но самое интересное вообще не в том, что они засунули нейроны в коробку.
А в том, зачем.
Обычные нейросети мы обучаем примерно так:
берём гигантское количество данных → гигантское количество GPU → огромное количество электричества → миллиарды вычислений.
А биологический мозг почему-то умеет учиться совсем иначе.
Ребёнку не нужно показать миллион фотографий кошки, чтобы он понял, что такое кошка.
Человеческий мозг умеет обучаться на очень небольшом количестве примеров, постоянно адаптироваться и потребляет при этом примерно 20 ватт.
Примерно как лампочка.
Собственно, основатель Cortical Labs Hon Weng Chong прямо говорит:
«Биологические вычисления дополняют ИИ там, где данных мало: они учатся на гораздо меньшем объёме данных и адаптируются при изменении условий».
И они уже показали, что это не только теория.
читать далее