Jedna z najbardziej intrygujących odpowiedzi przychodzi z pogranicza biologii, elektroniki i inżynierii materiałowej. Nazywa się Wetware Computing — „mokre obliczenia”, w których procesorem nie jest krzem, lecz żywa tkanka nerwowa. A w centrum tej idei znajduje się platforma określana jako brain-on-a-chip, czyli „mózg na chipie”.
Wetware Computing — gdy komputer zaczyna żyć
Klasyczne komputery składają się z hardware’u (sprzętu) i software’u (oprogramowania). Wetware dodaje trzeci element: biologię. W tym podejściu obliczenia wykonują hodowane sieci neuronowe albo bardziej złożone struktury, jak organoidy mózgowe — miniaturowe, trójwymiarowe „modele” tkanki nerwowej powstające z komórek macierzystych.
Dlaczego to w ogóle miałoby działać? Ponieważ neurony nie są biernymi przewodami. To komórki, które przetwarzają sygnały, tworzą połączenia, adaptują się i uczą, a przy tym robią to w sposób niezwykle energooszczędny. Biologiczny mózg, mimo ogromnej złożoności, działa wykorzystując ułamek energii, jakiej potrzebują współczesne serwerownie AI.
„Mózg na chipie”: z czego składa się taka technologia?
Brain-on-a-chip to nie metafora, tylko konkretna architektura badawczo-inżynieryjna. Jej fundamenty są trzy:
- Model biologiczny (neurony lub organoidy mózgowe)
- Najprostsza wersja to 2D sieci neuronowe hodowane na płaskim podłożu. Są stosunkowo łatwe w utrzymaniu, ale gorzej odwzorowują złożoność połączeń znaną z mózgu.
- Bardziej zaawansowane są 3D organoidy mózgowe. Zawierają więcej typów komórek, tworzą bogatsze mikrostruktury i wykazują bardziej złożoną aktywność.
- Mikromacierze elektrod (MEA) i interfejs elektro-fizjologiczny
Żeby „rozmawiać” z neuronami, trzeba umieć jednocześnie:- stymulować je (np. impulsami elektrycznymi),
- rejestrować ich odpowiedzi (tzw. spike’i, czyli wyładowania czynnościowe).
MEA pełni rolę superczułego „panelu wejścia-wyjścia” — zestawu miniaturowych elektrod, które potrafią jednocześnie pobudzać wiele miejsc i nasłuchiwać aktywności całej sieci.
- Mikroprzepływy (microfluidics)
Żywa tkanka wymaga tlenu, składników odżywczych i usuwania produktów przemiany materii. W chipie robi to system mikrokanalików, które dostarczają pożywkę i stabilizują środowisko. To szczególnie ważne dla organoidów 3D, bo bez „logistyki” płynów ich wnętrze może obumierać.
Jak neurony „liczą”: kodowanie i dekodowanie informacji
W komputerze dane są bitami. W wetware — bodźcami i odpowiedziami biologicznymi.
- Kodowanie (wejście) może odbywać się różnie: bodźcami chemicznymi, termicznymi, świetlnymi, magnetycznymi — ale w praktyce najczęściej stosuje się stymulację elektryczną, bo łatwo nią sterować (częstotliwość, amplituda, lokalizacja).
- Dekodowanie (wyjście) polega na odczycie aktywności sieci: liczbie i wzorcach spike’ów, synchronizacji wyładowań, zmianach „rytmu” sieci. Tu wchodzą algorytmy: od prostego zliczania wyładowań (firing rate), po uczenie maszynowe, które rozpoznaje bardziej subtelne sygnały.
Warto zauważyć paradoks: nawet jeśli wetware ma być alternatywą dla krzemu, to na razie wciąż potrzebuje „tłumacza” — klasycznych algorytmów, które interpretują biologiczne sygnały.
Co już potrafią biochipy?
Brzmi jak science fiction, ale wiele demonstracji wykonano już w laboratoriach. Trenowane sieci neuronowe i organoidy potrafiły m.in.:
- sterować prostymi systemami robotycznymi,
- uczyć się unikania przeszkód,
- wykonywać zadania w wirtualnym środowisku (np. gry),
- rozpoznawać wzorce (np. elementy mowy),
- przewidywać przebiegi zjawisk nieliniowych.
W takich eksperymentach interesująca jest nie „inteligencja” w ludzkim sensie, lecz plastyczność: zdolność sieci do poprawy działania po serii bodźców i sprzężenia zwrotnego.
Dlaczego to może być ważne dla przyszłości AI?
Krzemowe układy – jak twierdzą naukowcy - zbliżają się do barier fizycznych: miniaturyzacja tranzystorów ma swoje granice, rośnie problem ciepła i zużycia energii. Tymczasem wetware kusi trzema obietnicami:
- Energooszczędność — biologiczne przetwarzanie informacji jest naturalnie „low-power”.
- Równoległość — sieci neuronowe z natury działają masowo równolegle, bez centralnego zegara.
- Uczenie adaptacyjne — reorganizacja połączeń to wbudowana cecha tkanki nerwowej.
Z drugiej strony, to nie jest technologia „na jutro”. Wciąż istnieją poważne wyzwania: stabilność długotrwałych hodowli, standaryzacja organoidów, skalowanie systemów, integracja 3D elektrod, a także kwestie etyczne i regulacyjne, gdy modele stają się coraz bardziej złożone.
Najbliższa przyszłość: rewolucja czy niszowe narzędzie?
Jak czytamy, najbardziej realistyczny scenariusz na dziś nie zakłada, że neurony „zastąpią” karty graficzne w centrach danych. Bardziej prawdopodobne jest, że brain-on-a-chip stanie się:
- wyspecjalizowanym koprocesorem do określonych zadań,
- platformą badań nad uczeniem i pamięcią,
- narzędziem do testowania leków i modeli chorób neurodegeneracyjnych,
- „żywym rezerwuarem” w podejściu typu reservoir computing, gdzie ważna jest dynamika, a nie klasyczna precyzja obliczeń.
Wetware Computing pokazuje jednak coś jeszcze: być może przyszłość AI nie polega wyłącznie na „większych modelach” i „większej liczbie GPU”, lecz na nowych nośnikach obliczeń. Brain-on-a-chip – podają eksperci - jest dziś jednym z najbardziej odważnych kandydatów.
Jerzy Mróz
Źródła: Nature Reviews, Cell, Science, FinalSpark
