По мере развития генеративного ИИ растёт и его потребность в энергии. Обучение и запуск больших языковых моделей требуют огромного количества электроэнергии. По прогнозам, в ближайшие пять лет энергопотребление ИИ удвоится и составит 3 % от общего мирового потребления электроэнергии. Но что, если бы ИИ-чипы могли функционировать как человеческий мозг, обрабатывая сложные задачи с минимальными затратами энергии? Всё больше учёных и инженеров считают, что ключ к решению этой проблемы может лежать в органоидном интеллекте.
В июле на Саммите ООН «ИИ во благо» в Женеве Дэвид Грасиас, профессор химической и биомолекулярной инженерии в Университете Джонса Хопкинса, выступил с докладом о последних исследованиях в области биочипов и их применении в ИИ. Исследовательская группа Грасиаса, специализирующаяся на нанотехнологиях, интеллектуальных системах и биоинженерии, одной из первых создала функционирующий биочип, который сочетает в себе нейронные органоиды и современное аппаратное обеспечение, позволяющее чипам работать с живыми тканями и взаимодействовать с ними.
Органоидный интеллект — это развивающаяся область, в которой выращенные в лаборатории нейроны сочетаются с машинным обучением для создания новой формы вычислений. (Термин «органоидный интеллект» был введён исследователями из Университета Джонса Хопкинса, в том числе Томасом Хартунгом.) Нейроны, называемые органоидами, представляют собой трёхмерные скопления выращенных в лаборатории клеток мозга, которые имитируют нейронные структуры и функции. Некоторые исследователи считают, что так называемые биочипы — органоидные системы, в которых живые клетки мозга интегрированы в аппаратное обеспечение, — могут превзойти кремниевые процессоры, такие как центральные и графические процессоры, как по эффективности, так и по адаптивности. По мнению экспертов, в случае коммерциализации биочипы могут снизить ошеломляющие энергозатраты современных систем искусственного интеллекта, одновременно повысив их способность к обучению.
Традиционные микросхемы долгое время были ограничены двухмерными структурами, что могло препятствовать прохождению сигналов через систему. Эта парадигма начинает меняться, поскольку производители микросхем разрабатывают трёхмерные архитектуры микросхем, чтобы увеличить вычислительную мощность своих устройств.
Аналогичным образом биочипы имитируют трёхмерную структуру мозга. Человеческий мозг может поддерживать до 200 000 нейронных связей — уровень взаимосвязанности, которого, по словам Грасиаса, не могут достичь плоские кремниевые чипы. Такая пространственная сложность позволяет биочипам передавать сигналы по нескольким осям, что может обеспечить более эффективную обработку информации.
Команда Грасиаса разработала 3D-оболочку для электроэнцефалограммы (ЭЭГ), которая надевается на органоид и обеспечивает более эффективную стимуляцию и запись, чем обычные плоские электроды. Эта оболочка повторяет изогнутую поверхность органоида, создавая более удобный интерфейс для стимуляции и записи электрической активности.
Для обучения органоидов команда использует обучение с подкреплением. К целевым областям подаются электрические импульсы. Когда возникающая в результате нейронная активность соответствует желаемому шаблону, она подкрепляется дофамином — естественным химическим веществом, отвечающим за вознаграждение. Со временем органоид учится ассоциировать определённые стимулы с результатами.
После того как паттерн усвоен, его можно использовать для управления физическими действиями, например для управления миниатюрным роботом-автомобилем с помощью стратегически расположенных электродов. Это демонстрирует нейромодуляцию — способность вызывать предсказуемые реакции у органоида. Эти устойчивые реакции закладывают основу для более сложных функций, таких как распознавание стимулов, которое необходимо для таких приложений, как распознавание лиц, принятие решений и обобщенный ИИ-вывод.
Тем не менее остаются серьёзные проблемы. Биочипы хрупкие и требуют тщательного ухода, а современные системы зависят от громоздкого лабораторного оборудования. Для их масштабирования в практических целях потребуются биосовместимые материалы и технологии, способные автономно управлять функциями жизнеобеспечения. Нейронная задержка, шум сигнала и масштабируемость обучения нейронов также препятствуют использованию ИИ в режиме реального времени.
Пока неясно, будут ли биочипы дополнять или заменять кремниевые чипы. Но по мере того, как системы искусственного интеллекта требуют всё больше энергии, идея создания чипов, которые думают и потребляют энергию, как мозг, становится всё более привлекательной.