TL;DR:
Tradycyjne komputery lepiej i wydajniej niż mózg przetwarzają liczby, natomiast mózg lepiej niż komputery przetwarza kompleksową informację. Biologiczne sieci neuronowe (BNN’s) zużywają też znacznie mniej energii niż sztuczne sieci. Firmy oraz zespoły naukowe próbują integrować biologiczne rozwiązania w układach obliczeniowych a niedawno ukazały się wyniki przełomowego eksperymentu, w którym żywa tkanka nerwowa została wykorzystana do układzie obliczeniowym sztucznej inteligencji.
Tekst Brain Organoid Computing for Artificial Intelligence | bioRxiv ukazał się niedawno w Nature (peer reviewed). Mówi o technologii nazwanej Brainoware.

Z ludzkich komórek macierzystych w bioreaktorach została wyhodowana trójwymiarowa struktura neuronowa, zwana organoidem – mały kawałek mózgu. Organoid został ułożony na płaskiej elektrodzie, która przekazywała i odczytywała impulsy. Następnie sygnał wychodzący był dekodowany. Powstała Organoid Neural Network (ONN).

Organoid miał wczesnorozwojowe cechy struktur mózgowych (early development brain-like structures). Wystarczyło to jednak, by w eksperymencie po 4 cyklach treningu nauczył się reagować na sygnały – rosnąca zgodność wyników z mapę Hénona (regresja 0,812). Oznacza to, że kulka neuronów, kawałek mózgu, ma potencjał uczenia się oraz obliczeniowy. Co więcej, organoid wykazywał pamięć ulotną, czyli w zależności od siły i czasu trwania impulsu zachowywał pamięć o tym impulsie.

Zespół badawczy zauważa także następujące problemy:

• W eksperymencie Brainoware użyto płaskich i twardych elektrod, które dotykają organoidów i tak wysyłają oraz odbierają sygnały. Ale te elektrody mogą dotrzeć tylko do kilku komórek mózgowych na powierzchni organoidów. Potrzebne są lepsze metody, takie jak interfejsy mózg-maszyna, miękkie elektrody lub inne implanty, żeby dotrzeć do większej liczby komórek mózgowych wewnątrz organoidów i lepiej się z nimi komunikować i nimi sterować.
• Brainoware wysyła i odbiera informacje w postaci sygnałów elektrycznych. Trzeba poprawić sposób kodowania i dekodowania tych sygnałów oraz radzenia sobie z dużą ilością danych. Potrzebne są nowe algorytmy i metody do analizy i wizualizacji danych.
• Organoidy są bardzo zróżnicowane, trudno je zrobić i utrzymać przy życiu. Trwają prace nad lepszymi sposobami kontroli ich wzrostu oraz środowiska.

Sztuczna sieć neuronowa zużyłaby 400 tysięcy razy więcej mocy niż ludzki mózg, gdyby miała wykonać operacje na tej samej liczbie liczbie neuronów i synaps – takie szacunki podawała praca zespołu naukowego firmy IBM w roku 2012.
Inną przewagą ludzkiego mózgu nad sztucznymi sieciami jest to, że ludzki mózg w jednej strukturze łączy przechowywanie danych, czyli pamięć oraz przetwarzanie tych danych. Unika w ten sposób problemu zbyt małej pojemności przesyłu danych z pamięci do procesora (von Neumann bottleneck issues).

Próbą przezwyciężenia tego problemu również są procesory i układy scalone, których budowa i działanie są wzorowane na mózgu. Procesor NorthPole firmy IBM, dzięki zastosowaniu sięga do pamięci dalszej i bliższej równie łatwo, pracując wielokrotnie szybciej i wydajniej niż tradycyjnie zaprojektowane procesory. Jednak zasoby pamięci w takim układzie są mniejsze niż układach tradycyjnego typu.

Taki procesor ma 256 rdzeni i 22 miliardy tranzystorów. Sztuczne neurony w tym procesorze wysyłają impulsy elektroniczne, zwane pikami, podobnie jak robią to biologiczne neurony. Dzieje się tak w momencie, gdy napięcie prądu osiągnie w takim neuronie odpowiednim poziom.

Szef zespołu badawczego, który stworzył ten procesor powiedział, że o ile czata GPT-4 nie dałoby się uruchomić na tych procesorach, bo ta praca polega na używaniu dużych ilości pamięci, to nadają się one do przetwarzania większych ilości danych w czasie rzeczywistym. Takim zastosowaniem byłyby na przykład modele sztucznej inteligencji w samochodach autonomicznych.

Pod względem liczby neuronów ten procesor można porównać do mózgu pszczoły. Choć tego rodzaju porównania są trudne, bo o potencjale obliczeniowym nie decyduje sama liczba neuronów, ale struktura, połączenia, funkcja neuronów i sposób przetwarzania oraz przechowywania informacji.

Natomiast firma OpenAI wsparła rozwój innego procesora neuromorficznego (wzorowanego na budowie i działaniu mózgu). Firma Rain ogłosiła udany test ich procesora, którego elementy w działaniu przypominają neurony oraz synapsy. To jakby warstwy, czy piętra, które podtrzymywane są kolumnami – neurony a między kolumnami tryliony losowych połączeń odpowiednikami synaps.

Procesor Rain ma być przełomowy pod względem funkcji oraz efektywności energetycznej. Firma podaje, że każdy procesor zawiera 86 miliardów neuronów, 500 trylionów synaps i produkuje sygnał analogowy – czyli falę o zmiennym natężeniu a nie serię jedynek lub zer.

Sposób rozlokowania synaps w procesorze ma decydować o jego przydatności do różnych typów sztucznej inteligencji.

Na podstawie m.in
Human brain cells hooked up to a chip can do speech recognition | MIT Technology Review
https://www.newscientist.com/article/2398442-ibms-brain-inspired-chip-could-be-the-fastest-at-running-ai-yet/
https://sitn.hms.harvard.edu/flash/2023/neurons-inspire-a-more-efficient-computer-chip-for-ai/
https://www.science.org/doi/full/10.1126/science.adh1174
IBM Research’s new NorthPole AI chip | IBM Research Blog
https://www.eetimes.com/rain-neuromorphics-tapes-out-demo-chip-for-analog-ai/