بزرگنمايي:

سیاست و بازاریابی - ایسنا /در شهری در کنار دریاچه‌ی ژنو، توده‌هایی از سلول‌های زنده‌ی مغز انسان قرار دارند که می‌توان آن‌ها را اجاره کرد. این توده‌ها، که اندازه‌شان تقریبا به اندازه‌ی یک دانه شن است، می‌توانند سیگنال‌های الکتریکی دریافت کنند و به آن‌ها پاسخ دهند درست همان‌طور که رایانه‌ها این کار را می‌کنند. گروه‌های پژوهشی از سراسر جهان می‌توانند وظایفی را برای این توده‌ها بفرستند، با این امید که آن‌ها اطلاعات را پردازش کنند و سیگنالی برگشتی بفرستند.
به دنیای وت‌ور (wetware) یا زیست‌رایانه‌ها(biocomputers) خوش آمدید. در چند آزمایشگاه دانشگاهی و شرکت محدود، پژوهشگران در حال رشد دادن نورون‌های انسانی هستند و تلاش می‌کنند آن‌ها را به سیستم‌هایی کاربردی تبدیل کنند که برابر با ترانزیستورهای زیستی باشند. این شبکه‌های نورونی، به گفته‌ی آن‌ها، روزی می‌توانند قدرتی در حد یک ابررایانه بدون مصرف بالای انرژی ارائه دهند.
بازار
به نقل از نیچر، نتایج تاکنون محدود بوده‌اند. اما دانشمندان مشتاق، هم‌اکنون در حال خریدن یا قرض گرفتن دسترسی آنلاین به این پردازنده‌های سلول‌های مغزی هستند یا حتی ده‌ها هزار دلار سرمایه‌گذاری می‌کنند تا مدل مخصوص به خود را داشته باشند.
برخی می‌خواهند از این زیست‌رایانه‌ها به عنوان جایگزین مستقیم رایانه‌های معمولی استفاده کنند، در حالی‌که برخی دیگر می‌خواهند از آن‌ها برای مطالعه‌ی عملکرد مغز استفاده کنند.
بنجامین وارد-چریر پژوهشگر رباتیک در دانشگاه بریستول در بریتانیا می‌گوید: تلاش برای درک هوش زیستی یک مسئله‌ی علمی بسیار جالب است، کسی که زمان کار با توده‌های مغزی سوئیسی را اجاره می‌کند. او می‌افزاید: نگاه کردن به این مسئله از پایین به بالا با نسخه‌های ساده و کوچک از مغز خودمان و ساخت تدریجی آن‌ها به‌نظر من راه بهتری نسبت به رویکرد از بالا به پایین است.
طرفداران زیست‌محاسبات (biocomputing) ادعا می‌کنند که این سیستم‌ها روزی می‌توانند با قابلیت هوش مصنوعی و حتی توان محاسبات کوانتومی رقابت کنند.
پژوهشگران دیگری که با نورون‌های انسانی کار می‌کنند، نسبت به آنچه ممکن است حاصل شود تردید بیشتری دارند. آن‌ها هشدار می‌دهند که هیاهو و جذابیت داستانی این ایده که گاهی با عنوان «مغز در شیشه» از آن یاد می‌شود حتی می‌تواند نتیجه‌ی معکوس داشته باشد. اگر این تصور شکل بگیرد که این سیستم‌ها دارای «هوشیاری» یا «آگاهی» هستند، می‌تواند پیامدهایی برای جامعه‌ی پژوهشی داشته باشد.
مدلین لنکستر، زیست‌شناس تکوینی در دانشگاه کمبریج بریتانیا، که از بافت‌های عصبی برای مطالعه‌ی رشد و بیماری استفاده می‌کند اما در پروژه‌های زیست‌محاسباتی شرکت ندارد، می‌گوید: من نگرانم که اگر این نوع کار بیش از حد مورد توجه قرار گیرد و اغراق شود، واکنش‌ها دیگر فقط این نباشد که باید کمی محتاط‌تر در مورد این کار فکر کنیم، بلکه بشود: باید کل این نوع کار را متوقف کنیم.
او ادامه می‌دهد: این می‌تواند منجر به مقرراتی شود که تمام کارها را متوقف کند حتی آن بخش از این حوزه که واقعا در تلاش است تا به مردم کمک کند.
خاموش کردن نیرو
دانشمندان علوم رایانه مدت‌هاست که مجذوب بازدهی انرژی خارق‌العاده‌ی مغز انسان هستند. مغز با مصرف کمتر از 20 وات، تقریبا به اندازه‌ی انرژی لازم برای چرخاندن یک پنکه‌ی رومیزی کوچک، می‌تواند میلیاردها نورون خود را به کار گیرد تا معادل یک میلیارد میلیارد عملیات ریاضی در هر ثانیه انجام دهند. بهترین ابررایانه‌های امروزی می‌توانند به چنین سرعتی برسند، اما در عوض یک میلیون برابر انرژی بیشتر مصرف می‌کنند.
برخی پژوهشگران سعی دارند ساختار فوق‌العاده کارآمد مغز را با استفاده از تراشه‌های سیلیکونی بازسازی کنند. این رویکرد که به‌طور کلی محاسبات نورومورفیک (neuromorphic computing) نام دارد، از چگونگی اتصال و شلیک نورون‌ها برای ارتباط الهام می‌گیرد. به‌ویژه، برخی از این سیستم‌ها تلاش می‌کنند تقلید کنند که چگونه نورون‌ها باید تا رسیدن به آستانه‌ای شارژ شوند و سپس یک پالس الکتریکی ارسال کنند. اما زیست‌محاسبات به سراغ خودِ ماده‌ی زیستی می‌رود. پژوهشگران با استفاده از سلول‌های بنیادی پرتوان القایی (iPS cells) که می‌توانند دوباره برنامه‌ریزی شوند تا به تقریبا هر نوع سلولی تبدیل شوند جوامعی از سلول‌های مغزی را کشت می‌دهند و با مواد مغذی و فاکتورهای رشد از آن‌ها نگهداری می‌کنند.
برای ارتباط با این سلول‌ها، پژوهشگران آن‌ها را روی آرایه‌هایی از الکترودها قرار می‌دهند، سپس سیگنال‌ها و فرمان‌ها را به شکل توالی‌هایی از پالس‌های الکتریکی به آن‌ها می‌فرستند. این سیگنال‌ها نحوه‌ی ورود و خروج یون‌ها از نورون‌ها را تغییر می‌دهند و ممکن است باعث شوند برخی سلول‌ها پالس الکتریکی موسوم به پتانسیل عمل (action potential) شلیک کنند. الکترودهای زیست‌رایانه می‌توانند این سیگنال‌ها را شناسایی کرده و با استفاده از الگوریتم‌ها آن‌ها را به اطلاعات قابل استفاده تبدیل کنند.
رایج‌ترین روش زیست‌محاسبات، نورون‌ها را به صورت خوشه‌های سه‌بعدی به نام ارگانوئید (organoid) کشت می‌دهد. ترکیب این جوامع سلول‌های مغزی بسته به نحوه‌ی تمایز سلول‌های بنیادی پرتوان القایی متفاوت است، اما معمولا شامل نورون‌ها و سلول‌های پشتیبان آن‌ها مانند آستروسیت‌ها و الیگودندروسیت‌ها می‌شود.
در ماه اوت، وارد-چریر و همکارانش گزارش دادند که از ارگانوئیدهای مغز انسان با حدود 10 هزار نورون برای «تشخیص» حروف بریل استفاده کرده‌اند.
آن‌ها ابتدا از یک ربات مجهز به حسگر لمسی برای خواندن حروف استفاده کردند، سپس داده‌های جمع‌آوری‌شده برای هر حرف را به الگوهای متمایز از پالس‌های الکتریکی با تغییر در زمان‌بندی و شدت تبدیل کردند و آن‌ها را از طریق مجموعه‌ای از هشت الکترود که در نزدیکی سطح ارگانوئید قرار داشتند، عبور دادند. این الکترودها فعالیت جمعی بسیاری از نورون‌های نزدیک را ثبت کردند.
پژوهشگران می‌خواستند بدانند آیا الگوهای شلیک نورون‌ها در ارگانوئید بسته به الگوی تحریک ورودی متفاوت‌اند و آیا این پاسخ‌ها قابل تکرار هستند یا خیر. برای هر حرف، آن‌ها پاسخ ثبت‌شده از هر الکترود را جمع‌آوری کرده، میانگین گرفتند تا خروجی کلی ارگانوئید را به‌دست آورند، و سپس از یادگیری ماشینی برای شناسایی هرگونه الگو استفاده کردند. نتایج نشان داد وقتی ارگانوئیدها با پالس‌های الکتریکی مرتبط با حروف خاص تحریک می‌شوند، یک ارگانوئید منفرد در میانگین 61 درصد موارد همان پاسخ مشخص را تولید می‌کند. وقتی پاسخ‌های سه ارگانوئید با هم ترکیب شد، این میزان به 83 درصد رسید. به عبارت دیگر، ارگانوئیدها توانستند یک وظیفه‌ی پردازشی ساده را انجام دهند: تمایز و شناسایی ورودی‌ها.
وارد-چریر می‌گوید: این یک اثبات مفهومی محکم است. این فقط شروعی است برای نشان دادن اینکه می‌توانیم این نوع وظایف را انجام دهیم. گام بعدی انجام کاری کمی پیچیده‌تر است که می‌تواند شامل تفسیر پیام‌های سلول‌های کشت‌شده به‌عنوان دستوراتی برای ربات باشد.
چنین توانایی‌هایی چیزی است که پژوهشگران آن را سیستم‌های حلقه‌بسته (closed-loop systems) می‌نامند، که هنوز با ارگانوئیدهای انسانی نشان داده نشده‌اند اگرچه در سال 2024 مطالعه‌ای گزارش داد که سیستمی از ارگانوئیدهای نورونی موش توانست بازی رایانه‌ای انجام دهد، که هدف آن حفظ تعادل میله‌ای لرزان بر روی یک واگن متحرک است.
از آنجا که ورودی‌ها و خروجی‌ها در سیستم‌های کشت‌شده، سیگنال‌های الکتریکی ساده هستند، ارائه‌ی دسترسی از راه دور از طریق وب آسان است. بنابراین، حتی اگر ربات خواننده‌ی بریل در آزمایشگاه وارد-چریر در بریستول قرار دارد، ارگانوئیدها در شرکت فاینال اسپارک FinalSpark) در سوئیس رشد داده و نگهداری می‌شوند.
فرد جوردن، یکی از بنیان‌گذاران فاینال اسپارک و علاقه‌مند به داستان‌های علمی-تخیلی، می‌گوید هدفش توسعه‌ی سیستم‌هایی از نورون‌های زیستی است که بتوانند «کارهایی مشابه با آنچه امروز با هوش مصنوعی انجام می‌شود» انجام دهند.
او اعتراف می‌کند که هنوز راه درازی در پیش است. به‌عنوان رایانه، سیستم‌های ارگانوئیدی در حال حاضر از دیدگاه عملی کاملا بی‌فایده‌اند. بین رؤیاپردازی درباره‌ی چیزی و انجام واقعی آن تفاوت بسیار بزرگی وجود دارد. و من دوست دارم یکی از کسانی باشم که این گام را برمی‌دارند. گروه‌های دانشگاهی منتخب، مانند گروه وارد-چریر، دسترسی رایگان به ارگانوئیدهای فاینال اسپارک دارند و بسیاری از گروه‌ها برای این کار ثبت‌نام کرده‌اند.
به عنوان مثال، گروهی در دانشگاه میشیگان در حال آزمایش انواع مختلف تحریک است تا ببیند ارگانوئیدها چگونه رفتار می‌کنند، و پژوهشگرانی در دانشگاه آزاد برلین بر روی این تمرکز دارند که ابزارهای یادگیری ماشینی چگونه می‌توانند بهترین اطلاعات را از الگوهای شلیک عصبی استخراج کنند.
برای مشتریان ثروتمندتر، از جمله شرکت‌های خصوصی، هزینه‌ی ماهانه‌ی 5000 دلار آمریکا می‌تواند دسترسی آنلاین انحصاری به یک سیستم ارگانوئید را تضمین کند و بسیاری از آن استفاده می‌کنند. برخلاف کار رایگان گروه‌های دانشگاهی، فاینال اسپارک نمی‌داند مشتریان پرداخت‌کننده حق اشتراک از ارگانوئیدها برای چه کاری استفاده‌ای می‌کنند.
میدان آموزش
برای بسیاری از کاربرانی که از ارگانوئیدهای مغزی (organoids) برای اجرای وظایف پیچیده‌تر استفاده می‌کنند، یکی از اهداف فوری این است که راه‌هایی برای آموزش دادن به نورون‌ها پیدا کنند و در نتیجه رفتارهای هدفمند را در آن‌ها تشویق کنند.
در حال حاضر، پاسخ‌هایی که از ارگانوئیدهای پرورش‌یافته در آزمایشگاه فاینال اسپارک مشاهده می‌شود، بیشتر به واکنش‌های انعکاسی دستگاه عصبی محیطی شباهت دارد مثل زمانی که پای شخصی در پاسخ به ضربه‌ای زیر زانو ناگهان لگد می‌زند تا به فرایندهای انعطاف‌پذیر و شکل‌پذیری که تصمیم‌گیری در مغز را هدایت می‌کنند.
برای اینکه این سامانه‌های عصبی بتوانند با پیچیدگی بیشتری کار کنند، باید قابلیت یادگیری پیدا کنند. یکی از روش‌های تشویق این موضوع، همان‌طور که جردن می‌گوید، این است که انتقال‌دهنده‌های عصبی مانند دوپامین به ارگانوئیدها داده شود تا پاسخ‌های آن‌ها به محرک‌های خاص «تنظیم» شود. دوپامین باعث می‌شود نورون‌ها احتمال بیشتری برای فعال شدن داشته باشند و سیناپس‌هایی را که آن‌ها را به هم متصل می‌کنند، تقویت می‌کند. دو تغییری که احتمال تکرار همان پاسخ عصبی به یک محرک خاص را در آینده افزایش می‌دهد.
روش دیگر، تکنیکی به نام تحریک آموزشی الگویی (pattern training stimulation) است، که در سال 2022 توسط پژوهشگرانی در شرکت Cortical Labs (مستقر در ملبورن، استرالیا) برای تشویق سلول‌های مغزی پرورش‌یافته در آزمایشگاه به بازی کردن با بازی رایانه‌ای دهه‌ی 1970 به نام پونگ Pong به کار گرفته شد.
به‌جای کار کردن با ارگانوئیدها، آن‌ها ترجیح دادند شبکه‌هایی از سلول‌ها را درون ظروف آزمایشگاهی ایجاد کنند. سپس پژوهشگران آن سلول‌ها را به یک رایانه متصل کردند که به‌گونه‌ای برنامه‌ریزی شده بود تا پاسخ نورون‌ها به تحریک، حرکت یک پاروی مجازی را کنترل کند، در حالی که توپ مجازی به اطراف صفحه برخورد می‌کرد.
برای هدایت پارو به سمت توپ، پژوهشگران به نورون‌ها در صورتی که در ابتدا به طور تصادفی درست عمل می‌کردند، یک انفجار منظم از فعالیت الکتریکی می‌دادند. اما اگر نورون‌ها پارو را در جهت اشتباه حرکت می‌دادند، با نویز سفید و آشوبناک بمباران می‌شدند. با گذشت زمان، نورون‌ها یاد گرفتند که توپ را طوری بزنند که پاسخ الکتریکی منظم (الگودار) دریافت کنند نه پاسخ تصادفی.
استراتژی به‌کاررفته از این مشاهده الهام گرفته است که سلول‌های مغزی تمایل دارند فعالیتی را تکرار کنند که نتیجه‌ای قابل‌پیش‌بینی به همراه دارد. انتقال سلول‌ها به وضعیتی که در آن یاد بگیرند کدام الگوهای فعالیت با نتایج مطلوب‌تر مرتبط است، می‌تواند نخستین گام برای ایجاد رفتار هدفمند باشد.
مجموعه‌ای از پژوهشگران در Cortical Labs و دیگر مؤسسات اکنون می‌کوشند تا دریابند که آیا چنین سلول‌های پرورش‌یافته‌ای می‌توانند اشکال ابتدایی شناخت مانند یادگیری، حافظه و پیش‌بینی را نشان دهند یا خیر.
به گفته‌ی برِت کَگان (Brett Kagan)، مدیر ارشد علمی Cortical Labs: اگر بتوانیم حتی یک نمونه‌ی کوچک از یادگیری انطباقی را در چنین سامانه‌هایی به نمایش بگذاریم، آن‌وقت می‌توان گفت که آن‌ها یک نوع هوش زیستی پایه دارند
اما همین ایده‌ها است که پای بحث‌های اخلاقی را نیز به میان می‌کشد. در حال حاضر، این شبکه‌های سلولی بسیار ابتدایی‌تر از آن‌اند که بتوان آن‌ها را «آگاه» یا «دارای احساس» دانست اما همان‌طور که پیچیدگی آن‌ها افزایش می‌یابد و شروع به نشان دادن رفتارهای یادگیرنده می‌کنند، پرسش‌های دشواری درباره‌ی حدود آگاهی زیستی و مسئولیت اخلاقی پژوهشگران مطرح می‌شود.
کاترین مَیلز (Catherine Mills)، استاد اخلاق زیستی در دانشگاه موناش (Monash University) در ملبورن، می‌گوید: اگر ما به سیستم‌هایی دست یابیم که حتی به‌صورت ابتدایی نوعی پردازش شبیه تجربه‌ی ذهنی داشته باشند، باید بپرسیم چه نوع حقوق یا ملاحظات اخلاقی در قبال آن‌ها داریم. او می‌افزاید: پرسش این نیست که آیا یک ارگانوئید مغزی می‌تواند دقیقا مثل انسان آگاه باشد، بلکه این است که آیا ممکن است سطوحی از احساس یا تجربه در آن وجود داشته باشد که مستلزم رفتار اخلاقی متفاوتی باشد یا خیر.
برخی از پژوهشگران در پاسخ می‌گویند این سناریوها در حال حاضر هنوز بسیار دور از دسترس‌اند. جردن از فاینال اسپارک می‌گوید: در این مرحله، ما با مجموعه‌هایی از نورون‌ها سروکار داریم که هیچ ساختار سازمان‌یافته‌ای شبیه قشر مغز ندارند. آن‌ها نمی‌توانند چیزی را حس کنند، ببینند یا تجربه کنند. او با این حال تصدیق می‌کند که با پیشرفت فناوری، شاید لازم شود چارچوب‌های نظارتی تازه‌ای تعریف کنیم که پیش از دستیابی به آگاهی واقعی، مرزها را مشخص کنند.
در حال حاضر، بیشتر تمرکز روی درک چگونگی عملکرد پایه‌ی این سیستم‌هاست. هرچه بیشتر از مغز یاد بگیریم و آن را در مقیاس آزمایشگاهی بازسازی کنیم، بهتر خواهیم توانست هم عملکرد خود مغز انسان را بفهمیم و هم از اصول آن برای ساختن سامانه‌های هوش مصنوعی بهره ببریم. در نهایت، هدف این نیست که یک مغز انسان دیگر در ظرف آزمایشگاه بسازیم، بلکه می‌خواهیم از زیست‌شناسی یاد بگیریم که هوشمندی چگونه از ماده پدید می‌آید.