Команда исследователей из Австралии во главе со специалистами из Cortical Labs (https://corticallabs.com/) обучила биологическую нейронную сеть, выращенную из культуры нейронов в лабораторной чашке Петри, игре в PONG. (PONG — одна из первых и самых простых компьютерных игр (симулятор настольного тенниса), в которой виртуальной «ракеткой» нужно отбивать виртуальный «мяч»).

Свой проект они назвали «Dish brain». В качестве источника нейронов в разных повторностях эксперимента были использованы как нейроны, выделенные из коры мозга эмбриона мыши, так и нейроны, полученные из индуцированных плюрипотентных клеток человека (hiPSC). В итоге был выращен небольшой «комочек» из нейронов - «органоид», размером примерно с рисовое зёрнышко, включающий в себя около 800 000 нейронов.

Данный «органоид» (или BNN от Biological Neuronal Network) был выращен на подложке с матрицей микроэлектродов (HD-MEA от High-Density Multi-Electrode Array), через которые осуществлялось взаимодействие с ним (массив микроэлектродов мог как считывать активность клеток, так и осуществлять их электростимуляцию). Так часть BNN на подложке с матрицей выглядит под сканирующим электронным микроскопом:

Структуру массива микроэлектродов разделили на две части: сенсорную и эффекторную. На сенсорную часть подавались координаты «мяча», с эффекторной части считывались сигналы, которые преобразовывались в положение «ракетки». Обучение происходило следующим образом: за каждую успешную попытку нейросеть получала положительное подкрепление («поощрение») в виде упорядоченного паттерна электрических импульсов (аналог сигналов, широко распространённых в нервных системах живых организмов). За пропуск следовало негативное подкрепление в виде серии неупорядоченного шумоподобного сигнала. Для обучения игре живой нейросети понадобилось всего 5 минут, тогда как «обычному» компьютерному ИИ по данным специалистов из Cortical Labs для обучения требуеся 90 минут. Схема эксперимента приведена на иллюстрации:

Рисунок 1. Схема системы DishBrain и экспериментального протокола. Верхний ряд: получение культур нейронов из hiPSC с помощью протокола DSI и дифференцировки, направленной лентивирусом NGN2; или из первичных кортикальных клеток эмбрионов мышей E15.5. Высев полученных клеток на чипы HD-MEA и внедрение их в имитацию игрового мира «Pong» с помощью системы DishBrain.
Нижний ряд: различные версии DishBrain были созданы путем изменения паттернов сенсорной информации (желтые стрелки), обратной связи (цветные стрелки) или отсутствия стимулов (красные кресты) для демонстрации системы обучения с разными параметрами:
1) версия с обратной связью с низкой задержкой и замкнутым контуром (стимуляция (STIM) — собственно основная версия,
2) версия с «тихой» обработкой (SIL), в которой вместо активных стимулов использовались паузы в сенсорной информации,
3) версия без обратной связи (NF) для демонстрации конфигурации обратной связи с разомкнутым контуром,
4) конфигурация покоя (RST) для демонстрации системы, в которой сенсорная информация отсутствует.
Интерактивный визуализатор активности и игрового процесса доступен по ссылке: https://bit.ly/3DSi4Eg.

Такой способ обучения был выбран, исходя из его соответствия принципу свободной энергии Фристона (Friston, K. (2010). The free-energy principle: a unified brain theory? Nat. Rev. Neurosci. 11, 127–138. https://doi.org/10.1038/nrn2787.), в котором постулируется, что живые системы (включая мозг) действуют для минимизации своей «свободной энергии» — меры неопределенности или неожиданности в сенсорных данных. Согласно данному принципу, это достигается за счет генерации внутренних моделей реальности для предсказания и минимизации расхождений между этими предсказаниями и реальными ощущениями. Успех реализации выбранного принципа обучения в данном эксперименте свидетельствует о том, что данный теоретический принцип экспериментально подтверждается в действительности, и что с помощью данной работы авторы не без успеха попытались изучить самые базовые основы интеллекта.

Данная работа также впечатляет высоким уровнем технологичности и междисциплинарности. В данной междисциплинарной сфере пересекаются биология, генетическая инженерия, компьютерные науки, и такие инженерные области как электроника, микрофлюидика, обработка и формирование аналоговых сигналов.

Исследователи надеются, что подобные технологии помогут в ближайшем будущем в создании нового гибридного вида ИИ, сочетающего в себе как уже ставшие привычными процессоры и компоненты на основе кремния, так и живые компоненты на основе биологических нейронов. Данное направление сейчас активно развивается, и существуют работы, в которых уже тестируется гибридный ИИ (например исследователи из Indiana University относительно недавно выпустили работу в журнале Natural Electronics "Brain organoid reservoir computing for artificial intelligence"
Authors: Feng Guo, Hongwei Cai, Ziyuan Zhao, et al.
Journal: Nature Electronics, volume 6, pages 1032–1039 (2023)
DOI: https://doi.org/10.1038/s41928-023-01069-w, в которой органоид из нейронов, подобный рассмотренному в данном очерке, использовался в системе гибридного ИИ в качестве одного из промежуточных слоёв для обработки информации). Подобного рода исследования находятся только в самом начале своего развития и открывают довольно большие перспективы, и в научном сообществе ведутся активные дискуссии о границах применимости систем на основе живых нейронов, включая обсуждение философского, морально-этического и правового аспектов.

Новость подготовил
© Прошаков Прохор Алексеевич, старший лаборант, лаборатория эволюционной генетики развития
и лаборатория функциональной геномики ИБР РАН
24.12.2025