I ett laboratorium kopplas levande mänskliga hjärnceller till chip, varefter de lär sig spela ett klassiskt skjutspel. Och det går häpnadsväckande snabbt.
På bara några dagar lär sig odlade mänskliga neuroner att navigera genom Dooms korridorer, känna igen fiender och överleva. Två europeiska laboratorier demonstrerar hur dessa biologiska datorer fungerar – och vad det kan betyda för framtidens artificiella intelligens och medicinska behandlingar.
Varför Doom dyker upp i varje futuristiskt labb
Doom, den ikoniska förstapersonsskjutaren från 1993, har i åratal fungerat som ett slags lackmustest för märklig och gränsöverskridande hårdvara. Ingenjörer har fått spelet att köra på miniräknare, gamla skrivare, medicinsk utrustning och till och med jordbruksmaskiner. Den som får Doom att fungera på nya eller främmande system bevisar att systemet klarar komplexa beräkningar och snabb in- och utmatning.
Nu har ett nästan science fiction-aktigt kapitel lagts till den listan: biologiska datorer bestående av levande hjärnceller. Den australiska startupen Cortical Labs och det schweiziska företaget FinalSpark låter mänskliga neuroner spela Doom – utan fördefinierade regler eller klassisk mjukvaruträning.
Genom att använda Doom som testscenario visar forskarna att levande neuroner självständigt kan lära sig strategier enbart baserat på feedback från spelet.
Spelet är anmärkningsvärt väl lämpat för ändamålet. Doom kräver nämligen:
- snabb orientering i en okänd 3D-miljö
- igenkänning av rörliga fiender
- reaktion på fara från flera håll
- planering av rutter för att överleva
Det är precis de uppgifter som biologiska neurala nätverk är starka på: att kombinera råa signaler, lära av misstag och snabbt bilda nya mönster.
200 000 neuroner på ett chip: så spelar en bioprocessor Doom
Cortical Labs system, kallat CL1, består av cirka 200 000 mänskliga neuroner odlade från stamceller. Cellerna sitter på ett chip med omkring 22 000 mikroelektroder. Dessa elektroder läser av cellernas elektriska aktivitet och skickar samtidigt signaler tillbaka.
Från pixlar till nervimpuls
Rörelser och fiender i Doom omvandlas till elektriska mönster. Dessa mönster skickas in i neuronkulturen på specifika platser – som om delar av ett virtuellt öga vidarebefordrar signaler till en minihjärna. Neuronerna reagerar med egna elektriska impulser, och chippet översätter dem till spelkommandon: vänster, höger, framåt, skjut.
Kärnan är återkopplingsslingan. Varje gång cellerna visar beteende som förlänger överlevnadstiden i spelet får de en stimulering som kulturen uppfattar som en positiv impuls. Går det fel följer en mer obehaglig eller kaotisk stimulering.
Neuronerna programmeras inte – de lär sig, precis som en hjärna, via belöning och besvikelse vilka mönster som är användbara.
Efter cirka fem dagar kunde neuronkulturen röra sig målmedvetet genom korridorer, undvika hinder och skjuta mer precist. Inte felfritt, men klart bättre än slumpmässigt beteende – och reproducerbart nog för att kunna mätas.
FinalSpark: minihjärnor som utvecklar egna spelstilar
FinalSpark använder en något annorlunda approach med så kallade organoider. Det är tredimensionella klumpar av hjärnceller som efterliknar vissa strukturer från en riktig hjärna. Varje organoid innehåller cirka 10 000 sinsemellan förbundna neuroner.
När dessa minihjärnor utsattes för spelmiljöer observerade forskarna att de inom en vecka lärde sig skilja mellan säkra och farliga situationer. Mönstren i deras elektriska aktivitet förändrades beroende på vad som hände ”på skärmen” – och påminde om inlärningsprocesser man normalt ser hos försöksdjur.
En intressant detalj: olika organoider utvecklade inte exakt samma tillvägagångssätt. Medan en kultur spelade relativt försiktigt valde en annan mer riskfyllda handlingar. Det ger näring åt diskussionen om huruvida sådana system kan bilda unika och inte helt förutsägbara strategier.
En miljon gånger mer energieffektiv än en GPU
Jämförelsen med klassisk artificiell intelligens är uppenbar. Stora språkmodeller och bilderkänningssystem förbrukar enorma mängder ström och kräver datacenter med megawatt av effekt. Ett modernt grafikkort kör på hundratals watt.
Hos bioprocessorerna ser förhållandet helt annorlunda ut. CL1-systemet förbrukar mindre än ett mikrowatt per neuron. Omräknat motsvarar det cirka en miljon gånger lägre energiförbrukning än en motsvarande uppgift på ett avancerat grafikkort.
| Teknologi | Inlärningsprocess | Energiförbrukning | Flexibilitet |
|---|---|---|---|
| GPU + klassisk AI | Fördefinierade algoritmer, miljoner träningsrundor | Hög, datacenter med megawatt | Bra för mycket specifika uppgifter |
| Bioprocessor med neuroner | Belöning/bestraffning, spontan anpassning av förbindelser | Extremt låg, mikrowatt-skala | Naturligt stark på anpassning och generalisering |
Det gör biologiska datorer intressanta för tillämpningar där kontinuerlig inlärning är nödvändig, men energiförbrukningen inte får skena iväg – till exempel smarta sensorer, robotar eller integrerade system.
Medicinska genombrott: test av läkemedel på minihjärnor
FinalSpark fokuserar redan på farmaceutiska tillämpningar. Neuronkulturer och organoider används för att testa nya läkemedel direkt på mänskliga hjärnceller istället för på möss eller råttor.
- Forskarna ser direkt hur mänskliga neuroner reagerar på ett nytt ämne.
- Olika doser och kombinationer kan snabbt jämföras.
- Resultaten stämmer ofta bättre överens med vad som händer hos riktiga patienter.
Vid sjukdomar som Alzheimers, Parkinsons och epilepsi är potentialen enorm. Istället för årslånga djurförsök kan laboratorier snabbare gå igenom experimentella varianter och samtidigt minska användningen av försöksdjur.
Ett steg vidare är personaliserad medicin. I princip kan man odla en organoid från en patients egna celler och prova olika behandlingar på den. Den behandling som ger bäst reaktion i laboratoriet används sedan hos patienten.
En ny typ av dator, nya etiska frågor
Utöver de medicinska tillämpningarna undersöker forskare helt andra områden. Bioprocessorer kan potentiellt användas för att analysera komplexa sinnesintryck: lukter, subtila beröring, kombinationer av ljud och bild. Det är domäner som klassisk AI fortfarande har svårt med.
Det talas också om direkta förbindelser mellan den mänskliga hjärnan och organoider, så att en slags kognitiv ”copilot” kan ta över eller stödja uppgifter. Tänk avancerade neuroproteser eller hjälpmedel för människor med allvarlig hjärnskada.
Den riktningen väcker dock stora frågor. När är en minihjärna bara ett forskningsobjekt – och när uppnår den en form av känslighet som förtjänar skydd? Och hur långt får man gå med att låta mänskliga neuroner utföra uppgifter, särskilt när det finns ekonomiska intressen på spel?
Systemen är små och primitiva jämfört med riktiga hjärnor, men det faktum att de lär sig strategier i ett spel räcker för att sätta igång en etisk debatt.
Tekniska begränsningar: bräckliga, kortlivade och svåra att skala
Den som redan föreställer sig en biologisk version av ett datacenter springer långt före händelserna. Neuronkulturer och organoider är bräckliga. De lever för närvarande bara i några månader under kontrollerade laboratorieförhållanden, kräver konstant vård och är känsliga för temperatursvängningar och infektioner.
Uppskalning är dessutom komplicerat. Ett modernt chip kan innehålla miljarder transistorer, medan en organoid ”bara” rymmer tiotusentals celler. Att koppla samman stora mängder organoider till ett stabilt system är tekniskt och biologiskt extremt utmanande.
Ändå visar Doom-proof-of-concept att det finns en användbar väg: levande neuroner kan med relativt enkla återkopplingsmekanismer lära sig meningsfullt beteende i en komplex, virtuell värld.
Hur fungerar egentligen inlärning i neuroner?
I en hjärna – och därmed också i dessa bioprocessorer – handlar inlärning primärt om förändringar i förbindelserna mellan celler, de så kallade synapserna. När ett visst aktivitetsmönster leder till ”framgång” – i det här fallet att överleva längre i Doom – förstärks de involverade förbindelserna. Vid misstag försvagas delar av nätverket.
Denna process, synaptisk plasticitet, får systemet att anpassa sig utan att någon programmerar in regler. På sätt och vis påminner dessa experiment mer om träning av ett djur än om att skriva programvara. Man ger stimuli och straff och väntar tills det uppstår beteende som visar sig fungera.
Under de kommande åren kommer laboratorier sannolikt att prova mer komplexa spel och scenarion eller erbjuda flera sensoriska kanaler samtidigt – till exempel både bild och ljud. Ju fler impulser neuronerna tar emot, desto bättre kan man följa vilka former av ”intelligens” som kan växa fram ur ett biologiskt nätverk – och var gränsen går i förhållande till den mänskliga hjärnan.
