واژه یادگیری، معمولا تداعی کننده یک فرایند کلان شناختی است که نواحی مختلفی از مغز را درگیر می کند. با این وجود، یافته های جدید نشان می دهد یادگیری را می توانیم به عنوان یک فرایند ذاتی در مجموعه ای از نورون ها نیز مشاهده کنیم. چندسلول عصبی را در یک پتری دیش آزمایشگاهی در نظر بگیرید. فکر می کنید این سلول ها توانایی انجام تکالیف هدفمند خواهند داشت؟ این نتیجه ای است که یک گروه تحقیقاتی در ملبورن استرالیا گزارش کرده اند. این گروه تحقیقاتی، ۸۰۰ هزار سلول مغزی را وادار به انجام بازی نوستالژی پونگ کرده اند!
پونگ، یکی از اولین بازی های کامپیوتری است که در سال ۱۹۷۲ منتشر شد. در این بازی ۲ بعدی، مشابه بازی تنیس، به کمک دو پدال توپی را در دو طرف صفحه به حرکت در می آوریم. کسب امتیاز در این بازی منوط به از دست دادن توپ توسط حریف است.
تیم استارتاپ آزمایشگاه های قشر مغز (Cortical Labs)، ادعا می کند سلول های مغزی کشت داده شده در یک ظرف آزمایشگاهی، هوشمندی ذاتی نشان داده و می توانند رفتار خود را در طول زمان تغییر دهند. تغییر برگشت ناپذیر رفتار به کمک تجربه، همان تعریفی است که روان شناسان برای یادگیری ارائه می کنند. با این اوصاف، می توان گفت سلول های مغزی در آزمایشگاه، بازی پونگ را یادگرفته اند! پژوهشگران این پروژه، در نظر دارند این مدل آزمایشگاهی را برای مدل سازی بیماری ها و جایگزینی با آزمایش های جانوری برای سنجش اثربخشی درمان ارتقا دهند.
استارتاپ کُرْتیکال لَبْز، یک استارتاپ بین رشته ای است که تلاش می کند علوم سخت افزاری، نرم افزاری و زیست شناسی سنتزی را با هم پیوند دهد. هدف این گروه علمی، بکارگیری هوشمندی نورون ها در یک تراشه است. برت جی کیگان (Brett J. Kagan)، مدیر ارشد علمی این مجموعه معتقد است پروژه آن ها، امکان تعامل ما با دنیای نورون های زنده را بیشتر می کند. در واقع از نگاه او، تعامل با نورون ها و القای تغییر رفتار در آن ها، مقدمه ای بر استفاده از چیپ های مجهز به هوشمندی زیستی است.
قرار دادن نورون ها بر روی آرایه های الکترودی به خودی خود کار تازه ای نیست. وجه تمایز این پروژه آن است که الگوی تحریک سلول ها به شیوه ای ساختاریافته و معنادار انجام شده است. تیم کرتیکال لبز به همراه کارل فریستون، فیلسوف و عصب شناس نظری از دانشگاه UCL، محققانی از دانشگاه موناش استرالیا، دانشگاه RMIT و موسسه پژوهش های پیشرفته کانادا در این پروژه نشان دادند نورون های آزمایشگاهی، با قرارگیری در یک محیط بازی شبیه سازی شده، یاد می گیرند و عکس العمل نشان می دهند. در مقاله منتشر شده از این تیم با عنوان In vitro neurons learn and exhibit sentience when embodied in a simulated game-world توضیح داده شده که چگونه یک لایه از نورون ها می توانند به طور هوشمندانه ای چیدمان و رفتار خود را حین قرارگیری در محیط شبیه سازی شده بازی سازمان دهی کنند.
بکارگیری قدرت محاسباتی نورون های زنده برای ساخت هوش زیستی سنتزی (synthetic biological intelligence (SBI)) پیش از این متعلق به دنیای فیلم های علمی تخیلی بود. اکنون مدیرعامل این مجموعه، هان ونگ چونگ (Hon Weng Chong)، ادعا می کند چنین فناوری در دستان بشر قرار گرفته است. پژوهشگران تاکنون تلاش بسیاری کرده اند تا با الهام از سیستم های زیستی، سخت افزارهایی با توانایی محاسباتی نورون ها طراحی کنند. با این وجود هیچ سیستم مصنوعی خارج از نورون های زیستی قادر به پشتیبانی از پیچیدگی درجه سوم (نمایش متغیرهای سطح سه) نیست. برای بازسازی شبکه ای در حد شبکه های نورونی زیستی، ما به این سطح از پیچیدگی نیازمند خواهیم بود. از طرف دیگر، تلاش انسان برای نقشه برداری از محاسبات عصبی درون بدن موجود زنده، گرچه پیشرفت قابل توجهی داشته اما هنوز با چالش های فنی متعددی مواجه است.
کیگان توضیح می دهد:«از کرم های ساده و مگس های سرکه گرفته تا انسان ها با سیستم عصبی چنین پیچیده، نورون، سنگ بنای هوشمندی تمام این موجودات محسوب می شود. غالب مدل هایی که تا امروز از کارکرد مغز ارائه کرده ایم برمبنای درکی است که از عملکرد رایانه ها داریم. اما ما در واقع نمی دانیم مغز چگونه کار می کند! هدف این پروژه این است که به جای تلاش برای درک سازوکار، این سیستم بیولوژیک را به خدمت خود درآوریم. ما هوشمندی ذاتی نورون ها را در یک محیط ساختاریافته مهار کرده ایم.»
برای انجام این کار سلول های مغز جنین موش و سلول های مغز انسان (محصول تمایز سلول های بنیادی) روی آرایه های میکروالکترودی پرورش داده شده اند. این آرایه ها هم قادر به تحریک و هم قادر به ثبت فعالیت نورون ها هستند. طبق توضیح محققان این پروژه، نورون ها از طریق تحریک الکتروفیزیولوژی در دنیای شبیه سازی شده یک بازی جاسازی می شوند و به این ترتیب برای ادامه فعالیتشان از روند بازی پونگ تقلید می کنند.
نورون ها به گونه ای به رایانه متصل شده اند تا بازخوردی نسبت به برخورد یا عدم برخورد توپ به پدال دریافت کنند. الکترودهایی در سمت چپ و راست آرایه شلیک می شوند تا برای سلول مشخص شود که توپ در کدام سمت قرار دارد. فاصله توپ از پدال به کمک فرکانس سیگنال کدگذاری می شود. دریافت بازخوردهای متعدد از الکترودها، به مرور به سلول های عصبی آموزش می دهد که چگونه می توانند توپ را برگردانند. با این کار سلول ها به شیوه ای عمل می کنند که گویی خودشان در حال استفاده از پدال هستند.
هرچه نورون ها بیشتر کنترل پدال را به دست بگیرند؛ اسپایک های ثبت شده قوی تر خواهد شد. مبتکران این پروژه به نحوی برنامه ریزی کرده اند که نورون ها به ازای از دست دادن هر توپ بازخورد منفی دریافت کنند. در واقع نرم افزاری که این تیم طراحی کرده؛ عملکرد نامناسب نورون را مورد نقد قرار می دهد. به کمک همین بازخوردها، نورون ها فعالیت خود را تنظیم کرده و با محیط در حال تغییر، سازگاری پیدا می کنند. به عبارت دیگر، نورون ها در محیط از خود رفتار هدفمند نشان می دهند. این مجموعه، توانسته است در ابعاد کوچک، فرایند یادگیری را به صورت کاملا تجسمی پیاده سازی کند. مدل بدست آمده شرایطی را فراهم می کند تا بسیار دقیق تر از قبل، و متفاوت با دقت مدل های کامپیوتری موجود، فرایند یادگیری را مورد بررسی قرار دهیم.
کیگان عملکرد مدل را اینگونه شرح می دهد:« زمانی که یک محرک پیش بینی نشده به سلول ها اعمال می شود، کل سیستم سازماندهی اش را تغییر می دهد تا بتواند بازی بهتری ارائه دهد و پاسخ های تصادفی را به حداقل برساند. ما هرگز قبلا نتوانسته بودبم ببینیم که سلول ها چگونه در یک محیط مجازی عمل می کنند. اکنون موفق شده ایم محیط بسته ای طراحی کنیم و رفتار سلول را در این حلقه مورد مطالعه و بررسی قرار دهیم. ما بازی پونگ را به دلیل سادگی آن انتخاب کردیم. پونگ یکی از اولین بازی هایی است که در یادگیری ماشین استفاده شد. البته بازی های دیگری نیز در برنامه ما وجود دارد. بازی گوگل کروم برای سرگرم کردن مخاطب حین قطعی اینترنت را به خاطر دارید؟ پروژه بعدی ما معطوف به همین بازی است و خوشبختانه نتایج اولیه خوبی نیز دیده ایم.»
بنای این پژوهش بر پایه ی اصل انرژی آزاد پروفسور فریستون توسعه یافته است. پروفسور کارل فریستون، اصل انرژی آزاد را به عنوان چهارچوب نظری برای توضیح یادگیری یک شبکه عصبی زیستی به کارگرفته است. آنطور که کیگان می گوید:« هدایت رفتار سلول در یک مسیر خاص برای ما چالش بود. از آنجایی که فعالیت ما روی گروه محدودی از نورون ها متمرکز است، برای القای رفتار به سیستم های دوپامین یا مواردی از این دست، دسترسی مستقیم نداشتیم. پس راه حل را در سطوح عمیق تری جستجو کردیم: انتروپی اطلاعات. تئوری که با دیدگاه فیزیکی توضیح می دهد یک سیستم چگونه خودش را برای تعامل با محیط بازسازماندهی می کند. طبق این تئوری، سلول ها به شیوه ای عمل می کنند که پیش بینی ناپذیری محیط را به حداقل برسانند.» او ادامه می دهد ساختن یک مدل زنده از مغز، می تواند جایگزین مناسبی برای مدل های مشابه محاسباتی ناقص باشد.
در تکمیل صحبت های کیگان، فریستون اضافه می کند:« نکته قابل توجه در این پروژه مجهز کردن نورون به حس و بازخورد است. به نورون ها امکانی عرضه شده تا بر دنیای خود اعمال اثر کنند. سلول های کشت داده شده یاد می گیرند چگونه دنیای خود را قابل پیش بینی کنند. مجموعه نورون ها در این پژوهش خودسازمان دهی را به نمایش می گذارند. این یافته حائز اهمیت است زیرا این سازه های کوچک، حیوان های خانگی حساس به پاداش و مجازات نیستند. یادگیری در آن ها با تعاریف مبتنی بر شرطی شدن های ساده اتفاق نمی افتد. اگر بخواهم با رویکرد کاربردی توضیح دهم؛ با چنین رویکردی دیگر نگران تولید یک دوقلوی دیجیتال برای آرمایش اثر درمانی مداخلات نخواهیم بود. اکنون مدلی در دست داریم که میتواند با محاسباتی دقیقا مشابه محاسبات موجود در مغز من و شما، اثر ریسک فاکتورهای ژنتیکی، داروها و فاکتورهای دیگر را برایمان نمایان کند.»
یکی از آزمایش های جالبی که این تیم در نظر دارد روی مدلش پیاده کند؛ بررسی تاثیر الکل است. به گفته مدیر ارشد علمی گروه، آن ها قصد دارند تا به کمک منحنی دوز-پاسخ، واکنش مدل به اتانول را بسنجند. کیگان می گوید:« قصد داریم مدل را مست کنیم و ببینیم آیا بازی اش ضعیف تر از قبل خواهد شد؟»
هدف اول اینکه این مدل را به مدل مناسبی برای سنجش اثرات شناختی داروها تبدیل کند. اجرای تست های شناختی برای بررسی اثر مواد مختلف با محدودیت های زیادی همراه است. چنین مدلی امکان اجرای این تست ها و سنجش آن ها در مدل زیستی واقعی را تسهیل می کند. هدف دوم، در اختیار گرفتن هوشمندی است که سال ها در دنیای زیستی تکامل یافته است. این تسلط به ما امکان می دهد تا موجوداتی با هوشی سیال و منعطف، مشابه هوش موجودات زنده، با مصرف انرژی کم اما بازدهی بالا، بازطراحی کنیم.