重磅!机器-类器官混合“生物计算机”诞生,成功用于语音识别,或克服AI硬件瓶颈

原文来源:学术头条

重磅!机器-类器官混合“生物计算机”诞生,成功用于语音识别,或克服AI硬件瓶颈

图片来源:由无界 AI生成

人脑,作为人类的“指挥中心”,约有 2000 亿个细胞,并通过数万亿个纳米大小的突触相互连接。

目前,以人工智能(AI)硬件为驱动的人工神经网络需要约 800 万瓦的能量,而人脑只需要约 20 瓦

通过神经可塑性和神经发生,大脑还能够以极小的训练成本有效地处理和学习嘈杂数据,从而避免高精度计算方法的高能耗需求。

受到人脑结构功能的启发,印第安纳大学伯明顿分校、佛罗里达大学、辛辛那提儿童医院医学中心以及辛辛那提大学的研究人员共同发明了一个机器-类器官混合计算系统——Brainoware

该系统包括传统计算硬件和大脑类器官,可以执行语音识别和非线性方程预测等任务。另外,该系统能够灵活地在电刺激反应中进行变化和重组,有望应对当前 AI 硬件在时间和能源消耗以及热量产生方面的挑战

相关研究论文以“Brain organoid reservoir computing for artificial intelligence”为题,已发表到 Nature 子刊 Nature Electronics 上。

重磅!机器-类器官混合“生物计算机”诞生,成功用于语音识别,或克服AI硬件瓶颈

论文作者提到,大脑类器官只是该系统的一部分,更复杂的人工神经网络尚有待演示

在一篇同时发表的“新闻与观点”文章中,约翰斯·霍普金斯大学的副教授 Lena Smirnova 和同事写道,“随着这些类器官系统的复杂性不断增加,学术界对涉及人类神经组织的生物计算系统的研究面临着诸多神经伦理问题,这变得愈发重要。虽然创造通用生物计算系统可能还需要数十年的时间,但这项研究有望为我们提供关于学习、神经发育以及神经退行性疾病等机制的基础性见解。

可进行语音识别

AI 最近取得的成功主要由人工神经网络(ANNs)的发展推动,这些网络使用硅计算芯片处理大型数据集。然而,在当前的 AI 计算硬件上训练人工神经网络是耗能、耗时的,且数据与数据处理单元是物理分离的,即存在冯·诺伊曼瓶颈

人脑的结构、功能和效率为发展 AI 硬件提供了灵感——人脑在生物神经网络(BNNs)中融合了数据存储和处理,自然地避免了冯·诺伊曼瓶颈的问题。

受 BNNs 的启发,科学家们尝试开发高效且低成本的神经形态芯片,例如使用忆阻器(memristors)。然而,当前的神经形态芯片只能部分模仿大脑功能,提高其处理能力很重要

对此,该研究介绍了一种利用人脑类器官神经网络(ONNs)的储备池计算(reservoir computation)和无监督学习能力的 AI 硬件,该硬件嵌入在类器官中。这种方法能够处理时空信息,并通过类器官的神经可塑性实现无监督学习。

重磅!机器-类器官混合“生物计算机”诞生,成功用于语音识别,或克服AI硬件瓶颈

图|Brainoware 搭载无监督学习的 AI 计算(来源:该论文)

与当前的二维体外神经元培养和神经形态芯片相比,因为类器官可以提供 BNNs 的复杂性、连接性、神经可塑性和神经发生,以及低能耗和快速学习,所以 Brainoware 可以为 AI 计算提供更多的见解。

得益于类器官较高的可塑性和适应性,Brainoware 能够灵活地在电刺激反应中进行变化和重组,凸显了其进行自适应储备计算的能力

研究证明,该方法能够显示出非线性动力学、衰退记忆和空间信息处理等物理储备属性,还可以进行语音识别非线性方程预测。此外,研究还证明了此方法能够通过重塑 ONNs 的功能连接性从训练数据中学习。

重磅!机器-类器官混合“生物计算机”诞生,成功用于语音识别,或克服AI硬件瓶颈

图|语音识别(来源:该论文)

然而,当前的 Brainoware 方法存在几个限制和挑战。

一个技术挑战是类器官的生成和维护。尽管已成功建立了各种协议,但当前的类器官仍有高度异质性、低生成效率、坏死/缺氧和各种活性等问题。此外,正确地维护和支持类器官以挖掘其计算能力是至关重要的。

虽然当前的 Brainoware 硬件耗能较低,但是需要额外的外围设备,这些设备仍相当耗电。根据电子产业的发展和系统集成,未来应有可能使用维护和接口类器官的定制系统实现耗能极低的集成。

Brainoware 中使用平坦、硬质的 MEA 电极与类器官接口,这种接口只能刺激/记录器官表面少数神经元。因此,有必要开发一些方法,以便全面地将类器官与 AI 硬件和软件接口。

另一个技术挑战是数据管理和分析。将时空信息编码并从 Brainoware 解码仍需要优化,这可以通过提高对来自多个来源和模式的数据解读、提取以及处理的效率来实现。此外,这种新型 AI 硬件可能会生成大量数据,这可能需要开发新的算法和方法进行数据分析和可视化。

应用前景广阔

上述关于 Brainoware 的研究只是科学家在类器官方向上的一次尝试。

作为研究焦点之一,类器官是指一种能在体外环境培养的具有三维结构的微器官,拥有真实器官类似的复杂结构,能够部分模拟真实器官的生理功能

2009 年,荷兰 Hubrecht 研究所的 Hans Clevers 团队成功地将成体干细胞培养成小肠隐窝和绒毛结构,标志着类器官技术的起步。

类器官在器官移植和药物筛选上颇具前景,同时,类器官为创建人类疾病的细胞模型提供了机会,可以在实验室中进行研究,以更好地了解疾病的原因并确定可能的治疗方法。类器官在这方面的力量首先被用于小头畸形的遗传形式,其中患者细胞被用来制造大脑类器官,这些类器官更小,并且在早期神经元中显示出异常。

2021 年,来自维也纳奥地利科学院的科研团队,使用人类多能干细胞成功培养出全球首个体外自组织心脏类器官模型,该模型可自发形成空腔,自主跳动,无需支架支持。同时,这种心脏类器官在受伤后可以自主动员心脏成纤维细胞迁移修复损伤。

重磅!机器-类器官混合“生物计算机”诞生,成功用于语音识别,或克服AI硬件瓶颈

图 | 跳动的心脏类器官(来源:The Mendjan Lab)

本月初,《自然-方法》杂志发表的一篇论文显示,奥地利科学院分子生物科技研究所的科学家成功开发了一个多巴胺系统的类器官模型。这一模型详细揭示了多巴胺系统的复杂功能以及其对帕金森病潜在的影响。令人振奋的是,这一类器官模型可用于改进帕金森病的细胞治疗。

几乎同一时间,在一篇发表在科学期刊 Cell Reports 的研究报告中,来自斯坦福大学医学院等机构的科学家们利用类器官的三维器官组织模型,筛选出了引起多种不同类型癌症生长的基因,并识别出了在口腔癌和食管鳞状癌中非常有希望的潜在靶点。

目前,类器官培养技术正经历技术迅速发展和科研成果大量涌现的阶段,应用前景广阔,但同时也面临着一系列重要挑战:包括如何有效利用人体胚胎的干细胞建立稳定持久的体外模型;如何更真实地模拟人体微环境;以及如何实现科研属性的产品量产,并成功将其转化为临床产品等问题。

未来,期待不断发展的类器官技术,能为医学、生物学、药物研发以及 AI 等领域带来更多的机遇和突破。

参考链接:

https://www.nature.com/articles/s41928-023-01069-w‌

https://en.wikipedia.org/wiki/Organoid#Properties‌

https://pubmed.ncbi.nlm.nih.gov/37922313/‌

https://www.nature.com/articles/s41592-023-02080-x‌

以上内容均转载自互联网,不代表AptosNews立场,不是投资建议,投资有风险,入市需谨慎,如遇侵权请联系管理员删除。

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023年12月11日 下午5:50
下一篇 2023年12月12日 上午9:44

相关文章

发表回复

登录后才能评论
微信扫一扫
tiktok
百度扫一扫
抖音扫一扫
本站没有投资建议,投资有风险,入市需谨慎。