La empresa australiana de biotecnología Cortical Labs publicó recientemente un vídeo en el que 200.000 neuronas humanas vivas cultivadas en un chip de silicio jugaban al shooter en primera persona Doom de 1993. El personaje principal controlado por neuronas deambulaba por pasillos, se encontraba con enemigos y disparaba armas, con torpeza, y moría con frecuencia. Pero las neuronas seguían jugando de todos modos.
La manifestación podría marcar un verdadero punto de inflexión. Las neuronas parecían exhibir lo que el director científico de Cortical Labs, Brett Kagan, llama “aprendizaje adaptativo, en tiempo real y dirigido a objetivos”. Lo que está en juego va mucho más allá de los juegos, en parte porque el apetito de la IA por la electricidad ha ido creciendo rápidamente. Aunque es poco probable que las neuronas reemplacen a los microchips, pueden realizar algunos cálculos de manera mucho más eficiente, y estudiarlas podría ofrecer nuevos enfoques para la informática y, tal vez, para probar fármacos neurológicos.
Para ser claros, las células neuronales de Cortical Labs no se extraen del cerebro. “Básicamente, se puede tomar un poco de sangre o piel”, explica Kagan, “aislar ciertos tipos de células, convertirlas en células madre y luego, a partir de esas células madre, generar un suministro indefinido de células neuronales”. Cada una de sus unidades informáticas puede albergar alrededor de 800.000 neuronas en un sistema autónomo de soporte vital que puede mantenerlas con vida hasta por seis meses. La interfaz se basa en la electricidad, “el lenguaje compartido entre la biología y el silicio”, como él dice. Cuando las células cerebrales están activas, generan pequeños impulsos eléctricos y el sistema puede devolverles pequeños impulsos.
Sobre el apoyo al periodismo científico
Si está disfrutando de este artículo, considere apoyar nuestro periodismo galardonado suscribiéndose. Al comprar una suscripción, ayudas a garantizar el futuro de historias impactantes sobre los descubrimientos y las ideas que dan forma a nuestro mundo actual.
Pero el cableado es la parte fácil. La parte difícil es colocar células en un plato para que hagan algo con un propósito. “La tentación es antropomorfizar y decir, oh, les gusta [playing Doom]”, dice Kagan. “Pero esto no es un animal ni un ser humano ni nada tan complejo como un insecto. Es un sistema. Es como decir: ‘¿A una computadora le gusta o no le gusta la función de recompensa en una computadora? [reinforcement-learning] ¿modelo?'”
La solución para motivar a las neuronas se basó en el principio de la energía libre, desarrollado por el neurocientífico Karl Friston del University College de Londres. El principio sostiene que los sistemas neuronales están impulsados a predecir su entorno. “Si tomo una lata de bebida vacía y predigo con éxito los resultados de mis acciones, ese es un mundo en el que puedo vivir”, dice Kagan. “Pero si lo alcanzo y a veces se convierte en un pollo y otras veces en un fuego artificial, sería imposible vivir en ese mundo”.
Para entrenar las neuronas, el equipo construyó un circuito de retroalimentación simple. Los movimientos equivocados producían señales aleatorias e impredecibles: ruido blanco. Los movimientos correctos produjeron otros estructurados y predecibles. “Cualquier señal que las células no puedan predecir es algo que las células tendrían que aprender a evitar”, dice Kagan, “porque esa sería la única manera de crear previsibilidad en este entorno”. En efecto, el caos era un castigo y el orden una recompensa.
En octubre de 2022, Cortical Labs publicó un estudio de prueba de concepto en la revista Neuron. Kagan y sus colegas demostraron que en cuestión de minutos, las neuronas de los microchips podían aprender a jugar Pong, el clásico videojuego en el que un jugador intercepta repetidamente una pelota; piense en un ping-pong bidimensional. Pero Pong sólo implica un cuadrado que rebota y una línea en movimiento. Doom tiene corredores, enemigos, navegación tridimensional y muchas cosas que intentan matarte.
Para dar ese salto, Cortical Labs organizó un hackathon con la Universidad de Stanford. El investigador independiente Sean Cole emparejó las neuronas con un algoritmo de aprendizaje estándar. El sistema híbrido superó al algoritmo que se ejecutó por sí solo, lo que sugiere que las células biológicas estaban contribuyendo al proceso de aprendizaje.
Cortical Labs enmarca sus ambiciones en torno a dos vías. El primero es médico: “entre el 93 y el 99 por ciento de los ensayos clínicos, dependiendo de cómo se mire, en el espacio neuropsiquiátrico fracasan”, dice Kagan. Muchos de esos medicamentos se prueban en neuronas en un plato, pero señala que las células cerebrales no están destinadas a permanecer en un vacío de información. “De hecho, hemos publicado y demostrado que cuando tienes células en un entorno de juego o en un entorno mundial, son fundamentalmente diferentes en cómo responden a las drogas y en cómo exhiben enfermedades”, dice.
La segunda vía es computacional. Las neuronas forman “el sistema de procesamiento de información más poderoso que conocemos”, dice Kagan. “Su complejidad supera con creces cualquier cosa que hayamos construido con silicio”. Los transistores de silicio, dice, tienen una complejidad de primer orden: un estado binario, 0 y 1. “Las neuronas biológicas tienen al menos una complejidad de tercer orden, probablemente mucho mayor. Pueden mantener al menos tres estados dinámicos que interactúan en cualquier momento”.
Esa complejidad, sostienen los investigadores, podría traducirse en importantes ahorros de energía. Feng Guo, profesor asociado de la Universidad de Indiana en Bloomington, considera que la plataforma de biocomputación de Cortical Labs es capaz de realizar “computación de alto nivel”. En un artículo de 2023 en Nature Electronics, Guo y sus colegas presentaron “Brainoware”, un sistema que utiliza organoides cerebrales tridimensionales para la computación. Para Guo, el argumento energético es decisivo. El cerebro humano utiliza sólo 20 vatios, menos que una bombilla tenue. “Si se quiere crear una potencia informática similar para el sistema informático de IA basado en silicio, sería al menos un millón de veces mayor”, afirma.
Aún así, Kagan tiene cuidado de no exagerar el futuro. “Una calculadora de bolsillo me superará en división larga cualquier día”, dice. “Pero tu mejor tecnología de punta [reinforcement-learning] El algoritmo de IA no es tan bueno como ir a la casa de otra persona y encontrar la manera de preparar una taza de té”. La computación biológica es “una nueva herramienta en la caja de herramientas de la inteligencia”, afirma.
No espere que una computadora personal funcione con un cerebro en una tina en el corto plazo. Kagan habla de manera realista sobre la investigación que aún queda por hacer, pero dice que “se pasa de la ciencia ficción a la ciencia una vez que puedes trabajar en el problema”. Hace unos años, la informática biológica publicó un juego de Pong a su nombre. Ahora tiene una plataforma comercial, una interfaz de programación de aplicaciones a la que los desarrolladores pueden conectarse y un vídeo de las neuronas tropezando con Doom… mal, pero están aprendiendo.