Australijski startup Cortical Labs wziął 200 tysięcy ludzkich komórek mózgowych, osadził je na krzemowym chipie i nauczył grać w Doom. Komputera zasilają nie tranzystory, lecz żywe neurony wyhodowane z ludzkich komórek macierzystych. Brzmi jak fabuła złego serialu SF, a jednak to opublikowane badanie i działający prototyp.
Jak to w ogóle działa
Platforma nosi nazwę CL1 i jest, jak opisuje ją Cortical Labs, pierwszym na świecie biologicznym komputerem z możliwością wgrywania kodu. Neurony rosną na tzw. wieloelektrodowej matrycy (MEA): chipie upstrzonym setkami miniaturowych elektrod, które potrafią jednocześnie stymulować komórki i odczytywać ich aktywność elektryczną. Całość działa w zamkniętej pętli. Informacje z gry trafiają do neuronów jako impulsy elektryczne, a ich odpowiedź (wzorzec wyładowań) zostaje przełożona z powrotem na polecenia sterujące postacią.
Żeby komórki w ogóle chciały się czegokolwiek „nauczyć”, naukowcy zastosowali mechanizm oparty na zasadzie wolnej energii Karla Fristona z University College London. W dużym skrócie: neurony dążą do przewidywalności środowiska. Złe ruchy w grze skutkują losowym, chaotycznym sygnałem zwrotnym, czyli biologicznym odpowiednikiem kary. Trafione decyzje przynoszą sygnał uporządkowany, który komórki mogą zinterpretować. Chaos to kara, porządek to nagroda.
Neurony nie są pobierane z mózgu żadnego dawcy. Brett Kagan, dyrektor naukowy i operacyjny Cortical Labs, tłumaczy, że wystarczy niewielka próbka krwi lub skóry. Z niej izoluje się komórki, przeprogramowuje do stanu macierzystego, a następnie kieruje ich różnicowanie w stronę neuronów. Jeden egzemplarz CL1 może utrzymać do 800 tysięcy komórek nerwowych przy życiu przez maksymalnie sześć miesięcy.
Od Ponga do Dooma: lata pracy skompresowane do tygodnia
Cortical Labs nie jest debiutantem w tej dziedzinie. W 2021 roku firma zaprezentowała DishBrain, prototyp, któremu trening gry w Ponga zajął ponad 18 miesięcy. Pong to prosty test: odbijająca się piłka, ruchoma rakietka, bezpośredni związek przyczyny i skutku. Doom to zupełnie inna liga.
Trójwymiarowe korytarze, wrogowie wyskakujący z różnych kierunków, konieczność jednoczesnego poruszania się i celowania. To wszystko wymagało całkowicie nowego podejścia do kodowania informacji wizualnej na sygnały elektryczne zrozumiałe dla neuronów. Cortical Labs rozwiązał ten problem podczas hackathonu zorganizowanego wspólnie ze Stanford University. Niezależny deweloper Sean Cole zdołał sparować neurony ze standardowym algorytmem uczenia maszynowego w zaledwie tydzień, bo CL1 oferuje już interfejs programistyczny w Pythonie dostępny dla każdego.
Hybrydowy system, biologiczny plus algorytm, poradził sobie lepiej niż sam algorytm działający na tradycyjnym krzemie. To dowód na to, że neurony faktycznie wnoszą wkład do procesu uczenia się, a nie są tylko pasywnym pośrednikiem sygnałów. Grają na poziomie absolutnego początku: kręcą się w kółko, często giną, ale uczą się szybciej, niż robiłyby to systemy oparte wyłącznie na krzemie.
Warto dodać, że pełna recenzja naukowa wyników nie została jeszcze opublikowana w czasopiśmie z peer-review. Cortical Labs ujawnił wyniki w formie materiałów wideo i komunikatów prasowych, a nie artykułu badawczego. To istotne zastrzeżenie przed wyciąganiem zbyt daleko idących wniosków.
Energetyczny argument, który robi wrażenie
Dlaczego to wszystko ma znaczenie poza laboratoryjną ciekawostką? Odpowiedź tkwi w watach. Ludzki mózg pobiera około 20 watów, mniej niż przyciemniona żarówka. Feng Guo, profesor nadzwyczajny na Uniwersytecie Indiana w Bloomington, wskazuje, że osiągnięcie porównywalnej mocy obliczeniowej krzemowym systemem AI wymagałoby nawet milion razy więcej energii.
Cortical Labs podaje, że jeden egzemplarz CL1 pobiera zaledwie 30 watów. Cały rack złożony z tych urządzeń to 850 do 1000 watów łącznego poboru mocy. Dla porównania: pojedyncza karta Nvidia stosowana w centrach danych AI to 6000 watów. Na tej podstawie firma ogłosiła w marcu 2026 roku plany budowy biologicznych centrów danych: jednego w Melbourne, drugiego w Singapurze, opartych na flotach CL1 zamiast kart GPU.
Jeden egzemplarz CL1 kosztuje około 35 tysięcy dolarów i nie trafi do sklepów konsumenckich. To narzędzie dla laboratoriów badawczych i firm farmaceutycznych, które Brett Kagan widzi jako drugi filar zastosowań całej technologii: testowanie leków neurologicznych na żywych ludzkich komórkach mózgowych w środowisku informacyjnym, a nie w próżni laboratoryjnej. Według danych Cortical Labs 93 do 99 procent prób klinicznych w psychiatrii i neurologii kończy się niepowodzeniem, częściowo dlatego, że neurony testuje się bez żadnego kontekstu środowiskowego.
Co to nie jest
Przed zalewem nagłówków o „żywym mózgu grającym w gry” Kagan sam studzi oczekiwania. Skupisko 200 tysięcy neuronów to nie mózg, nie stworzenie zdolne do cierpienia ani odczuwania czegokolwiek. Pod względem złożoności bliżej mu do odruchowego łuku niż do owada. Pytanie „czy komórki lubią grać w Doom?” Kagan kwituje tak samo, jak pytanie, czy algorytm uczenia ze wzmocnieniem „lubi” swoją funkcję nagrody.
Biologiczne obliczenia mają przy tym realne ograniczenia: neurony są kruche, zmienne biologicznie, trudne do skalowania i żyją przez ograniczony czas. Czy ta technologia pójdzie drogą krzemu i zdominuje branżę, czy pozostanie niszowym narzędziem badawczym, tego nikt dziś nie wie. Kagan ujął to w jednym zdaniu: przeszłaś z science fiction do nauki w momencie, gdy możesz pracować nad problemem. Kilka lat temu biologiczne obliczenia miały na koncie jedną opublikowaną grę w Ponga. Dziś mają komercyjną platformę, API dla deweloperów i wideo, na którym neurony chwiejnym krokiem przemierzają korytarze Dooma.
Źródła zdjęć: Cortical Labs
