由真實人腦細胞構建的“迷你大腦”和微電極組成的 AI 系統，已經能夠進行語音識別 ——

從數百個聲音片段中準確認出某個特定人的聲音的那種。

最近，一項頗為前沿的類腦研究登上了 Nature 子刊。

這個特別的 AI 系統甚至可以進行無監督學習：

研究人員只是一遍遍播放音頻片段，不提供任何形式的反饋來告訴系統答對還是錯。

最終，該系統在兩天的訓練之后，準確率直接從最初的 51% 升到了 78%。

這，究竟是怎么實現的？

類器官神經網絡來了

發明該系統的主要目的，是解決硅芯片的高能耗等問題。

一般來說，這個問題的解題思路都是靠類腦計算。

但這種思想下設計的“傳統”類腦芯片大多數都是直接基于數字電子原理，完全模仿大腦功能的能力著實有限。

在此，該研究直接用上了一個叫做“類器官”的東西：

它指的是能夠在實驗室中利用人的干細胞培養出的微型器官，包含其代表器官的一些關鍵特性。

具體而言，研究人員將活體腦細胞組成的腦類器官（形狀類似小團球）和高密度微電極陣列進行連接，構建出一個叫做“Brainoware”的系統。

微電極在 Brainoware 中的作用一是向類器官發送電信號，達到傳送信息到“腦”中的目的；二是檢測大腦神經細胞的放電響應，然后交給外部設備進行讀取和解析。

這樣的系統可以表現出類似神經網絡的功能，并可以進行無監督學習。

將它連接到特定硬件，就可以被訓練于語音識別。

具體任務中，研究人員將 8 個人說日語元音的 240 個音頻片段轉換為信號序列，然后發送給系統，讓它識別出某個人的聲音。

最開始，Brainoware 的準確度只有 30%-40%。

但經過兩天的訓練之后，它就可以 78% 的準確率識別出特定說話者。

作者在此強調，所謂的訓練只是重復音頻片段，不給予任何反饋，也就是所謂的無監督學習。

不過，需要注意的是，目前 Brainoware 只能識別誰在講話，但聽不懂任何講話內容。

而在該實驗之后，研究人員試著用一種藥物來阻斷腦類器官中神經細胞之間形成新的連接。

結果發現，這樣操作之后，系統的準確率就不會有任何改善了。

作者解釋，這說明 Brainoware 的學習能力取決于神經可塑性。

未來的計算機會是由大腦組成的嗎？

今年三月份，該團隊其實就是已經用該系統來嘗試預測 Hénon 圖了（數學領域中一種可表現出混沌行為的動力系統）。

結果 Brainoware 也是在無監督學習了 4 天之后（每天代表一個訓練周期），被發現它能夠比沒有長短期記憶單元的人工神經網絡預測得更準。

相比之下，后者可是經過了至少 50 個訓練周期。

而再往前一點，澳大利亞一家科研團隊則試圖教“盤中大腦”打乒乓球游戲，結果它 5 分鐘內就學會了，速度比 AI 還快 17 倍。

那么未來，計算機會由大腦組成嗎？

還不好說。

如本文作者介紹，他們這個研究目前屬于概念驗證，后面還有很多問題要解決：

例如，Brainoware 系統的性能還能提高，但最重要的問題是類器官只能存活一到兩個月。

并且，Brainoware 本身雖然不需要太多功耗，但維持它運轉的外部設備的功耗水平并不低。

諸如一系列等等問題。

總的來說，有科學家預測，真正的通用生物計算系統可能需要幾十年的時間才能創建。

但不管怎么樣，它的研究對我們進一步理解人腦的學習奧秘等問題都有幫助。

參考鏈接：

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

[2]https://www.newscientist.com/article/2407768-ai-made-from-living-human-brain-cells-performs-speech-recognition/

[3]https://www.genengnews.com/topics/artificial-intelligence/brainoware-organoid-neural-networks-inspire-brain-ai-hardware/

本文來自微信公眾號：量子位 （ID：QbitAI），作者：豐色

廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節省甄選時間，結果僅供參考，所有文章均包含本聲明。

投訴水文 我要糾錯

總結

以上是生活随笔為你收集整理的用活人脑细胞造 AI 系统！语音识别已成功，可无监督学习｜Nature 子刊的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。