Szereg mikroelektrod w centrum DishBrain może zarówno odczytywać aktywność komórek mózgowych, jak i stymulować je sygnałami elektrycznymi. Zespół badawczy opracował wersję gry w ponga, w której komórki mózgowe były zasilane poruszającym się sygnałem elektrycznym, aby reprezentować, po której stronie „ekranu” znajduje się piłka i jak daleko znajduje się od wiosła. Komórki mózgowe mogłyby wtedy oddziaływać na wiosło, przesuwając je w lewo iw prawo.

Następnie ustanowiono bardzo podstawowy system nagród oparty na fakcie, że małe skupiska komórek starają się zminimalizować nieprzewidywalność w swoim środowisku. Kiedy wiosło uderzało w piłkę, komórki otrzymywały przyjemny i przewidywalny bodziec. Jeśli nie trafiły w piłkę, komórki otrzymywały cztery sekundy zupełnie nieprzewidywalnej stymulacji.

Po raz pierwszy wyhodowane w laboratorium komórki mózgowe zostały użyte w ten sposób – dając im sposób nie tylko postrzegania świata, ale także interakcji z nim – a wyniki były imponujące.

Imponujące jest to, że badania - we współpracy ze start-upem Cortical Labsz Melbourne – otrzymał grant w wysokości 407 000 USD z australijskiego Narodowego Programu Badań nad Wywiadem i Bezpieczeństwem.

W przyszłości te programowalne chipy, które łączą obliczenia biologiczne ze sztuczną inteligencją, mogą "przewyższyć wydajność istniejącego sprzętu opartego wyłącznie na krzemie" - mówi kierownik projektu, profesor Adeel Razi .

"Wyniki takich badań mogą mieć dalekosiężne implikacje w różnych dziedzinach, takich jak planowanie, robotyka, zaawansowana automatyzacja, interfejsy mózg-maszyna i opracowywanie leków, dając Australii znaczącą przewagę strategiczną" - powiedział Razi.

Tak więc zaawansowane możliwości uczenia się DishBrain mogą wspierać nową generację uczenia maszynowego, zwłaszcza w autonomicznych pojazdach, dronach i robotach. Według Raziego mogą dać tym maszynom „nowy rodzaj inteligencji maszynowej, która może się uczyć przez całe życie”.

Technologia obiecuje maszyny, które mogą stale uczyć się nowych umiejętności bez utraty starych. Są dobrzy w dostosowywaniu się do zmian i stosowaniu starej wiedzy w nowych sytuacjach – jednocześnie stale optymalizując wykorzystanie mocy obliczeniowej, pamięci i energii.

„Wykorzystamy ten grant do opracowania lepszych maszyn AI, które replikują zdolność uczenia się tych biologicznych sieci neuronowych. To pozwoli nam skalować możliwości sprzętu i metod, aby stać się realistyczną alternatywą dla obliczeń krzemowych” – mówi Razi.