La integración de células cerebrales humanas en sistemas de inteligencia artificial ha dado un nuevo paso con la creación de Brainoware. Este innovador sistema, desarrollado por el equipo de Feng Guo en la Universidad de Indiana Bloomington, utiliza organoides cerebrales, pequeñas esferas de células nerviosas humanas, para realizar tareas de reconocimiento de voz.
¿Qué es Brainoware?
Brainoware es un sistema biocomputacional que combina organoides cerebrales con una matriz de microelectrodos. Los organoides, que se forman al cultivar células madre en condiciones específicas, son esencialmente mini-cerebros de unos pocos milímetros de diámetro y contienen hasta 100 millones de células nerviosas. En comparación, el cerebro humano tiene alrededor de 100 mil millones de células nerviosas.
El proceso técnico: desde los organoides hasta el reconocimiento de voz
- Cultivo de organoides cerebrales: El proceso comienza con la diferenciación de células madre en células nerviosas mediante la exposición a ciertos factores de crecimiento y condiciones específicas. Esto da lugar a la formación de organoides cerebrales, que se asemejan a mini-cerebros con estructuras neuronales complejas.
- Integración con microelectrodos: Una vez que los organoides alcanzan el tamaño deseado, se colocan sobre una matriz de microelectrodos. Estos microelectrodos sirven tanto para enviar señales eléctricas a los organoides como para detectar las respuestas neuronales generadas.
- Codificación de señales de audio: Los clips de audio utilizados para el reconocimiento de voz se convierten en secuencias de señales eléctricas organizadas en patrones espaciales específicos. Estos patrones imitan la manera en que el cerebro procesa la información auditiva.
- Estimulación y respuesta neuronal: Las secuencias de señales eléctricas se envían a los organoides a través de los microelectrodos. Los organoides responden a estas señales con actividad eléctrica propia, la cual es detectada y registrada por los microelectrodos.
- Aprendizaje adaptativo: Inicialmente, los organoides responden a las señales con una precisión de reconocimiento de alrededor del 30-40%. A lo largo de dos días de entrenamiento, en los que se repiten las secuencias de audio sin proporcionar retroalimentación sobre la corrección de las respuestas, los organoides mejoran su precisión al 70-80%. Este tipo de aprendizaje, donde no se indica a los organoides si sus respuestas son correctas o incorrectas, se conoce como aprendizaje no supervisado.
- Evaluación de la conectividad neuronal: El equipo evaluó la importancia de la formación de nuevas conexiones neuronales exponiendo a los organoides a un fármaco que impide la sinaptogénesis. Sin la capacidad de formar nuevas conexiones, los organoides no mejoraron su precisión, subrayando la importancia de la plasticidad neuronal en el proceso de aprendizaje.
Los desafíos del biocomputing
A pesar de los avances, este enfoque aún enfrenta desafíos significativos. La alta demanda energética y las limitaciones inherentes de los chips de silicio son problemas que el biocomputing podría mitigar. No obstante, la capacidad de mantenimiento de los organoides, limitada actualmente a uno o dos meses, debe mejorarse para aprovechar plenamente su potencial en tareas de inteligencia artificial.
Perspectivas futuras
El uso de células cerebrales humanas para tareas de IA, como el reconocimiento de voz, abre nuevas posibilidades. Sin embargo, como señala Titouan Parcollet de la Universidad de Cambridge, los modelos de deep learning actuales superan a los cerebros en tareas específicas. El futuro del biocomputing dependerá de la capacidad para superar sus limitaciones actuales y demostrar una eficiencia energética y operativa superior.
El equipo de Guo continúa trabajando para extender la vida útil de los organoides y mejorar su rendimiento. Si se logra, podríamos estar ante una nueva era de computación biológica con aplicaciones revolucionarias en inteligencia artificial.
