Das Mikroelektrodenarray im Zentrum des DishBrain konnte sowohl die Aktivität in den Hirnzellen lesen als auch sie mit elektrischen Signalen stimulieren. Das Forscherteam entwickelte eine Version von Pong, bei der den Hirnzellen ein sich bewegendes elektrisches Signal zugeführt wurde, um zu repräsentieren, auf welcher Seite des "Bildschirms" sich der Ball befand und wie weit entfernt er sich von der Schlägerkelle befand. Die Hirnzellen konnten dann auf die Schlägerkelle einwirken und sie nach links und rechts bewegen.
Danach wurde ein sehr grundlegendes Belohnungssystem eingerichtet, basierend auf der Tatsache, dass kleine Zellcluster versuchen, die Unvorhersehbarkeit in ihrer Umgebung zu minimieren. Wenn die Schlägerkelle den Ball traf, erhielten die Zellen einen angenehmen und vorhersagbaren Reiz. Wenn sie den Ball verfehlten, erhielten die Zellen vier Sekunden lang völlig unvorhersehbare Stimulation.
Es war das erste Mal, dass im Labor gezüchtete Hirnzellen auf diese Weise verwendet wurden - sie erhielten nicht nur eine Möglichkeit, die Welt wahrzunehmen, sondern auch auf sie einzuwirken - und die Ergebnisse waren beeindruckend.
Beeindruckend genug, dass die Forschung - in Zusammenarbeit mit dem Start-up Cortical Labs aus Melbourne - nun eine Förderung in Höhe von 407.000 US-Dollar aus dem Nationalen Intelligenz- und Sicherheitsforschungsprogramm Australiens erhalten hat.
Diese programmierbaren Chips, die biologisches Computing mit künstlicher Intelligenz vereinen, könnten in Zukunft "die Leistungsfähigkeit der bestehenden, rein siliziumbasierten Hardware übertreffen", sagt Projektleiter Professor Adeel Razi.
"Dabei könnten die Ergebnisse solcher Forschungen weitreichende Auswirkungen auf verschiedene Bereiche haben, wie zum Beispiel Planung, Robotik, fortschrittliche Automatisierung, Gehirn-Maschine-Schnittstellen und Medikamentenentwicklung, und Australien dadurch einen erheblichen strategischen Vorteil verschaffen", so Razi.
Die fortgeschrittenen Lernfähigkeiten des DishBrain könnten also eine neue Generation des maschinellen Lernens unterstützen, insbesondere bei autonomen Fahrzeugen, Drohnen und Robotern. Laut Razi könnten sie diesen Maschinen "eine neue Art der maschinellen Intelligenz verleihen, die während ihrer gesamten Lebensdauer lernen kann".
Die Technologie verspricht Maschinen, die ständig neue Fähigkeiten lernen können, ohne dabei alte Fähigkeiten zu beeinträchtigen. Sie können sich gut an Veränderungen anpassen und altes Wissen auf neue Situationen übertragen - während sie kontinuierlich die Nutzung von Rechenleistung, Speicher und Energie optimieren.
"Wir werden diese Förderung nutzen, um bessere KI-Maschinen zu entwickeln, die die Lernkapazität dieser biologischen neuronalen Netzwerke replizieren. Dadurch können wir die Hardware- und Methodenkapazität so skalieren, dass sie eine realistische Alternative zur Silizium-Berechnung werden", sagt Razi.