Ερευνητές του Πανεπιστημίου Princeton ανακοίνωσαν στις 26 Απριλίου 2026 την κατασκευή ενός τρισδιάστατου νευρωνικού δικτύου που συνδυάζει ζωντανά εγκεφαλικά κύτταρα με ενσωματωμένα ηλεκτρονικά κυκλώματα και κατάφερε να εκτελέσει αναγνώριση μοτίβων μέσω βιολογικών υπολογισμών. Η μελέτη δημοσιεύτηκε στην επιστημονική επιθεώρηση Nature Electronics και αποτελεί ένα από τα πρώτα παραδείγματα ζωντανών νευρώνων που λειτουργούν ως υπολογιστικό σύστημα έξω από τον εγκέφαλο.
Τι είναι αυτή η συσκευή και πώς διαφέρει από τα προηγούμενα πειράματα
Η κατασκευή αποτελεί έναν βιοηλεκτρονικό υπολογιστή με τρισδιάστατη αρχιτεκτονική, όπου οι ζωντανοί νευρώνες δεν είναι απλώς υπό παρατήρηση αλλά συμμετέχουν ενεργά σε υπολογιστικές διεργασίες. Έως τώρα, οι σχετικές έρευνες χρησιμοποιούσαν δισδιάστατες κυτταρικές καλλιέργειες ή τρισδιάστατα συσσωματώματα κυττάρων σε τρυβλία (ρηχά γυάλινα πιατάκια που χρησιμοποιούνται στα εργαστήρια για να καλλιεργούνται κύτταρα), με τα ηλεκτρόδια να καταγράφουν την κυτταρική δραστηριότητα μόνο εξωτερικά. Η προσέγγιση του Princeton είναι ριζικά διαφορετική, καθώς τα ηλεκτρόδια βρίσκονται μέσα στον ιστό και σε άμεση επαφή με τους νευρώνες.
Η ομάδα χρησιμοποίησε ένα λεπτό στρώμα εποξειδικής ρητίνης ως υπόστρωμα, πάνω στο οποίο σχημάτισε ένα τρισδιάστατο πλέγμα από μικροσκοπικά καλώδια και ηλεκτρόδια. Στη συνέχεια, καλλιέργησε δεκάδες χιλιάδες νευρώνες ώστε να αναπτυχθούν γύρω από αυτό το πλέγμα, χρησιμοποιώντας το ως ικρίωμα. Το αποτέλεσμα είναι ένα δίκτυο όπου τα ζωντανά κύτταρα και τα ηλεκτρόδια είναι αλληλένδετα σε τρεις διαστάσεις.
Πώς έγινε η αναγνώριση μοτίβων
Το πείραμα διήρκεσε έξι μήνες, διάστημα κατά το οποίο η ομάδα παρακολουθούσε την ανάπτυξη του νευρικού δικτύου και δοκίμαζε τεχνικές που ενισχύουν ή αποδυναμώνουν τις συνδέσεις μεταξύ συγκεκριμένων νευρώνων. Με βάση αυτές τις παρατηρήσεις, οι ερευνητές εκπαίδευσαν έναν αλγόριθμο ικανό να αναγνωρίζει επαναλαμβανόμενα μοτίβα ηλεκτρικών παλμών μέσα στο νευρωνικό δίκτυο.
Σε ξεχωριστά τεστ, το σύστημα δέχτηκε δύο εντελώς διαφορετικά μοτίβα παλμών και κατάφερε να τα ξεχωρίσει με επιτυχία. Σύμφωνα με τους ερευνητές, η νέα μέθοδος επιτρέπει την καταγραφή και τη διέγερση της ηλεκτρικής δραστηριότητας των νευρώνων με ακρίβεια πολύ υψηλώτερη από προηγούμενες τεχνικές. Η ομάδα σχεδιάζει να αυξήσει σταδιακά την κλίμακα της συσκευής, ώστε να μπορεί να χειρίζεται ολοένα και πιο πολύπλοκα προβλήματα.
Ο στόχος: λύση στο πρόβλημα κατανάλωσης ενέργειας του AI
Πέρα από τη βασική νευροεπιστημονική έρευνα, που ήταν και ο αρχικός στόχος, η μελέτη ανοίγει έναν δεύτερο δρόμο που σχετίζεται απευθείας με την τεχνητή νοημοσύνη. Ο Tian-Ming Fu, βοηθός καθηγητής Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών στο Princeton, δήλωσε ότι το πραγματικό βραχυπρόθεσμο σημείο συμφόρησης για την εξέλιξη του AI είναι η κατανάλωση ενέργειας. Όπως ανέφερε, ο ανθρώπινος εγκέφαλος εκτελεί αντίστοιχες εργασίες με ένα εκατομμύριο φορές λιγότερη ενέργεια από όση χρειάζεται ένα σύγχρονο σύστημα τεχνητής νοημοσύνης.
Η ερευνητική ομάδα ελπίζει ότι η μελέτη του τρόπου με τον οποίο ο εγκέφαλος εκτελεί υπολογισμούς με τόσο χαμηλή ενεργειακή απόδοση θα οδηγήσει σε νέες αρχιτεκτονικές που θα μπορούν να μειώσουν δραστικά τη σπατάλη ενέργειας στα κέντρα δεδομένων. Πρώτος συγγραφέας της δημοσίευσης είναι ο Kumar Mridunjay, μεταδιδακτορικός ερευνητής στο τμήμα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών, ο οποίος υποστηρίζει ότι η τεχνολογία αυτή μπορεί όχι μόνο να αποκαλύψει τους μηχανισμούς λειτουργίας του εγκεφάλου, αλλά μακροπρόθεσμα ίσως βοηθήσει και στην κατανόηση ή θεραπεία νευρολογικών παθήσεων.
Όσο εντυπωσιακά κι αν ακούγονται οι “βιολογικοί υπολογιστές”, είμαστε ακόμα πολύ μακριά από εφαρμογή στην καθημερινή ζωή. Αυτό όμως που έχει σημασία είναι το πιο βασικό μήνυμα της έρευνας: τα data centers πίσω από το ChatGPT ή το Gemini τραβούν ενέργεια ίση με ολόκληρες πόλεις, και αυτή η κατανάλωση θα φανεί τελικά στους λογαριασμούς ρεύματος όλων μας. Αν η αντιγραφή του τρόπου που λειτουργεί ο εγκέφαλος μπορέσει κάποτε να μειώσει αυτό το κόστος, θα είναι μια εξέλιξη που θα την νιώσουμε όλοι, ακόμα κι αν δεν καταλαβαίνουμε τι ακριβώς συμβαίνει στο εργαστήριο.
