Tehnološki gledano, ljudski mozak je impresivna kombinacija učinkovitosti i štedljivosti: izvodi čudesa trošeći u prosjeku dvadeset džula energije u sekundi, dakle radeći na samo 20W, pritom nadmašujući superračunala u fleksibilnosti, prepoznavanju uzoraka i sposobnosti učenja.

Tajna takvih performansi krije se u živčanim stanicama, neuronima – mikroskopski malenim živućim građevnim elementima mozga, koji ne samo da učinkovito obrađuju informacije ne-binarnim, fuzzy-logičkim „jezikom“, koristeći desetine različitih vrsta ionskih / elektrokemijskih signala, nego su istovremeno i sposobne „u hodu“ mijenjati vlastitu fiziologiju i prilagođavati je trenutnim zadacima. Umjetna inteligencija, unatoč svojim neospornim postignućima, u tom je pogledu daleko zaostajala za neuronskom funkcionalnošću – sve do sada.

Elektron kao ion

Na Viterbi School of Engineering and the School of Advanced Computing u sklopu Sveučilišta Južne Kalifornije (USC) razvijen je umjetni neuron koji – za razliku od dosadašnjih inženjerskih pokušaja repliciranja neuronske učinkovitosti – ne imitira funkciju moždanih neurona softverskim rješenjima, nego to čini – hardverski. Rezultate su prije desetak dana objavili u časopisu Nature Electronics, a autori ističu da bi njihov novi pristup mogao dramatično smanjiti veličinu čipova, a još dramatičnije reducirati utrošak električne energije.

Klasični poluvodički elementi na kojima se temelji većina današnje elektronike po svojoj su prirodi temeljno različiti od bioloških neurona, zahtijevajući iznimno složene sklopove kako bi mogli replicirati neuromorfno ponašanje. S druge strane, ovaj novi uređaj – baš kao i živi neuroni – koristi ionsku dinamiku (kretanje ioniziranih čestica koje omogućuje prijenos električnih i kemijskih signala) i sposoban je reproducirati šest ključnih bioloških osobina moždanih stanica:

- prikupljanje i „curenje“ signala (leaky integration),

- okidanje kada se dosegne prag (threshold firing),

- mogućnost povezivanja u nizove (cascaded connection),

- unutarnju prilagodbu (plasticity),

- razdoblje refrakcije (refractory period) i

- dozu nasumičnosti (stochasticity), bez koje bi mozak bio samo dosljedan, ali glup stroj.

Ta minijaturna komponenta nazvana je 1M1T1R neuron, jer je sastavljena od tri kompaktno integrirana dijela: jednog difuzivnog memristora (1M), jednog tranzistora (1T) i jednog otpornika (1R), a sve to smješteno na površinu približno jednaku „klasičnom“ tranzistoru.

Memristor: elektronički ekvivalent pamćenja

Za tranzistore i otpornike smo većinom svi čuli i imamo barem okvirnu predodžbu o tome što i kako funkcioniraju. Memristor je pak širem krugu ljudi manje poznat pojam, premda njegovo načelo rada predstavlja zanimljiv most između pasivnih elektroničkih elemenata i aktivnih komponenti koje posjeduju svojevrsno „sjećanje“ na prethodna stanja i promjene – kao da vode dnevnik svega što su „proživjele“ u električnom smislu.

Ukratko, memristor je elektronička komponenta koja pamti kako se kroz nju mijenjao napon i struja te prema tome prilagođava svoj otpor. Na tom se načelu temelji i mehanizam kojim umjetni neuron u ovom eksperimentu stvara vlastitu „memoriju“ i reagira na podražaje gotovo poput živih stanica. U 1M1T1R neuronu koristi se tanki sloj oksida sa srebrnim ionima. Kada se primijeni napon, ioni se organiziraju u vodljivi kanal kroz koji teče struja; kada se napon ukloni, kanal se razgradi. To gotovo savršeno oponaša otvaranje i zatvaranje ionskih kanala u živim neuronima, gdje ioni natrija, kalija i kalcija iz stanične tekućine stvaraju akcijski potencijal aktivnim prolaskom kroz membranske kanale neurona.

Za razliku od klasičnih tranzistora koji rade isključivo s elektronima, ovi mikroneuroni funkcioniraju tako da u svom radu uključuju i pokrete stvarnih atoma. Upravo to ih čini „živima“ u fizičkom smislu i omogućuje im da troše do milijun puta manje energije od konvencionalnih elektroničkih sklopova. Svaki impuls u sadašnjim 1M1T1R mikroneuronima troši tek nekoliko pikodžula, a teorijski cilj je spustiti se do razine atodžula – što je reda veličine energije koja se „troši“ unutar jedne molekule.

Digitalizacija mozga ili cerebralizacija računala?

Klasična umjetna inteligencija temelji se na softverskim mrežama koje se vrte na grafičkim procesorima i pritom gutaju megavate električne energije. Mozak, nasuprot tome, troši snagu jedne LED žarulje, a uspješno rješava beskrajno složenije zadatke. Razlika je u samoj naravi sustava: računalni procesori računaju, dok mozak autonomno stvara novo značenje.

Zadnjih desetljeća sve je prisutniji trend digitalizacije mozga – pokušaja da se računalnom snagom, brzinom i količinom memorije što vjernije oponašaju moždane (cerebralne) funkcije. Unazad par godina postaje sve jasnije da se s klasičnom „strojnom“ digitalizacijom došlo do njezinih krajnjih granica: poluvodički materijali, utrošak energije, složenost kvantnih računala – sve to je izvuklo maksimum iz takvih tehnologija, a rezultati i dalje nisu zadovoljavajuće bliski u oponašanju učinkovitosti i fleksibilnosti živih cerebralnih neurona.

Neuromorfno računalstvo - kao novi pristup problematici - vodi nas u inovativnijem smjeru, pokušavajući drukčijim rješenjima premostiti taj jaz između digitalnog i biološkog svijeta.  Umjesto da mozak „simulira“ algoritmima i računalnom snagom, neuromorfno računarstvo ga pokušava doslovno iz(g)raditi, fizički replicirajući njegove načine prijenosa, pohrane i prilagodbe informacija. Umjesto klasičnog pokušaja digitalizacije mozga, ovakav pristup u kojem se računalo gradi od komponenti koje imaju svojstva živih neuronalnih i moždanih elemenata, mogli bismo nazvati cerebralizacija računala.

Uređaji poput 1M1T1R mikroneurona otvaraju mogućnost dizaniranja pravih neuronskih mreža s milijardama fizičkih spojeva koji unutar silicijsko-ionskog okuženja funkcioniraju po istim načelima kao i živi biološki neuroni. Takve bi mreže, barem u teoriji, u budućnosti mogle imati funkcionalnu dinamiku sličnu ljudskom mozgu, gdje se informacija ne obrađuje samo sekvencijalno, već se umnaža, širi i po potrebi samostalno, fleksibilno reorganizira.

Svaki takav element ima sposobnost samoregulacije i učenja – ne kroz apstraktne softverske algoritme, nego kroz stvarne promjene otpora, gustoće ionskih kanala i memoriranja prethodnih električnih pobuda, čime fizički gradi vlastitu „povijest iskustava“. Te bi mreže mogle omogućiti sustavima da reagiraju spontano, ovisno o prethodnim interakcijama i kontekstu, što je zasad obilježje isključivo bioloških organizama.

Ako se uspije postići stabilnost i skalabilnost, takvi sustavi mogli bi spojiti preciznost strojeva s prilagodljivošću živih bića, stvarajući novu, hibridnu formu inteligencije – onu koja istodobno računa, pamti i osjeća promjenu.

Ograničenja i hladan tuš

Naravno, 1M1T1R mikroneuron je za sada tek laboratorijski prototip, pionirski „proof of concept“. Materijal na kojem se trenutno temelji – srebrni oksid – nije kompatibilan s današnjim industrijskim procesima proizvodnje čipova. Zašto se onda ova hardverska replika živog neurona smatra tako značajnom prekretnicom?

Klasični CMOS (Complementary Metal-Oxide-Semiconductor) sklopovi na kojima se temelji današnja elektronika, funkcioniraju kao binarne sklopke: tranzistor je ili 'uključen' (1) ili 'isključen' (0). Da bi se takav digitalni sustav natjerao da oponaša fluidno, nelinearno ponašanje živog neurona – njegovu istovremenu obradu i pamćenje signala – potrebno je tisuće konvencionalnih tranzistora, složeni algoritmi, uz istovremeni utrošak neproporcionalne količine energije.

Nasuprot tome, 1M1T1R mikroneuron postiže istu kompleksnost korištenjem samo tri komponente, pri čemu je ključan memristor. On nije samo logički element; on je fizički akumulator iskustva. Dok CMOS imitacija mora simulirati pamćenje i prilagodbu u odvojenim dijelovima čipa, 1M1T1R to postiže mijenjanjem vlastitog otpora kretanjem iona unutar strukture. Ovo stvara jednu komponentu koja istovremeno procesira, pohranjuje i prilagođava se, replicirajući neuronsku plastičnost na razini materijala, a ne na razini koda.  

U tom smislu, difuzivni memristori poput 1M1T1R postavljaju temelje posve drukčije paradigme – umjetne neurone koji su neusporedivo štedljiviji na prostoru i utrošku energije, a funkcionalno utemeljeni na istim načelima kao i živuća stanica.

Utjelovljenje računalne inteligencije

Istini za volju, ovo je tek konceptualno rješenje. Integracija milijardi takvih mikroneurona u funkcionalnu mrežu zasad je samo san, a dugoročna stabilnost ionskih kanala i njihova pouzdanost tek se moraju dokazati. Ipak, sama činjenica da fizički uređaj može reproducirati ključne biološke mehanizme neuronâ, uključujući plastičnost i stohastičnost, označava prekretnicu. To više nije metafora o računalima koja „rade kao mozak“, nego korak prema računalima koja to uistinu jesu.

Ako se mikroneuroni pokažu skalabilnima, mogli bi otvoriti potpuno novu eru hardverske umjetne inteligencije. Energetski učinkovite, samoučeće mreže možda će jednoga dana omogućiti računalima da obrađuju podatke i stvaraju predviđanja bez masivnih podatkovnih centara. Uređaji na rubu mreže, od pametnih senzora do medicinskih implantata, mogli bi „razmišljati“ lokalno, bez potrebe za oblacima i serverima.

Još smo daleko od čipa koji sanja, ali put prema njemu prvi je put trasiran fizički, a ne samo matematički. I možda je upravo to trenutak kada umjetna inteligencija – doslovno – dobiva svoju fizičku inkarnaciju.