Австралийская компания Cortical Labs представила систему HIVE, в которой 15 биологических компьютеров объединены в единую сеть. Вместо того чтобы решать задачи по отдельности, они распределяют работу между собой, повышая точность вычислений и эффективность обучения. В некоторых экспериментах такая система показала результаты значительно лучше, чем отдельные биокомпьютеры и традиционный алгоритм искусственного интеллекта.
Разработка открывает новые возможности для биологических вычислений — необычного направления, в котором живые нейроны становятся частью вычислительных систем.
Как работает коллективный разум из живых нейронов?
Система HIVE построена на основе 15 биологических компьютеров CL1, разработанных компанией Cortical Labs. В отличие от обычных компьютеров, обрабатывающих информацию с помощью электронных компонентов, эти устройства используют живые клетки человеческого мозга — нейроны, выращенные в лабораторных условиях.
Каждый такой биокомпьютер способен обрабатывать сигналы и адаптироваться к поступающей информации. Исследователи решили проверить, можно ли повысить эффективность этой технологии, объединив несколько устройств в общую сеть.
Результатом стала HIVE — система, название которой отсылает к английскому слову hive, то есть «улей». Идея заключается в том, чтобы организовать взаимодействие биологических вычислительных модулей по принципу коллективной работы.
В природе подобный подход встречается повсюду. Различные участки мозга специализируются на обработке определённых типов информации, а пчёлы в улье выполняют разные задачи, совместно обеспечивая выживание колонии. По аналогии с этими системами HIVE позволяет нескольким группам нейронов участвовать в решении общей задачи.
Примечательно, что исследователям не пришлось специально программировать нейроны на распределение обязанностей. По наблюдениям команды, после объединения в сеть биологические вычислительные модули самостоятельно начали эффективнее разделять отдельные аспекты поставленных задач.
Точность распознавания символов достигла 99%
Одним из испытаний стала задача распознавания символов. По данным Cortical Labs, объединение семи биологических компьютеров позволило повысить точность результатов примерно с 80 до 99%.
Это существенный прирост, особенно с учётом того, что биологические системы отличаются от привычной электроники. Живые клетки могут работать неодинаково в разные дни: одна культура нейронов демонстрирует высокую активность, тогда как другая в тот же момент справляется с задачей хуже.
Объединение нескольких модулей позволяет компенсировать такие колебания. Если один компонент работает менее эффективно, остальные помогают поддерживать общий результат.
Кроме того, распределённая архитектура повышает устойчивость системы. Если одна группа нейронов перестаёт отвечать на сигналы, другие модули могут продолжить работу, не позволяя всей вычислительной системе сразу выйти из строя.
Биокомпьютеры против искусственного интеллекта
В другом эксперименте исследователи проверили, насколько хорошо HIVE справляется с задачей навигации. Системе нужно было управлять виртуальным персонажем, перемещающимся по сетке и пытающимся добраться до заданной цели.
Результаты сравнили с работой традиционного алгоритма искусственного интеллекта Deep Q-Network (DQN). Этот метод обучения с подкреплением позволяет системе учиться выбирать действия на основе получаемых вознаграждений, но не использует живые клетки мозга для вычислений.
Результаты оказались следующими:
- Обычный алгоритм DQN набрал около 32% от максимально возможного результата.
- Один биологический компьютер CL1 достиг примерно 40%.
- Несколько объединённых биокомпьютеров повысили результат примерно до 70%.
- Биологические модули со специализированным распределением задач позволили достичь приблизительно 80%.
Таким образом, организация совместной работы оказалась не менее важной, чем вычислительные возможности отдельных компонентов. Когда несколько биологических систем участвовали в выборе действий, результат заметно улучшался. А распределение отдельных функций между специализированными группами нейронов обеспечило дополнительный прирост эффективности.
Впрочем, эти цифры требуют осторожной интерпретации. Исследование пока носит предварительный характер, а сравнение проводилось в рамках конкретных экспериментальных условий и с определённой моделью ИИ. Поэтому говорить о том, что биологические компьютеры в целом превосходят искусственный интеллект, было бы преждевременно.
Почему биологические вычисления могут оказаться выгоднее?
Помимо производительности, у технологии есть ещё одно потенциальное преимущество — энергоэффективность.
Современные системы искусственного интеллекта могут требовать значительных вычислительных ресурсов, особенно при обучении крупных моделей. Биологические нейроны, напротив, работают в рамках естественных электрохимических процессов, которые в принципе могут обеспечить обработку информации с меньшими затратами энергии.
Объединение нескольких биологических вычислительных модулей позволяет использовать их способности совместно, не полагаясь исключительно на производительность одной культуры клеток.
Однако пока рано делать выводы о практической эффективности HIVE в сравнении с современными вычислительными системами в целом. Для этого потребуются дополнительные измерения энергопотребления, скорости работы, надёжности и стоимости эксплуатации.
Тем не менее технология представляет интерес для развития машинного обучения, поскольку предлагает альтернативный подход к созданию вычислительных систем. Вместо того чтобы бесконечно увеличивать мощность электронных процессоров, исследователи пытаются использовать принципы, по которым информация обрабатывается в живых организмах.
Что исследователи планируют изучить дальше?
Следующий этап работы связан с изучением взаимодействия между группами нейронов. Учёные хотят выяснить, каким образом биологические вычислительные модули обмениваются сигналами, обрабатывают обратную связь и влияют на решения друг друга.
Ещё одно направление — проверка того, как увеличение числа связей между компонентами скажется на производительности системы. Возможно, дальнейшее масштабирование позволит повысить точность и устойчивость вычислений, хотя заранее гарантировать это нельзя.
Как отметил учёный Cortical Labs Джонсон Чжоу (Johnson Zhou), объединение разных нейронных культур помогает уменьшить влияние индивидуальных колебаний на итоговый результат. При этом сохраняется способность биологических систем адаптироваться к новым условиям.
Результаты работы HIVE представили на первой Международной конференции по органоидному интеллекту (International Conference on Organoid Intelligence), которая прошла в Вашингтоне 26–27 октября 2026 года.
Органоидный интеллект — направление исследований, изучающее возможности использования выращенных в лаборатории клеточных структур, напоминающих отдельные аспекты организации мозга, для обработки информации и обучения.
HIVE пока остаётся экспериментальной разработкой. Но её результаты показывают, что будущее вычислительной техники может быть связано не только с совершенствованием кремниевых чипов и алгоритмов ИИ. Возможно, одним из перспективных путей станет сочетание живых нейронов, инженерных систем и принципов коллективной обработки информации.
