Ερευνητές του Princeton ανακοίνωσαν στις 26 Απριλίου 2026 ότι κατασκεύασαν ένα τρισδιάστατο νευρωνικό δίκτυο που ενσωματώνει ζωντανά εγκεφαλικά κύτταρα με ηλεκτρονικά κυκλώματα και ήταν ικανό να εκτελέσει αναγνώριση μοτίβων μέσω βιολογικών υπολογισμών.
Η εργασία δημοσιεύθηκε στην επιθεώρηση Nature Electronics και αποτελεί ένα από τα πρώτα παραδείγματα όπου ζωντανοί νευρώνες λειτουργούν ως υπολογιστικό σύστημα εκτός του εγκεφάλου.
Νέα προσέγγιση στην κατασκευή
Η συσκευή που δημιούργησαν οι ερευνητές είναι βιοηλεκτρονικός υπολογιστής με τρισδιάστατη αρχιτεκτονική, όπου οι ζωντανοί νευρώνες δεν παρατηρούνται μόνο αλλά συμμετέχουν ενεργά στις υπολογιστικές διεργασίες. Σε αντίθεση με προηγούμενες μελέτες που βασίζονταν σε δισδιάστατες κυτταρικές καλλιέργειες ή σε τρισδιάστατα συσσωματώματα κυττάρων σε τρυβλία, όπου τα ηλεκτρόδια καταγράφουν την δραστηριότητα μόνο εξωτερικά, η προσέγγιση του Princeton τοποθετεί τα ηλεκτρόδια μέσα στον ιστό και σε άμεση επαφή με τους νευρώνες.
Η ομάδα χρησιμοποίησε ένα λεπτό υπόστρωμα από εποξειδική ρητίνη πάνω στο οποίο κατασκεύασε ένα τρισδιάστατο πλέγμα από μικροσκοπικά καλώδια και ηλεκτρόδια. Στη συνέχεια καλλιέργησε δεκάδες χιλιάδες νευρώνες ώστε να αναπτυχθούν γύρω από αυτό το ικρίωμα, δημιουργώντας ένα δίκτυο όπου τα ζωντανά κύτταρα και τα ηλεκτρόδια αλληλοπλέκονται σε τρεις διαστάσεις.
Πώς δοκιμάστηκε η αναγνώριση
Το πείραμα διήρκεσε έξι μήνες, κατά τα οποία οι επιστήμονες παρακολουθούσαν την ανάπτυξη του νευρικού δικτύου και δοκίμαζαν τεχνικές που ενισχύουν ή αποδυναμώνουν τις συνδέσεις μεταξύ συγκεκριμένων νευρώνων. Βάσει αυτών των παρατηρήσεων, εκπαιδεύτηκε ένας αλγόριθμος ικανός να αναγνωρίζει επαναλαμβανόμενα μοτίβα ηλεκτρικών παλμών μέσα στο δίκτυο.
Σε ξεχωριστά τεστ το σύστημα έλαβε δύο εντελώς διαφορετικά μοτίβα παλμών και κατάφερε να τα διαχωρίσει με επιτυχία. Οι ερευνητές αναφέρουν ότι η μέθοδος επιτρέπει την καταγραφή και τη διέγερση της ηλεκτρικής δραστηριότητας των νευρώνων με ακρίβεια πολύ μεγαλύτερη από τις προηγούμενες τεχνικές, και σκοπεύουν να αυξήσουν σταδιακά την κλίμακα της συσκευής για να αντιμετωπίζει πιο σύνθετα προβλήματα.
Στόχος η μείωση της κατανάλωσης του AI
Πέρα από τη βασική νευροεπιστημονική έρευνα, η μελέτη ανοίγει ένα πρακτικό ενδιαφέρον πεδίο σχετικό με την τεχνητή νοημοσύνη. Ο Tian-Ming Fu, βοηθός καθηγητής Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών στο Princeton, επισήμανε ότι το πραγματικό βραχυπρόθεσμο σημείο συμφόρησης για την εξέλιξη του AI είναι η κατανάλωση ενέργειας. Όπως ανέφερε, ο ανθρώπινος εγκέφαλος εκτελεί ανάλογες εργασίες με περίπου ένα εκατομμύριο φορές λιγότερη ενέργεια από όση χρειάζεται ένα σύγχρονο σύστημα τεχνητής νοημοσύνης.
Η ομάδα ελπίζει ότι η μελέτη του τρόπου με τον οποίο ο εγκέφαλος κάνει υπολογισμούς με τόσο χαμηλή ενεργειακή δαπάνη θα οδηγήσει σε νέες αρχιτεκτονικές που θα 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 τονίζει ότι η τεχνολογία μπορεί να αποκαλύψει μηχανισμούς λειτουργίας του εγκεφάλου και, μακροπρόθεσμα, να συμβάλει στην κατανόηση ή θεραπεία νευρολογικών παθήσεων.
Η άποψη του Techblog
Όπως σχολιάζει το Techblog, παρότι οι «βιολογικοί υπολογιστές» ακούγονται εντυπωσιακοί, βρισκόμαστε ακόμη πολύ μακριά από εφαρμογές στην καθημερινή ζωή. Το πιο σημαντικό μήνυμα της έρευνας όμως είναι πρακτικό: τα data centers που υποστηρίζουν υπηρεσίες όπως το ChatGPT ή το Gemini καταναλώνουν ενέργεια ισοδύναμη με ολόκληρες πόλεις, και αυτή η κατανάλωση θα φανεί στους λογαριασμούς ρεύματος όλων μας.
Αν η αντιγραφή του τρόπου που λειτουργεί ο εγκέφαλος καταφέρει κάποια στιγμή να μειώσει αυτό το κόστος, θα πρόκειται για μια εξέλιξη που θα αισθανθούν πολλοί — ακόμα κι αν δεν καταλαβαίνουν ακριβώς τι συμβαίνει στο εργαστήριο.
