L’utilisation de cerveaux vivants pour effectuer des tâches informatiques

Au cœur de la littérature de science-fiction, DUNE de Frank Herbert (1965), les humains excluaient l’utilisation de machines pensantes en raison d’une guerre cruelle entre les intelligences artificielles et les humains, quelque 10 000 ans avant les événements relatés dans le film de Denis Villeneuve.

Au lieu d’ordinateurs, dans DUNE On nous présente des « mentats », des êtres humains capables d’effectuer un grand nombre de calculs qui feraient honte à n’importe quel supercalculateur moderne. Parallèlement, dans le monde réel, au cours des premières années de la course à l’espace, la NASA a utilisé des calculatrices humaines pour vérifier les données aérospatiales utilisées dans les analyses de trajectoire des missions visant à envoyer l’homme sur la Lune. Contrairement à ce qui s’est passé dans DUNE, ces calculatrices humaines ont été remplacées par les ordinateurs IBM 7090.

L’utilisation de cerveaux vivants pour effectuer les tâches informatiques habituellement effectuées par un processeur semble sortir des films d’horreur et de science-fiction des années 70, mais c’est exactement ce que propose une recherche récente du Dr Brett Kagan, chercheur principal chez Cortical. Labs, société australienne spécialisée dans la conception d’interfaces entre neurones et cartes électroniques.

Les résultats de cette étude ont été publiés dans la revue Neurone et l’article présente le «« Plat cérébral »un réseau de neurones capable d’apprendre à effectuer des tâches spécifiques.

Il Plat cérébral est une culture de cellules neuronales de souris situées sur une puce HD-MEA (High Density MicroElectrode Array), une plaque de type puits dotée d’une haute densité d’électrodes capables d’envoyer et de recevoir des informations électriques du réseau neuronal. Ces électrodes sont recouvertes de platine, un métal inerte dans des conditions physiologiques, ce qui permet à ces neurones de se développer sur les électrodes, de former des connexions entre eux et de conserver leur capacité à générer spontanément des potentiels d’action. Ce type de culture est connu sous le nom d’organoïde cérébral.

L’objectif de ce projet était de démontrer si ce réseau de neurones était capable de résoudre des tâches « intelligemment » en tirant parti du langage électrique partagé par les neurones. Il y a deux conditions pour que ce comportement soit considéré comme intelligent. La première chose est que le système doit être capable de percevoir son environnement extérieur, auquel il doit alors réagir d’une manière particulière en fonction des informations sensorielles qu’il reçoit. C’est analogue à lorsque nous marchons dans la rue sans entrer en collision avec tout ce qui se trouve devant nous. Pendant la marche, nous prenons la décision consciente de ne pas marcher contre un mur ou une voiture en mouvement, par exemple, en fonction de ce que nous pouvons voir, sentir ou entendre.

Pour observer s’il y a de l’« intelligence » dans les décisions du réseau neuronal, les chercheurs ont évalué ses performances en jouant au jeu vidéo PONG. Le jeu vidéo est basé sur une version extrêmement simple du tennis de table où deux barres verticales simulent les raquettes et un pixel qui rebondit entre elles simule la balle. La simplicité de ce système a permis à la société DeepBrain de développer les premiers algorithmes de « Deep Learning » utilisés dans l’entraînement de l’intelligence artificielle.

Afin que le réseau neuronal puisse interagir avec le jeu, la surface de la puce HD-MEA a été séparée en différentes sections. Une section sensorielle indiquerait au réseau où se trouve la balle et deux sections motrices piloteraient le mouvement des raquettes. Afin de différencier le mouvement des pales, la zone motrice de la récolte a été séparée en deux moitiés, une supérieure et une inférieure. Lorsque l’activité de l’hémisphère supérieur était supérieure à celle de l’hémisphère inférieur, la palette se déplaçait vers le haut et de même dans le cas contraire pour la déplacer vers le bas. Si le mouvement de la palette entraîne l’interception du ballon, un stimulus électrique (75 mV par 100 ms) sera appliqué à toutes les électrodes. Dans le cas contraire, un stimulus électrique différent (150 mV pendant 400 ms) serait appliqué de manière aléatoire entre les électrodes de la section sensorielle.

Il est important de différencier si le comportement du réseau neuronal est un apprentissage ou s’il s’agit d’une série d’événements aléatoires chanceux. Pour vérifier cela, le principe de l’énergie libre pour la perception et l’action a été utilisé. Ce principe repose sur la capacité des êtres vivants à planifier des actions qui leur permettent de survivre dans leur environnement. Concrètement, il s’agit d’un modèle statistique qui permet de différencier si le comportement des Plat cérébral minimise l’énergie libre utilisée pour effectuer l’action, nous pouvons ainsi déterminer si le réseau neuronal apprend à effectuer la tâche efficacement ou si c’est un coup de chance.

Sur la base de ce principe d’énergie libre, une série de tests ont été conçus pour démontrer que ce réseau de neurones est capable d’accomplir une tâche et d’améliorer ses performances au fur et à mesure qu’il la répète. Dans cet objectif, la performance du réseau a été évaluée en modifiant les stimuli de feedback qu’il reçoit lorsqu’il frappe ou non la balle avec les raquettes et la durée de la session de jeu. La première modification était un test de rétroaction silencieux dans lequel le réseau ne recevait pas de stimulus électrique lors de l’interception du ballon, mais le temps pendant lequel ce retour se produirait était maintenu. La deuxième modification était un test sans retour, où les signaux électriques et de synchronisation étaient supprimés et le jeu continuait même si le filet ne parvenait pas à se connecter avec le ballon. Lors de ces tests, le nombre de fois où le filet a intercepté le ballon a été évalué au cours de séances allant d’une à vingt minutes. Comme contrôle, un réseau de cellules sans activité électrique et le bruit électrique de plaques sans cellules, produit par des interférences indésirables dans l’environnement électromagnétique, ont été utilisés.

Dans toutes les conditions, le feedback, qu’il soit avec des stimuli électriques ou silencieux, s’est avéré nécessaire pour que le réseau accomplisse la tâche avec succès, accumulant un plus grand nombre de coups de balle à mesure que la durée de la séance augmentait dans la série de séances où il y en avait. aucun feedback, il n’y avait aucune différence avec les performances du réseau de contrôle. Les résultats de ces sessions de jeu suggèrent que le réseau apprend lorsqu’il reçoit des retours positifs, alors qu’il n’apprend rien lorsqu’il n’en reçoit pas. Cela nous semble évident, mais c’est très significatif lorsqu’on évalue la capacité de ces réseaux de neurones à effectuer des tâches spécifiques.

Actuellement, lorsqu’on parle de développement des intelligences artificielles, il est impossible de ne pas penser aux modèles de langage comme ChatGPT ou Bard. Ces modèles sont basés sur des « réseaux de neurones » entraînés avec une grande quantité de données et imitent la manière dont les neurones utilisés par les êtres vivants partagent des informations entre eux. Ces modèles sont capables de générer des réponses textuelles à partir d’une requête ou d’une invite. Malgré sa polyvalence pour tout générer, des listes de supermarchés aux codes de logiciels, ChatGPT ne génère que du texte et c’est très bien, car c’est pour cela qu’il a été conçu, mais la méthode qu’il utilise, le Machine Learning, peut être appliquée à d’autres choses, comme générer images originales à partir d’entrées de texte telles que DALL-E ou Stable Diffusion. En fin de compte, ces intelligences artificielles sont des outils différents pour développer différentes tâches et ne sont limitées que par la capacité de calcul dont elles disposent ou par les restrictions que leur impose l’équipe de chercheurs qui les développe.

Bien qu’elles en soient à leurs premiers stades de développement, les applications possibles des organoïdes cérébraux, contrairement aux intelligences artificielles synthétiques, n’ont pas de limites aussi bien définies, principalement parce que nous ne savons pas encore quel est le potentiel de cette masse de cellules pour apprendre, prendre des décisions intelligentes ou s’ils sont capables de développer un langage. Quelle doit être la complexité d’un organoïde cérébral avant d’être considéré comme un être vivant conscient ? Ces « intelligences artificielles » devraient-elles avoir des droits ? Les organoïdes sont-ils capables de souffrir ? Ce type de questions sont les mêmes que celles que nous nous posons aujourd’hui lorsque nous utilisons des animaux pour l’étude des neurosciences ou le développement de nouveaux médicaments, où nous cherchons à réduire la souffrance animale dans le développement de nouvelles technologies.

Il existe une version interactive de cette expérience sur https://spikestream.corticallabs.com/.

Source : https://www.sciencedirect.com/science/article/pii/S0896627322008066?via%3Dihub

*Cet article est issu de l’accord avec le Centre Interdisciplinaire de Neurosciences de l’Université de Valparaíso.