Las computadoras vivas dejaron de trabajar solas. Cortical Labs conectó 15 de sus computadoras biológicas CL1 en un sistema llamado HIVE y el conjunto rindió mejor que cada unidad por separado: en una prueba de reconocimiento de símbolos, la precisión subió de cerca de 80 % a 99 % al enlazar siete máquinas, y en otra tarea el grupo superó con claridad a un algoritmo clásico de aprendizaje por refuerzo.
La presentación ocurrió en Washington los días 26 y 27 de octubre, durante la primera Conferencia Internacional sobre Inteligencia de Organoides. Allí la empresa australiana mostró computadoras vivas que ya no dependen de un único cultivo de neuronas humanas: comparten la tarea, reparten el esfuerzo y sostienen el resultado aunque una parte del grupo tenga un mal día.
Computadoras vivas que se reparten la tarea
Cada CL1 funciona con neuronas humanas cultivadas en laboratorio, conectadas a electrodos que les envían estímulos y registran sus respuestas. El programa interpreta esa actividad eléctrica y devuelve nuevas señales, en un ciclo continuo de entrada y respuesta. Es la misma línea de trabajo que explora la interfaz cerebro-computadora, solo que aquí las células viven fuera del cuerpo y trabajan como procesador.
Lo llamativo de HIVE apareció al conectar las unidades. New Atlas reportó que las máquinas empezaron a dividir aspectos distintos de la tarea y a ordenarse hacia la ruta más eficiente para llegar al resultado. Nadie programó ese reparto paso a paso: las neuronas lo resolvieron al pasar a formar parte de una red mayor, un comportamiento que el equipo compara con el de un enjambre, donde cada pieza cumple una función y el conjunto gana capacidad.
Brett Kagan, cofundador y director ejecutivo de Cortical Labs, lo explicó con una imagen directa de la naturaleza: los cerebros reparten la información entre regiones especializadas y las colmenas dependen de muchas obreras con funciones propias que aportan a un resultado compartido. HIVE aplica ese principio a la computación biológica, con sistemas más constantes y resistentes que un cultivo individual.
El antecedente ayuda a dimensionar el anuncio. La CL1 es la primera computadora biológica comercial de su tipo y desciende de los experimentos con neuronas cultivadas que aprendían a jugar una versión simple de Pong. Aquello demostró que un cultivo podía adaptarse a una tarea con retroalimentación eléctrica. HIVE cambia la escala del experimento: ya no se trata de que un grupo de células aprenda solo, sino de que varios grupos coordinen su actividad y corrijan entre sí las respuestas débiles.
Los números de las pruebas con HIVE
La segunda prueba puso a HIVE a guiar un personaje virtual por una cuadrícula hasta un objetivo concreto. El rival era Deep Q Network (DQN), un algoritmo de inteligencia artificial que aprende por ensayo y error. DQN alcanzó cerca de 32 % de la puntuación máxima. La mejor computadora biológica individual llegó a 40 %. Cuando varias unidades opinaron sobre cada movimiento, la marca subió a alrededor de 70 %, y al dividir la tarea entre grupos especializados de biocomputadoras el resultado trepó a cerca de 80 %.
La estabilidad es el otro argumento fuerte. Un cultivo vivo rinde bien un día y flojo al siguiente, porque está hecho de células. Johnson Zhou, científico de Cortical Labs, apuntó que al trabajar juntas esas diferencias individuales pesan menos sobre el resultado final. HIVE ofrece una vía para manejar esa variabilidad y aprovechar la adaptabilidad de los sistemas biológicos, y mantiene el sistema en marcha si un grupo deja de responder.
Resultados preliminares, con límites claros
La propia cobertura advierte el alcance real: son resultados preliminares, atados al diseño experimental y al modelo de inteligencia artificial elegido como rival. Superar a DQN en una cuadrícula no equivale a competir con los grandes modelos que corren en centros de datos. Lo que sí queda demostrado es un salto medible al pasar del cultivo individual al trabajo colectivo, y esa era la tesis que Cortical Labs llevó a la conferencia.
El consumo energético juega a favor de esta ruta. Una red de neuronas trabaja con una fracción mínima de la electricidad que pide una tarjeta gráfica dedicada a entrenar modelos, un dato que pesa en plena discusión sobre la factura eléctrica de la inteligencia artificial. Para investigación biomédica y estudio del aprendizaje neuronal, la empresa apunta aplicaciones cercanas; para computación general, el camino es largo y pasa por entender cómo se comunican las neuronas entre máquinas conectadas.
Las preguntas incómodas acompañan al anuncio. Trabajar con neuronas humanas cultivadas abre debates científicos y éticos sobre cómo se mide la fiabilidad de estos sistemas y qué límites deben regir la experimentación. La empresa reconoce que necesita comprender mejor cómo circula la información entre las unidades conectadas antes de prometer aplicaciones mayores.
El equipo quiere ahora desentrañar cómo viajan las señales y la retroalimentación entre los cultivos enlazados, y probar si añadir más conexiones mueve los resultados todavía más. Quince unidades forman la demostración de esta semana. La pregunta que deja HIVE sobre la mesa es de escala pura: si siete máquinas llevan la precisión de 80 % a 99 %, nadie en Cortical Labs parece dispuesto a quedarse en quince.
Fuente: New Atlas
