El chip CL1 utiliza células cerebrales humanas para interactuar con videojuegos en tiempo real. (William West/AFP)En un laboratorio de vanguardia, científicos de Cortical Labs han logrado que un chip con neuronas humanas vivas aprenda a jugar videojuegos complejos, lo que marca un hito en la convergencia entre biología y tecnología. El equipo desarrolló una tecnología basada en el funcionamiento de redes cerebrales, capaz de adaptarse a estímulos digitales y resolver tareas de aprendizaje orientadas a objetivos.PUBLICIDADCada uno de estos sistemas, conocidos como ordenadores biológicos, incorpora cerca de 200.000 células cerebrales humanas vivas, cultivadas a partir de células madre extraídas de donaciones de sangre. Los investigadores de Cortical Labs detallaron que estas neuronas, integradas en un chip especial bautizado como CL1, constituyen la base de una plataforma en la que los límites entre lo biológico y lo digital se desdibujan.El sistema traduce el entorno digital en estímulos eléctricos comprensibles para las neuronas. (Captura/Cortical Labs)El objetivo inicial consistía en entrenar a las neuronas para controlar una paleta en el clásico videojuego Pong, un escenario ideal por su simplicidad y la claridad de sus reglas. Al principio, las células cerebrales mostraron un comportamiento errático, similar al de un jugador inexperto. “Las neuronas estaban al nivel de un principiante que nunca ha jugado a un videojuego”, explicó Alon Loeffler, científico principal de aplicaciones en Cortical Labs, en declaraciones recogidas por AFP.PUBLICIDADSuperada la etapa de Pong, el equipo planteó un reto mayor: enseñar a las neuronas a desenvolverse en Doom, uno de los títulos más emblemáticos de los años noventa. Doom presenta un entorno tridimensional caótico, con enemigos y obstáculos que requieren coordinación y toma de decisiones rápidas, muy lejos de la sencillez de Pong.Durante las primeras pruebas, las neuronas se desplazaban sin rumbo, disparaban a las paredes y no lograban identificar objetivos. “Chocaban mucho contra las paredes, disparaban a las paredes, se daban la vuelta, hacían cosas raras como esas”, relató Loeffler. La perseverancia del equipo permitió que, con el tiempo, las neuronas comenzaran a mostrar patrones de comportamiento más precisos, apuntando a los enemigos con mayor regularidad y eficacia.PUBLICIDADLos investigadores entrenaron neuronas vivas para superar retos en juegos como Pong y Doom. (Captura/Cortical Labs)El avance tecnológico del CL1 reside en su capacidad para traducir el entorno digital del videojuego en patrones de señales eléctricas comprensibles para las neuronas humanas. Cuando aparece un enemigo en Doom, electrodos específicos estimulan las células del chip, provocando una reacción concreta. Cada patrón de actividad neuronal desencadena acciones como disparar o moverse hacia un lado.Los científicos monitorizan la actividad eléctrica de las neuronas desde una pantalla conectada al CL1, visualizando miles de puntos que representan la respuesta cerebral. A partir de estos datos, el equipo ajusta las señales de entrada para influir y entrenar progresivamente la actividad neuronal, afinando la capacidad de aprendizaje del sistema.PUBLICIDADEl desarrollo de ordenadores biológicos plantea una alternativa a la computación tradicional basada en silicio, sobre todo en términos de eficiencia energética. El cerebro humano opera con una potencia estimada de 20 vatios, un nivel de eficiencia que las actuales tecnologías de inteligencia artificial y chips convencionales no han conseguido igualar.El experimento demuestra avances en computación biológica y eficiencia energética. (Captura/Cortical Labs)Brett Kagan, director científico y de operaciones de Cortical Labs, describió el CL1 como “una forma de inteligencia más sostenible y potente”. Según explica, el objetivo no es reemplazar la inteligencia artificial, sino proporcionar capacidades inéditas mediante la integración de cultivos neuronales en sistemas computacionales.PUBLICIDADLa vida útil de las neuronas en el chip es de aproximadamente seis meses. Hasta el momento, los resultados obtenidos no son completamente consistentes ni programables, aunque la posibilidad de alcanzar un sistema escalable y eficiente energéticamente despierta interés en sectores como el aprendizaje automático y el cribado de fármacos.