Ditulis oleh Tim Ilmiah Qubic
Bagaimana Aliran Informasi dalam Jaringan Saraf Buatan Tradisional
Dalam model kecerdasan buatan yang kita ketahui, informasi masuk, dikodekan, diubah melalui matriks aljabar, dan menghasilkan keluaran. Bahkan dalam arsitektur yang paling maju seperti transformer, prinsipnya tetap sama: sinyal melewati serangkaian operasi yang terdefinisi dengan baik dalam sistem yang terstruktur. Model berfungsi sebagai sirkuit pemrosesan terarah, dari kiri ke kanan, input-keluaran, atau dari kanan ke kiri, melalui backpropagation untuk penyesuaian dan pelatihan.
Hasilnya, seperti yang kita ketahui, spektakuler. Dengan bekerja melalui jutaan parameter bahasa, AI mampu memberikan jawaban yang megah, meskipun dengan beberapa halusinasi. Namun jika tujuannya bukan untuk memproses input dan menghasilkan output, tetapi untuk membangun sistem yang mampu mempertahankan dinamika internal, beradaptasi secara terus-menerus, mengatur dirinya sendiri, mengatur pembelajaran mereka, dan mempertahankan kecerdasan sebagai properti jaringan, AI saat ini masih kurang.
Meskipun orang kadang-kadang berbicara tentang model bahasa sebagai tiruan otak, pada kenyataannya ini lebih merupakan metafora komparatif daripada simulasi ilmu saraf komputasional. Sistem biologis tidak menangani informasi dari kiri ke kanan dan sebaliknya. Informasi menyebar melalui jaringan, memberi umpan balik pada dirinya sendiri, dan juga berosilasi, meredam, atau diperkuat tergantung pada konteks.
Gambar 1. Aliran informasi kiri-kanan dalam jaringan saraf buatan tradisional
Tidak Hanya Neuron: Peran Astrosit dalam Fungsi Otak dan Plastisitas Sinaptik
Kami biasanya mengasosiasikan kognisi dan kecerdasan dengan fungsi neuron, reseptor mereka, dan neurotransmiter. Tetapi mereka bukan satu-satunya sel dalam sistem saraf. Selama bertahun-tahun, astrosit dianggap sebagai sel sistem saraf yang didedikasikan untuk dukungan, pembersihan, nutrisi, dan stabilitas lingkungan. Hari ini kami tahu bahwa mereka berpartisipasi secara aktif dalam regulasi; sebenarnya, sebuah istilah digunakan: sinaps tripartit, di mana mereka berpartisipasi secara aktif dengan mendeteksi neurotransmiter, mengintegrasikan sinyal dari banyak sinaps, memodulasi plastisitas, dan memodifikasi efikasi fungsional dari sirkuit.
Jaringan hidup tidak hanya terdiri dari neuron yang menembak, tetapi juga dari astrosit yang mengatur bagaimana, kapan, dan seberapa banyak sistem berubah. Dalam biologi, komputasi tidak hanya tentang mengeluarkan sinyal tetapi juga tentang memodulasi medan di mana sinyal tersebut akan memiliki efek. Penelitian terbaru telah menunjukkan bahwa astrosit dapat melakukan operasi normalisasi yang sebanding dengan mekanisme perhatian diri yang ditemukan dalam arsitektur transformer — menghubungkan interaksi astrosit-neuron secara langsung dengan komputasi seperti perhatian dalam sistem kecerdasan buatan.
Gambar 2 Astrosit biologis dan sinaps tripartit
Pengaturan Astrositik dalam Neuraxon: Arsitektur Jaringan Saraf yang Terinspirasi Biologi
Neuraxon adalah arsitektur yang mencoba memulihkan dan meniru fungsi otak dan untuk menghitung properti fungsional yang telah disederhanakan oleh jaringan buatan klasik.
Seperti yang telah kami jelaskan dalam volume-volume sebelumnya dari akademi ini, Neuraxon tidak hanya bekerja dengan neuron input, output, dan tersembunyi dalam arti konvensional. Ini memperkenalkan unit dengan status yang meniru potensi eksitatori, inhibitori, atau netral (-1, 0, +1). Selain itu, hal ini dilakukan dalam dinamika TEMPORAL yang berkelanjutan di mana kami mempertimbangkan konteks dan sejarah aktivasi terbaru. Jaringan ini bukan lagi sekadar jumlah lapisan tetapi lebih menyerupai sistem dengan fisiologi internal. Untuk konteks yang lebih dalam tentang bagaimana elemen-elemen dasar ini bekerja, lihat NIA Volume 1: Mengapa Kecerdasan Tidak Dihitung secara Bertahap, tetapi dalam Waktu dan NIA Volume 2: Dinamika Ternary sebagai Model Kecerdasan Hidup.
Kami telah menjelaskan bagaimana Neuraxon memodelkan transmisi melalui reseptor cepat, lambat, dan neuromodulator — sebuah mekanisme yang dieksplorasi secara mendalam dalam NIA Volume 3: Neuromodulasi dan AI yang Terinspirasi Otak. Namun sekarang kami juga memodelkan regulasi plastisitas melalui pengaturan astrositik.
Bagaimana Kerja Plastisitas Multi-Waktu yang Digerakkan Astrosit (AGMP)
Pengaturan astrositik memperkenalkan gerbang yang terinspirasi oleh peran astrosit dalam sinaps tripartit. Ideanya adalah untuk memperkenalkan filter lokal, lambat, dan kontekstual yang menentukan kapan modifikasi sinaptik harus dibuka, direndahkan, atau diblokir. Seolah-olah sistem dapat mempertimbangkan apakah ada izin untuk perubahan. Pendekatan ini secara langsung menangani dilema stabilitas-plastisitas, salah satu tantangan paling mendasar dalam pembelajaran berkelanjutan untuk jaringan saraf.
Jejak Kelayakan dan Memori Sinaptik Lokal
Bagaimana cara kerjanya? Melalui sejenis jejak kelayakan. Ini adalah memori lokal yang mengatakan, "sesuatu yang relevan telah terjadi di sinaps ini." Ini diperbarui dengan penurunan seiring waktu dan dengan fungsi antara aktivitas presinaptik dan posinaptik. Itu adalah: sinaps mengumpulkan bukti lokal tentang koinsidensi temporal atau kausalitas. Dari sana, ada sinyal jenis siaran global, seperti kesalahan, kemungkinan penghargaan, atau sesuatu yang mirip dopamin. Gerbang astrositik memilih apakah neuron berada dalam keadaan belajar. Dalam versi mendatang, astrosit dapat memodulasi ribuan sinaps jika ini memberikan keuntungan komputasional.
Pendekatan ini konsisten dengan kemajuan terbaru dalam komputasi neuromorfik, termasuk kerangka Plastisitas Multi-Waktu yang Digerakkan Astrosit (AGMP) yang diusulkan untuk jaringan saraf berdenyut, yang juga memperkuat pembelajaran jejak kelayakan dengan status astrosit lambat yang mengatur pembaruan sinaptik — menghasilkan aturan pembelajaran empat faktor (kelayakan × sinyal modulasi × gerbang astrositik × stabilisasi).
Regulasi Endogen: Mengapa Neuraxon Lebih Dari Jaringan Saraf Konvensional
Neuraxon dalam QUBIC tidak bersaing dalam skala atau kinerja tugas. Ia bekerja melalui arsitektur dengan regulasi endogen. Dengan memasukkan prinsip-prinsip astrositik, ia mulai berperilaku seperti jaringan dengan ekologi internal. Artinya: sebuah sistem di mana tidak hanya unit mana yang diaktifkan yang penting, tetapi domain mana dari jaringan yang plastis, mana yang distabilkan, mana yang meredam kebisingan, mana yang mengkonsolidasikan regularitas, dan mana yang bersiap untuk mengatur ulang dirinya sendiri. Untuk gambaran komprehensif tentang bagaimana jaringan saraf biologis dan buatan dibandingkan, lihat NIA Volume 4: Jaringan Saraf dalam AI dan Neurosains.
Untuk Aigarth dan QUBIC, tujuannya bukan untuk mengumpulkan lebih banyak parameter, tetapi untuk memperkenalkan lebih banyak tingkat organisasi fungsional dalam sistem.
Mengapa Pengaturan Astrositik Penting untuk Aigarth dan AI Terdesentralisasi
Aigarth bukanlah model statis tetapi jaringan evolusi melalui arsitektur yang mampu tumbuh, bermutasi, memangkas, menghasilkan keturunan fungsional, dan mengatur kembali topologinya di bawah tekanan adaptif. Dalam konteks itu, Neuraxon memberikan sesuatu: mikro-fisiologi komputasional yang kaya untuk unit-unit yang menghuni jaringan tersebut.
Ini memiliki implikasi untuk ketahanan, adaptabilitas, dan memori. Juga untuk skalabilitas. Dalam arsitektur besar, masalahnya bukan hanya bahwa ada banyak unit, tetapi bagaimana mengoordinasikan bagian mana dari sistem yang tersedia untuk rekonfigurasi dan mana yang harus mempertahankan stabilitas.
Dalam istilah peta jalan untuk QUBIC, tujuannya adalah membangun sistem di mana kecerdasan muncul tidak hanya dari komputasi neuronal, tetapi juga dari penggabungan antara pemrosesan cepat, modifikasi lambat, dan evolusi struktural. Anda dapat menjelajahi dinamika ini secara langsung dengan simulasi Neuraxon 3D interaktif di HuggingFace Spaces, di mana Anda dapat membangun, mengonfigurasi, dan mensimulasikan jaringan Neuraxon 2.0 dari awal.
Gambar 3. Pengaturan astrosit Neuraxon - formulasi AGMP
Referensi Ilmiah
Allen, N. J., & Eroglu, C. (2017). Biologi sel interaksi astrosit-sinaps. Neuron, 96(3), 697–708.
Halassa, M. M., Fellin, T., & Haydon, P. G. (2007). Sinaps tripartit: Peran gliotransmisi dalam kesehatan dan penyakit. Tren dalam Kedokteran Molekuler, 13(2), 54–63.
Kofuji, P., & Araque, A. (2021). Astrosit dan perilaku. Tinjauan Tahunan Neurosains, 44, 49–67.
Perea, G., Navarrete, M., & Araque, A. (2009). Sinaps tripartit: Astrosit memproses dan mengontrol informasi sinaptik. Tren dalam Neurosains, 32(8), 421–431.
Woodburn, R. L., Bollinger, J. A., & Wohleb, E. S. (2021). Efek sinaptik dan perilaku dari aktivasi astrosit. Frontiers in Cellular Neuroscience, 15, 645267.
Vivancos, D. & Sanchez, J. (2026). Neuraxon v2.0: Cetak Biru Pertumbuhan & Komputasi Neural Baru. Preprint ResearchGate.
Jelajahi Akademi Kecerdasan Neuraxon Secara Lengkap
Ini adalah Volume 5 dari Akademi Kecerdasan Neuraxon oleh Tim Ilmiah Qubic. Jika Anda baru bergabung dengan kami, jelajahi seri lengkap untuk membangun pemahaman penuh tentang ilmu di balik Neuraxon dan pendekatan Qubic terhadap kecerdasan buatan terdesentralisasi yang terinspirasi otak:
NIA Volume 1: Mengapa Kecerdasan Tidak Dihitung dalam Langkah, tetapi dalam Waktu — Menjelajahi mengapa kecerdasan biologis beroperasi dalam waktu kontinu daripada langkah komputasi diskrit seperti LLM tradisional.
NIA Volume 2: Dinamika Ternary sebagai Model Kecerdasan Hidup — Menjelaskan dinamika ternary dan mengapa logika tiga keadaan (eksitatori, netral, inhibitori) penting untuk memodelkan sistem hidup.
NIA Volume 3: Neuromodulasi dan AI yang Terinspirasi Otak — Membahas neuromodulasi dan bagaimana sinyal kimia otak (dopamin, serotonin, asetilkolin, norepinefrin) menginspirasi arsitektur Neuraxon.
NIA Volume 4: Jaringan Saraf dalam AI dan Neurosains — Perbandingan mendalam jaringan saraf biologis, jaringan saraf buatan, dan pendekatan jalur ketiga Neuraxon.
Qubic adalah jaringan terdesentralisasi, sumber terbuka untuk teknologi eksperimental. Untuk mempelajari lebih lanjut, kunjungi qubic.org