Ditulis oleh Tim Ilmiah Qubic
Bayangkan sebuah gedung dengan tiga puluh orang. Mengetahui berapa banyak mereka tidak banyak membantu. Apa yang benar-benar menjelaskan apa yang terjadi adalah siapa yang bergantung pada siapa, siapa yang merupakan anak, ayah, istri, suami, siapa yang mengoordinasikan gedung, siapa yang menjadi presiden komunitas, siapa yang menjadi penjaga pintu, orang yang mengantarkan, pemilik atau penyewa. Dinamika kelompok tidak terletak pada jumlah, tetapi pada struktur hubungan. Ini adalah esensi dari otak sosial yang kita miliki.
Di otak, konektom (https://en.wikipedia.org/wiki/Connectome) mirip dengan contoh sebelumnya: deskripsi lengkap tentang struktur dinamis tersebut. Kuncinya bukanlah peta, tetapi memahami jenis dinamika apa yang dapat muncul darinya ketika diaktifkan. Dalam bangunan, apa yang terjadi ketika anak dari sebuah keluarga pindah ke kota lain, ketika sepasang suami istri terpisah dan apartemen menjadi tersedia, ketika presiden berganti, ketika tetangga baru tiba. Untuk memahami ini secara biologis, para ilmuwan memetakan konektom organisme yang lebih sederhana dari Homo sapiens. Dalam makalah terbaru ini, mereka menganalisis konektom lalat buah: Drosophila melanogaster (https://www.nature.com/articles/s41586-024-07558-y).
Ide dasar ini sangat mendalam: dalam sistem biologis, sebagian dari kecerdasan tidak dipelajari; itu sudah terkandung dalam arsitektur. Konsep ini, yang dikenal sebagai prior arsitektural yang kuat (https://www.nature.com/articles/s41467-019-11786-6), menantang paradigma AI yang berlaku yang hanya bergantung pada pembelajaran dari data.
Konektom Otak Lalat Lengkap: Sebuah Tonggak dalam Pemetaan Sirkuit Saraf
Konektom lengkap otak lalat, lebih dari 125.000 neuron dan sekitar 50 juta sinaps, bukan hanya pencapaian teknis, tetapi unit analisis komputasional baru (Shiu et al., 2024). Untuk pertama kalinya, kami dapat mempelajari sistem saraf lengkap sebagai grafik fungsional yang hampir tertutup. Proyek FlyWire, sebuah konsorsium yang dipimpin oleh Princeton dengan lebih dari 200 peneliti dari 127 lembaga, menjadikan konektom seluruh otak ini mungkin melalui kombinasi segmentasi yang dibantu AI, sains warga, dan proofreading ahli.
Model Jaringan Saraf Spiking: Bagaimana Konektivitas Mendorong Komputasi Sensorimotor
Di atas grafik itu, para penulis membangun model yang sangat sederhana. Mereka membangun jaringan neuron (tipe leaky integrate-and-fire: https://neuronaldynamics.epfl.ch/online/Ch1.S3.html) di mana aktivitas menyebar sesuai dengan konektivitas sinaptik dan jenis neurotransmitter (Gerstner et al., 2014; Shiu et al., 2024). Tidak ada pelatihan yang dibutuhkan. Jaringan saraf spiking tidak “belajar” dalam arti klasik, tetapi menjalankan apa yang diizinkan oleh strukturnya. Mirip dengan contoh bangunan, di mana fungsi dan koneksi antara anggota komunitas membimbing dan menyusun perilaku mereka.
Model yang dibuat oleh para peneliti mampu memprediksi transformasi sensorimotor lengkap. Jika mereka mengaktifkan neuron gustatori, itu memungkinkan mereka untuk memperkirakan neuron motorik mana yang akan diaktifkan, dan prediksi ini divalidasi secara eksperimental menggunakan teknik yang dikenal sebagai optogenetik (Shiu et al., 2024). Artinya, fungsi muncul langsung dari arsitektur. Artinya, dengan memanipulasi bagaimana lalat mengumpulkan dan membangun rangsangan yang terkait dengan rasa, mereka dapat mengetahui bagaimana lalat akan bereaksi. Konektivitas bukan hanya dukungan; itu juga komputasi (Bargmann & Marder, 2013).
Prior Arsitektural: Kecerdasan Tercatat Sebelum Pembelajaran Dimulai
Dalam biologi, otak tidak mulai kosong. Sebuah organisme lahir dengan sirkuit yang terorganisir yang memungkinkan perilaku fungsional sejak awal. Dalam sistem sederhana seperti C. elegans atau serangga lainnya, banyak dinamika fungsional secara langsung dikondisikan oleh konektivitas (Winding et al., 2023; Scheffer & Meinertzhagen, 2021). Ketika konektom lengkap direkonstruksi, pola berulang muncul. Ini adalah umpan balik, sirkuit inhibitor kompetitif, jalur sensorimotor yang sangat terarah. Pola ini bukan karena pembelajaran waktu nyata, tetapi karena proses evolusi yang telah, bisa dibilang, “mencatat” solusi ke dalam struktur mereka sendiri.
Dalam pembelajaran mendalam, bagaimanapun, jaringan dimulai dengan parameter yang diinisialisasi secara sewenang-wenang dan kecerdasan, atau lebih tepatnya penampilannya, muncul melalui optimisasi dengan volume data yang besar (LeCun, Bengio, & Hinton, 2015). Arsitektur memperkenalkan bias, tetapi melalui pelatihan mereka perlahan-lahan diratakan hingga batas tertentu, murni melalui skalabilitas komputasi.
Konektom lalat menunjukkan kemungkinan lain: sebagian dari kecerdasan mungkin berada dalam struktur bahkan sebelum pembelajaran. Ini membuka paradigma alternatif untuk kecerdasan buatan yang terinspirasi otak, karena arsitektur yang sudah mengandung sifat komputasi yang berguna meningkatkan peran pembelajaran. Pendekatan ini telah dirumuskan sebagai penggunaan prior arsitektural yang kuat atau pendekatan berbasis konektom (Zador, 2019).
Efisiensi Energi dalam Komputasi Saraf: Mengapa Arsitektur Otak Penting
Ada juga argumen fisik yang memperkuat ide ini: efisiensi. Otak lalat melakukan tugas kompleks dengan konsumsi energi yang sangat rendah. Ini menunjukkan bahwa efisiensi tidak bergantung pada jumlah parameter, tetapi pada bagaimana sirkuit saraf diorganisasi (Laughlin & Sejnowski, 2003). Konektom memungkinkan kami untuk mempelajari organisasi tersebut secara eksplisit. Prinsip ini berada di jantung bidang komputasi neuromorfik yang berkembang, yang berusaha membangun perangkat keras dan algoritma yang mencerminkan efisiensi energi luar biasa otak.
Batasan dari Konektom Drosophila: Mengapa Diagram Pengkabelan Otak Tidak Cukup
Makalah ini telah mendapatkan visibilitas baru-baru ini, tetapi penting untuk meletakkannya dengan benar.
Konektom lalat tidak memungkinkan prediksi lengkap perilaku. Ini memungkinkan prediksi yang cukup akurat dari beberapa transformasi sensorimotor lokal, seperti neuron mana yang diaktifkan atau node mana yang diperlukan untuk respons, tetapi tidak merupakan teori perilaku yang lengkap. Karya itu sendiri mengakui batasan yang jelas, karena model tersebut tidak cukup menggabungkan neuromodulasi, keadaan internal, sinyal ekstra sinaptik, atau aktivitas basal yang berkelanjutan, dan didasarkan pada asumsi yang sangat disederhanakan seperti laju tembakan basal nol, yaitu, tanpa aktivitas spontan, sangat berbeda dari perilaku biologis nyata di mana otak aktif setiap saat (Shiu et al., 2024). Di sini konektom lebih menggambarkan struktur kemungkinan, tetapi bukan dinamika lengkap dari sistem. Jaringan yang sama dapat menghasilkan perilaku yang berbeda tergantung pada keadaan internal, sejarah sebelumnya, atau konteks. Ide ini sudah mapan: konektivitas membatasi dinamika, tetapi tidak sepenuhnya menentukan itu (Marder & Bucher, 2007; Bargmann, 2012). Dalam komunitas tempat tinggal Anda, hubungan menandai probabilitas tinggi fungsi dan perilaku, tetapi tidak menetapkannya. Jika terjadi peristiwa tak terduga, seperti pesta, pertemuan, atau pemadaman listrik, orang akan bertindak sesuai konteks, tidak hanya berdasarkan konektom struktural mereka. Makalah ini telah menekankan bahwa “sebuah konektom tidak cukup” untuk memahami otak (Scheffer & Meinertzhagen, 2021).
Otak Manusia: Melampaui Konektivitas Struktural
Batasan ini menjadi semakin jelas jika kita mempertimbangkan kasus manusia. Bahkan jika kami memiliki konektom manusia yang lengkap, sesuatu yang tidak ada saat ini dan ketersediaannya tidak pasti, itu tidak akan cukup untuk sepenuhnya memahami perilaku. Itu akan berfungsi untuk membatasi kendala struktural, memahami prinsip organisasi, dan meningkatkan model dinamis, tetapi perilaku manusia juga bergantung pada perkembangan, plastisitas, tubuh, endokrinologi, bahasa, budaya, dan konteks sosial.
Studi terkini yang mencoba memprediksi perilaku dari konektivitas otak menunjukkan batasan yang jelas, di mana ukuran efeknya moderat dan sangat bergantung pada ukuran sampel (Marek et al., 2022). Oleh karena itu, gagasan bahwa konektom manusia akan memungkinkan kami untuk sepenuhnya “membaca” perilaku akan menjadi sebuah interpretasi berlebihan.
Dari Konektom ke Neuraxon: Pendekatan AI Terinspirasi Otak QUBIC
Di Neuraxon, kami tahu bahwa arsitektur mengandung komputasi, bahwa ia mendukung kecerdasan emergent dan menginduksi perilaku yang mungkin. Tetapi kami juga tahu bahwa itu tidak cukup, itulah sebabnya kami menambahkan dinamika internal yang kaya, neuromodulasi, dan keadaan. Neuraxon bertujuan untuk memposisikan dirinya di ruang itu. Ia memperkenalkan aktivitas endogen, neuromodulator, beberapa skala temporal, dan plastisitas, mencoba mensimulasikan beberapa fungsi otak manusia, bukan hanya yang struktural. Seperti yang dijelajahi dalam pendalaman kami tentang jaringan saraf dalam AI dan ilmu saraf, kesenjangan antara jaringan saraf biologis dan buatan adalah tepatnya apa yang dijembatani oleh Neuraxon.
Aigarth membawa pendekatan ini satu langkah lebih jauh. Konektom lalat adalah sistem tertutup. Aigarth mengusulkan sistem di mana struktur dapat berevolusi, dinamika bersifat kontinu dan fungsi muncul tanpa pelatihan eksplisit. Di sini, kecerdasan bukan hanya hasil dari optimisasi, tetapi sifat dari sistem dinamis yang terorganisir (Friston, 2010).
Dari Optimisasi ke Organisasi: Masa Depan Kecerdasan Buatan
Secara keseluruhan, konektom Drosophila tidak menyelesaikan masalah perilaku, tetapi menunjukkan kepada kami pentingnya titik awal dan struktur awal. Ini menunjukkan kepada kami bahwa sebagian besar kecerdasan terletak pada arsitektur. Tetapi antara arsitektur dan perilaku masih ada dinamika, keadaan, sejarah, dan konteks.
Kita harus bergerak dari optimisasi (LLMs) ke organisasi (Aigarth). Kami sangat percaya ini adalah salah satu pergeseran yang paling relevan di masa depan kecerdasan buatan. Bahkan seekor lalat membantu kami mempertahankan ide-ide ini.
Jelajahi Akademi Kecerdasan Neuraxon Lengkap
Lalat buah membuktikan bahwa kecerdasan dimulai dengan arsitektur. Neuraxon sedang membangun prinsip itu. Jelajahi bagaimana AI yang terinspirasi otak sedang dibentuk di QUBIC, mulai dengan Akademi Kecerdasan Neuraxon.
NIA Volume 1: Mengapa Kecerdasan Tidak Dihitung dalam Langkah, tetapi dalam Waktu— Menjelaskan mengapa kecerdasan biologis beroperasi dalam waktu kontinu daripada langkah komputasi diskrit seperti LLM tradisional.
NIA Volume 2: Dinamika Ternari sebagai Model Kecerdasan Hidup — Menjelaskan dinamika ternari dan mengapa logika tiga status (eksitatori, netral, inhibitor) penting untuk memodelkan sistem hidup.
NIA Volume 3: Neuromodulasi dan AI Terinspirasi Otak — Membahas neuromodulasi dan bagaimana sinyal kimia otak (dopamin, serotonin, asetilkolin, norepinefrin) menginspirasi arsitektur Neuraxon.
NIA Volume 4: Jaringan Saraf dalam AI dan Ilmu Saraf — Perbandingan mendalam antara jaringan saraf biologis, jaringan saraf buatan, dan pendekatan jalur ketiga Neuraxon.
NIA Volume 5: Astrosit dan AI Terinspirasi Otak — Menjelaskan bagaimana astrosit mengatur plastisitas sinaptik melalui sinaps tripartit, dan bagaimana Neuraxon menggabungkan pengaturan astrositik untuk mengatasi dilema stabilitas-plastisitas, memungkinkan jaringan untuk mengontrol secara lokal kapan, di mana, dan seberapa banyak pembelajaran terjadi.
Qubic adalah jaringan terdesentralisasi, sumber terbuka untuk teknologi eksperimental. Untuk mempelajari lebih lanjut, kunjungi qubic.org. Bergabunglah dalam diskusi di X, Discord, dan Telegram.
Referensi
Bargmann, C. I. (2012). Melampaui konektom: Bagaimana neuromodulator membentuk sirkuit saraf. BioEssays, 34(6), 458–465.
Bargmann, C. I., & Marder, E. (2013). Dari konektom ke fungsi otak. Nature Methods, 10(6), 483–490.
Friston, K. (2010). Prinsip energi bebas: Sebuah teori otak yang terpadu? Nature Reviews Neuroscience, 11(2), 127–138.
Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Dinamika neuron. Cambridge University Press.
Laughlin, S. B., & Sejnowski, T. J. (2003). Komunikasi dalam jaringan saraf. Science, 301(5641), 1870–1874.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Pembelajaran mendalam. Nature, 521(7553), 436–444.
Marek, S., et al. (2022). Studi asosiasi seluruh otak yang dapat direproduksi membutuhkan ribuan individu. Nature, 603, 654–660.
Marder, E., & Bucher, D. (2007). Memahami dinamika sirkuit. Tinjauan Tahunan Fisiologi, 69, 291–316.
Scheffer, L. K., & Meinertzhagen, I. A. (2021). Sebuah konektom tidak cukup. Journal of Experimental Biology, 224.
Shiu, P. K., Sterne, G. R., Spiller, N., et al. (2024). Model otak komputasional Drosophila mengungkapkan pemrosesan sensorimotor. Nature.
Winding, M., et al. (2023). Konektom dari otak serangga. Science, 379.
Zador, A. M. (2019). Kritik terhadap pembelajaran murni. Nature Communications, 10, 3770.
Sumber: https://qubic.org/blog-detail/fruit-fly-connectome-drosophila-brain-architecture-ai-qubic