Живые клетки мозга обошли алгоритм ИИ в задаче, где требовалось найти дорогу к цели. Команда Cortical Labs и Honda Research Institute Europe показала, что выращенные на чипе человеческие нейроны набрали больше очков, чем настроенная глубокая Q-сеть (DQN), при одинаковом числе шагов обучения. Речь идёт о лабораторном испытании, а не о превосходстве биокомпьютеров вообще.
В эксперименте нейронные культуры управляли виртуальным агентом на поле размером 6 на 6 клеток. Агенту предстояло находить «пищу», ориентируясь на упрощённый сигнал, похожий на направление запаха. Доступными действиями оставались движение вперёд и повороты вправо или влево. Успешная находка приносила очки, столкновение со стеной уменьшало результат.
Система CL1 связывала живые нейроны с цифровым миром через микроэлектроды. Компьютер превращал показания виртуального датчика в электрические импульсы разной частоты и отправлял клеткам. Затем программа считывала активность нейронов в трёх областях электродной матрицы и выбирала движение агента. После каждого шага клетки получали электрическую обратную связь.
Ключевой сложностью оказался не сам запуск нейронов, а подбор понятных для живой сети сигналов. Команда проверила 1296 сочетаний параметров, включая частоту и силу стимуляции, длительность импульсов и скорость взаимодействия со средой. В испытаниях участвовали 26 нейронных культур, а суммарное время взаимодействия агентов с виртуальной средой превысило 4000 часов.
Из всех вариантов выделили 12 настроек, при которых культуры стабильно улучшали результат в нескольких эпизодах. В сравнении с DQN биологическая система показала преимущество в 18% при одном непрерывном испытании на 150 шагов и в 25% при пяти сериях по 30 шагов. Между короткими сериями клетки отдыхали две минуты, а заметный прогресс проявлялся примерно с третьей серии.
Чтобы отделить обучение клеток от особенностей программы, авторы провели контрольные испытания без нейронов и с изменённой схемой преобразования их сигналов в команды. В обоих случаях устойчивого улучшения не обнаружили. Проверка поддерживает вывод, что живая сеть участвовала в адаптации, но не раскрывает точный клеточный механизм. Не всякая настройка импульсов давала положительный эффект.
Ранее Cortical Labs подключила нейроны к игре Doom, где культура реагировала на препятствия и противников. Новая работа делает акцент не на эффектной демонстрации, а на подборе параметров интерфейса. Авторы проверили настройки на разных культурах, чтобы результат не зависел от одного образца. Первую версию исследования опубликовали в мае, обновлённую в октябре 2026 года.
Пределы опыта остаются узкими. Агент получал простой сигнал о направлении цели, а сравнение касалось одной модели обучения с подкреплением и ограниченного числа шагов. Преимущество в очках не доказывает выигрыша в скорости или потреблении энергии. Авторы рассматривают нейронные системы как основу для гибридных вычислений и управления роботами, но такие применения ещё предстоит проверить.
