Otak Lalat Diupload ke AI: Gimana Proyek Connectome Ini Jalan

Connectome itu apa

Connectome adalah peta lengkap neuron dan sambungan antar-neuron di sebuah otak atau sistem saraf. Yang dirilis ke publik ini adalah peta otak dan tali saraf lalat buah (Drosophila): sekitar 166.000 neuron dan lebih dari 125 juta koneksi. Anggap aja diagram pengkabelan dari otak biologis beneran.

Yang bikin ini jadi bahan mainan: datasetnya bisa diunduh, dan strukturnya berupa graf jaringan. Artinya dia bisa dimuat ke dalam simulasi dan diperlakukan mirip kayak neural network biasa, termasuk dilatih buat ngerjain tugas tertentu.

Kenapa ini langsung jadi proyek iseng internet

Dalam hitungan hari setelah datanya publik, orang udah nyoba macem-macem: otak lalat simulasi disuruh main video game, disuruh trading saham, sampai diarahin ke tugas coding. Nggak satupun dari itu hal yang dirancang buat dikerjain otak lalat. Semuanya cuma demonstrasi apa yang kejadian kalau jaringan saraf biologis asli dipakai ulang kayak kamu makai ulang jaringan saraf buatan.

Cara “ngelatih”-nya gimana

Prosesnya mirip banget sama melatih classifier machine learning biasa, bedanya jaringan di bawahnya bukan hasil rancangan dari nol. Dia struktur biologis yang udah fixed, jadi “training” di sini sebenarnya soal nyari bagian mana dari struktur yang udah ada itu yang bereaksi ke input tertentu.

Di kasus penyortiran email, alurnya kira-kira begini:

• Kumpulin data berlabel. Setumpuk email lama dilabelin manual ke beberapa kategori: sponsorship, tawaran konsultasi, pertanyaan mahasiswa, permintaan jadwal, newsletter, dan struk/invoice.
• Ubah teks jadi pola aktivitas saraf. Email itu cuma deretan karakter, dan pola karakter tertentu berkorelasi sama kategori tertentu (struk lebih mungkin isinya angka dan kata “invoice”). Tiap email berlabel menghasilkan pola tembakan sinyal yang khas di otak simulasi itu.
• Petakan aktivitas ke label. Alih-alih nyetel bobot kayak training loop neural net normal, prosesnya ngeliat wilayah otak lalat mana yang nyala buat tiap kategori, lalu mengikat pola aktivasi itu ke label.
• Perkuat pakai jawaban benar. Sistemnya dituntun lewat contoh-contoh yang benar, terus dirapiin lagi pakai umpan balik berbasis reward biar pemetaan pola-ke-label makin konsisten.
• Sambungin keputusan ke aksi. Begitu kategorinya ketahuan, dia memicu balasan template yang udah ditulis duluan, bukan bikin balasan baru.

Bagian yang sengaja nggak disentuh

Ini detail yang menarik: sirkuit motorik yang ngatur gerak lalat simulasi di lingkungan virtualnya sengaja dibiarin utuh. Sirkuit itu yang ngurusin terbang dan navigasi, dan kalau ikut dilatih pakai data email, perilaku gerak dasarnya bisa rusak. Istilahnya, lalatnya bisa “nabrak tembok” gara-gara neuron motoriknya keacak sinyal yang nggak ada hubungannya.

Kenapa cuma sampai 80%

Ya karena ini otak lalat. Biar udah dipetakan dan disimulasikan, jaringannya tetap dibangun buat hidup sebagai lalat buah: mendeteksi cahaya, mendeteksi bau, dan gerak ke arah versi yang enak dari keduanya. Dia nggak pernah dibangun buat bahasa, buat klasifikasi skala besar, apalagi buat keputusan yang nuanced.

Di demonstrasinya, sistem yang udah dilatih nyampe sekitar 80% dari performa neural network konvensional kecil di tugas klasifikasi email yang sama, padahal network kecil itu butuh waktu latih jauh lebih singkat. Itu hasil yang nyata, tapi ada catatannya: sistemnya nggak nyusun balasan dari nol. Dia mencocokkan email masuk ke template terdekat lalu ngisi bagian kosongnya. Makanya balasannya terasa generik (“Hey there” doang, bukan nyebut nama orangnya). Ini klasifikasi dan pencarian, bukan generasi teks.

Ada plafonnya, dan cepet kena

Skalanya juga mentok. Waktu dicoba didorong lewat dari sekitar lima sampai sepuluh kategori, akurasinya mulai ambrol. Kemungkinan besar karena jaringannya emang terlalu kecil dan terlalu terspesialisasi di pengkabelan aslinya buat menopang pembedaan sehalus itu.

Jadi jangan bayangin otak lalat bakal mendekati LLM generasi awal sekalipun. Lalat nggak memproses bahasa sama sekali di alam. Mereka dibangun buat serangkaian perilaku bertahan hidup yang jauh lebih sempit, dan batas itu langsung kelihatan begitu kamu minta lebih.

Etisnya gimana?

Ini pertanyaan yang belum ada jawaban pastinya, dan menurut kami layak dianggap serius, bukan sekadar catatan kaki. Connectome adalah peta pengkabelan biologis dari makhluk hidup beneran. Menjalankan peta itu di dalam simulasi, ngasih dia input sensorik, terus membiarkan dia bertindak berdasarkan output, itu mengaburkan garis yang belum diselesaikan neurosains maupun filsafat: apakah instansiasi simulasi dari otak biologis punya bentuk pengalaman?

Sejauh ini nggak ada yang tahu apakah ini menghasilkan sesuatu yang menyerupai kesadaran, bahkan buat makhluk sesederhana lalat buah, apalagi kalau nanti skalanya naik. Ketidakpastian itu nggak menghentikan laju proyek-proyek kayak gini, dan wajar kalau teknik yang sama bakal merambat ke organisme yang lebih kompleks (tikus, primata) seiring makin banyak connectome yang dipetakan dan dirilis. Jarak antara “ini mungkin dilakukan” dan “kita paham artinya apa” kemungkinan bakal lebar untuk waktu yang lama.

Sebagian orang yang bikin proyek ini merespons dengan cara informal: ngasih organisme simulasinya lingkungan yang lebih manusiawi, ruang virtual buat bergerak, makanan simulasi, agen simulasi lain buat diajak berinteraksi, ketimbang cuma kotak hitam yang nerima input dan ngeluarin output. Apakah itu beneran mengubah sesuatu, nggak ada yang tahu. Tapi itu nunjukin ada rasa nggak nyaman yang tulus soal menjalankan peta otak biologis semata-mata sebagai alat.

Jadi bisa dipakai buat apa?

Untuk sekarang, plafon praktisnya sempit. Tugas klasifikasi sederhana, misalnya nyortir sesuatu ke beberapa laci berdasarkan pengenalan pola, masih masuk akal. Tugas yang butuh generasi bahasa yang halus, penalaran panjang, atau puluhan kategori detail, belum masuk, setidaknya kalau basis jaringannya connectome lalat.

Dan daya tariknya jelas bukan efisiensi. Melatih dan menjalankan otak simulasi kayak gini lebih lambat dan lebih nggak akurat dibanding model kecil yang dirancang khusus. Daya tariknya adalah ini substrat komputasi yang benar-benar baru: diagram pengkabelan biologis asli yang lagi ngerjain kerjaan digital.

Yang kami ambil dari sini

Buat bisnis, pelajarannya sebenarnya sama kayak yang sering kami bilang: yang bikin sesuatu kepakai itu kecocokan antara alat dan tugasnya, bukan seberapa keren teknologinya. Otak lalat yang dilatih nyortir email itu keren banget secara sains, tapi buat kerjaan beneran, model kecil biasa lebih cepat, lebih akurat, dan lebih murah. Kalau kamu penasaran soal model yang realistis dijalanin sendiri, kami pernah bahas model LLM yang pas per kelas RAM dan cara menjalankan model raksasa di device biasa.

Sumber bacaan: MindStudio, “Fruit Fly Brain Uploaded to AI”.

Mau AI yang beneran nyelesain kerjaan?

Kami bantu milih pendekatan yang masuk akal buat kebutuhanmu, dan masangnya biar kepakai tiap hari, bukan cuma keren pas demo. Ceritain kebutuhanmu.

ngobrol sama kami →