תאי מוח במעבדה מתחילים ללמוד, והגבול בין ביולוגיה למחשוב כבר פחות ברור
במעבדות מחקר ברחבי העולם גדלים בשנים האחרונות אורגנואידים מוחיים — מבנים זעירים של תאי מוח אנושיים, שמדמים חלק מהפעילות של הרקמה המקורית. עד לא מזמן הם שימשו בעיקר ככלי למחקר רפואי. עכשיו הם מתחילים לעורר עניין מסוג אחר לגמרי.
מחקר עדכני שפורסם בתחילת 2026 על ידי חוקרים מאוניברסיטת Johns Hopkins מצביע על כך שאורגנואידים כאלה אינם רק מגיבים לגירויים, אלא מסוגלים ללמוד משימה ולהשתפר בביצועה תוך זמן קצר. מדובר בצעד נוסף בכיוון שמתחיל להסתמן כתחום חדש בפני עצמו, שבו מערכות ביולוגיות אינן רק נושא למחקר — אלא גם מועמדות להפוך לפלטפורמת חישוב.
בניסוי חוברו האורגנואידים למערך אלקטרודות המאפשר תקשורת דו-כיוונית. מצד אחד, המערכת מספקת גירויים חשמליים מבוקרים. מצד שני, היא מודדת בזמן אמת את הפעילות העצבית שנוצרת בתגובה. בתוך המערכת הזו נבנתה לולאת משוב, כך שכל תגובה של הרקמה משפיעה על האופן שבו מוצג הגירוי הבא.
התוצאה אינה דרמטית במבט ראשון, אבל המשמעות שלה מצטברת במהירות. בתוך דקות של ניסוי נרשמה ירידה בשיעור השגיאות ועלייה בדיוק התגובה. לפי נתוני החוקרים, השיפור הגיע לעשרות אחוזים בפרק זמן קצר, לצד התייצבות של דפוסי הפעילות. זו כבר אינה תגובה מקרית לגירוי, אלא הסתגלות.
ד"ר Thomas Hartung, מהחוקרים המובילים בתחום, מנסח זאת בזהירות: "אנחנו לא בונים מוח במבחנה. אנחנו בודקים אם אפשר להשתמש ברקמה עצבית כבסיס למערכות חישוב מסוג אחר". במילים אחרות, לא מדובר בניסיון להעתיק את המוח האנושי, אלא בבחינה של עקרונות הפעולה שלו.
העניין בגישה הזו אינו מקרי. בעשור האחרון הפכה הבינה המלאכותית לתחום שצורך משאבים בקצב הולך וגובר. מודלים מתקדמים דורשים תשתיות חישוב אדירות, ומרכזי נתונים הפכו לצרכני אנרגיה משמעותיים. מול זה, המוח האנושי ממשיך להוות נקודת ייחוס כמעט מתסכלת: מערכת שלומדת במהירות, מסתגלת בקלות, ופועלת בהספק של כ-20 ואט בלבד.
הפער הזה מוביל חוקרים לשאול האם ניתן לחשוב על חומרה אחרת לגמרי. במקום לדמות נוירונים בקוד, אולי נכון יותר לעבוד עם נוירונים אמיתיים.
כדי להבין עד כמה הרעיון הזה מאתגר את התפיסה המקובלת של מחשוב, צריך לרדת לרמת המימוש. בניגוד לשבבים דיגיטליים, שבהם כל פעולה מוגדרת מראש ומבוצעת באופן דטרמיניסטי, רשת עצבית חיה פועלת בצורה הסתברותית ודינמית. אין כאן “קוד” במובן הקלאסי, אלא מערכת שמעצבת את עצמה תוך כדי פעילות.
בפועל, המשמעות היא שהחוקרים אינם מתכנתים את האורגנואיד אלא “מאמנים” אותו, באמצעות סדרות של גירויים וחיזוקים. הגישה הזו מזכירה עקרונות של למידת חיזוק (reinforcement learning), אך מתרחשת ברמה פיזית ולא אלגוריתמית. במקום לעדכן משקלים במודל, משתנים קשרים סינפטיים אמיתיים בין תאים.
האתגר ההנדסי המרכזי הוא תרגום בין שני העולמות. מערכות האלקטרודות צריכות להיות רגישות מספיק כדי לקלוט פעילות עצבית חלשה, אך גם מדויקות כדי להזרים גירויים ממוקדים. כל זה תוך שמירה על יציבות ביולוגית של הרקמה לאורך זמן. מדובר במערכת היברידית מורכבת מאוד, שבה כל שינוי קטן יכול להשפיע על התוצאה.
לצד האתגרים, יש גם יתרונות ייחודיים. רשתות ביולוגיות מצטיינות בלמידה מהירה מדוגמאות מעטות, ביכולת הכללה ובתגובה למצבים לא צפויים. אלו בדיוק התחומים שבהם מערכות AI קלאסיות עדיין מתקשות, במיוחד כאשר מדובר בסביבות דינמיות ולא מובנות.
ההקשר התעשייתי מתחיל להסתמן גם הוא. אם וכאשר ניתן יהיה לייצב מערכות כאלה, הן עשויות להשתלב בעתיד בשכבות קצה של מערכות חכמות, למשל ב-Edge AI, שם יש חשיבות גבוהה לצריכת אנרגיה נמוכה ולתגובה מיידית. זה עדיין רחוק, אך כבר לא מחוץ לגבולות הדמיון ההנדסי.
הרעיון הזה כבר אינו תיאורטי בלבד. חברת Cortical Labs האוסטרלית הדגימה בשנים האחרונות מערכת שבה רשת של תאי מוח הצליחה ללמוד אינטראקציה עם סביבה דיגיטלית. באחד הניסויים אף נעשה שימוש בסביבת משחק כדי לבחון תגובה ולמידה. הממצאים לא היו מושלמים, אבל הם סימנו כיוון ברור.
המחקר הנוכחי מוסיף נדבך חשוב, משום שהוא מציג למידה בתנאים מבוקרים יותר, עם מדדים כמותיים. עבור הקהילה המדעית, זו נקודה קריטית. המעבר מהדגמות מסקרנות לניסויים מדידים הוא זה שמאפשר לתחום להתקדם.
ועדיין, לא כולם משתכנעים באותה מידה. יש חוקרים שמזהירים מפני פרשנות יתר, ומזכירים כי האורגנואידים הם מערכות פשוטות יחסית, ללא ארגון מוחי מלא. אחרים מעלים שאלות אתיות. גם אם אין כאן תודעה או חוויה, עצם השימוש ברקמה עצבית אנושית למטרות חישוביות פותח דיון שעדיין לא הוכרע.
כך או כך, קשה להתעלם מהכיוון. אם מערכות כאלה ימשיכו להתפתח, הן עשויות להציע שילוב לא שגרתי של למידה, יעילות אנרגטית וגמישות. זה עדיין רחוק מיישום תעשייתי, אבל כבר לא רחוק מדי מהדגמה מדעית מבוססת.
ואולי זה החלק המעניין ביותר. לא התוצאה עצמה, אלא עצם השאלה שהיא מעלה. כשמערכת ביולוגית מתחילה לשפר ביצועים, להסתגל וללמוד, ההגדרות שאנחנו רגילים אליהן מתחילות להישחק. לאט, כמעט בלי לשים לב, הגבול בין חומרה חישובית לבין מערכת חיה נעשה פחות חד.
תיבה צדדית: מה זה Organoid Intelligence ?
Organoid Intelligence, או בקיצור OI, הוא תחום מחקר חדש יחסית שמחבר בין ביולוגיה, אלקטרוניקה ובינה מלאכותית. הרעיון הוא להשתמש באורגנואידים מוחיים כרכיב חישובי, במקום או לצד שבבי סיליקון.
הגישה אינה מבוססת על סימולציה של המוח, אלא על עבודה עם רקמה עצבית חיה, תוך חיבור למערכות אלקטרוניות שמאפשרות קלט, פלט ולמידה.
התחום נמצא עדיין בשלבים מוקדמים מאוד, אך כבר מושך עניין מצד מוסדות אקדמיים, חוקרי AI וחברות סטארט-אפ.
מקורות וקרדיט:
Johns Hopkins University, Organoid Intelligence Initiative
Hartung, T. et al., Frontiers in Science
Neuroscience News, February 2026
Cortical Labs, DishBrain experiments
לקישור בדיגיטל:
https://www.frontiersin.org/articles/10.3389/fsci.2023.1017235/full
