Oyuncu Beyin Serisi : Beyin en küçük hücreleri bile oyun oynuyor! İş’te tam bir Oyuncu Beyin hikayesi :

Beynimizin en küçük hücresi bile ilk fırsatta oyun oynamak istiyor desek? Biyolojik olarak bilgisayarlarla entegrasyon konusu bilim kurgu filmi gibi gözükse de artık hayatımıza girmiş hem teknolojik hem de felsefi ve etik kısımlarıyla bir gerçek. 

Avustralya’daki Cortical Labs adlı bir girişimden araştırmacılar, laboratuvar kabında yetiştirilen yaklaşık 800.000 beyin hücresine 1970’lerin klasik oyunu Pong’u oynamayı öğretti. CL1 adını verdikleri bilgisayardaki “DishBrain” adlı sistemde nöronlar, bilgisayara bağlı bir silikon çip üzerinde büyütüldü; çip hem hücrelerin elektrik sinyallerini okuyor hem de onlara sinyal gönderiyordu. Hücreler topa vurduğunda düzenli ve öngörülebilir bir uyarı, kaçırdığında ise kaotik bir “beyaz gürültü” aldı.

Hücrelerin öngörülebilir ortamı tercih ettiğini söyleyen Serbest Enerji İlkesi’ne dayanan bu yöntem işe yaradı: hücreler zamanla raketi topun önüne getirmeyi öğrendi. Performans mükemmel olmasa da insan hücreleri fare hücrelerinden biraz daha iyi oynadı. 

Gelin isterseniz önce klasik olarak bilgisayar sistemlerinden biocomputing – biobilgisayar sürecini bir açıklayalım. Klasik olarak bilgisayarlarda 2 sistem bulunmakta Hardware-Donanım diyebiliriz sert ve fiziksel objelerden oluştuğu için “hard” kelimesi kablolu-kablosuz bağlı olduğu için de “ware” kelimesi gelmiş. Devamında donanımı çalıştıracak yazılım için de “soft” sert olmayana zıtlık anlamında yumuşak olarak seçilmiş. Software donanımı çalışma yöntemleri diyebiliriz. Burada da biyolojik entegrasyon da sıvı ile ilişkilendirildiğinden ıslak anlamına gelen “wetware” kelimesi kullanılıyor. Peki neden wetware ya da insan olsun olmasın bir canlı biyolojik unsur bilgisayar ortamlarına entegre ediliyor? Konu yine maliyet ve verimlilik gibi aktarılmakta. 

Günümüzde de her geçen gün daha çok kullanımı artan yapay zeka donanımları ve sürdürebilirliği için uzun vadede hem fiziksel yatırım hem de maliyetlerden dolayı imkansız gibi düşünülüyor. Ancak klasik bir bilgisayar çipinden çok daha hızlı giriş alıp öğrenerek veri tutan ve bakımı daha kolay uzun ömürlü bir biyolojik silahımız var, beyin ve nöronları. 

Bir bilgisayara bağlı yaklaşık 800.000 hücre, oyundaki elektronik topun konumunu algılamayı ve sanal bir raketi kontrol etmeyi kademeli olarak öğrendi.

Bu yeni deney beynin nasıl öğrendiğini ve bilgisayarların nasıl daha zeki hâle getirilebileceğini anlamaya yönelik bir çabanın parçası.

Çalışmanın yazarlarından ve Avustralya’nın Melbourne kentindeki Cortical Labs’ın baş bilim sorumlusu Brett Kagan, “Silikon tabanlı hesaplamada büyük adımlar attık, ama bu sistemler hâlâ katı ve esnekliksiz,” diyor. “Biyolojide bunu görmüyoruz.”

Kagan’a göre örneğin hem bilgisayarlar hem de insanlar bir fincan çay yapmayı öğrenebilir. Ancak insanlar öğrendiklerini, bir bilgisayarın yapamayacağı şekilde genelleyebilir.

“Başka birinin evine hiç gitmemiş olabilirsiniz, ama biraz karıştırıp arayarak, malzemeler olduğu sürece muhtemelen fena olmayan bir çay yapabilirsiniz,” diyor. Oysa çok güçlü bir bilgisayar bile alışık olmadığı bir ortamda bu görevi yerine getirmekte zorlanır.

Bu yüzden Cortical Labs, canlı beyin hücrelerinin bu tür bir zekâyı nasıl kazandığını anlamaya çalışıyor. Kagan, Pong deneyinin, bir beyin hücresi ağının davranışını değiştirmeyi nasıl öğrendiğine dair temel bir soruyu yanıtlamanın yolu olduğunu söylüyor:

“Bu hücrelerin eylemlerinin sonucunu bilmelerine izin verirsek, gerçekten de bir tür hedefe yönelik biçimde değişebilecekler mi?” diyor Kagan.

Sorunun cevabını aramak için bilim insanları, kendi elleriyle kurdukları küçük bir dünyaya başvurdu: adını “DishBrain” koydukları bir sisteme.

Başparmak büyüklüğünde bir kabın dibinde, besin dolu sıvının sessizliği içinde, ince bir canlı nöron örtüsü yayılıyordu. Altlarında ise onları dünyaya bağlayan tek kapı duruyordu: bir bilgisayara uzanan özel bir silikon çip. Bu çip iki yönlü bir tercüman gibiydi; nöronların fısıldadığı elektriksel sözleri dinliyor, karşılığında onlara kendi sinyallerini gönderiyordu. Ek olarak bu nöronların “yaşam ünitesi” adı verilen beslenme,sıcaklık ve atıklarını yöneten bir kısım da mevcut. Bu nöronların ömrü 6 ay kadar sürüyor. 

Hücrelerin öğrenip öğrenemeyeceğini sınamak için ekip en ilkel oyunlardan biri olan ekibin de favorilerisi seçildi: Pong. Masa tenisinin iki boyuta indirgenmiş bu hâli, video oyunlarının ilk ve en yalın örneklerinden biri olarak zamanında kendine sadık bir hayran kitlesi toplamıştı.

Pong’un dünyası bir ekrandan ibaretti. Siyah bir dikdörtgen masanın sınırlarını çiziyor, beyaz bir imleç ise oyuncunun raketi olarak yukarı aşağı süzülüp beyaz topun yolunu kesmeye çalışıyordu.

Deney için bu dünya daha da sadeleştirildi,normalde bilgisayara karşı oynanırken burada sanal masanın sol kıyısında yalnızca tek bir raket bekliyordu; top ise diğer kenarlara çarpa çarpa sekiyor, raketin elinden kaçtığı ana dek yolculuğunu sürdürüyordu.

Hücrelerin oyuna katılabilmesi için bilgisayar onlara topun nerede dolaştığını sinyallerle anlatmaya başladı. Bir yandan da kulak kesildi: hücrelerden yükselen elektriksel atımları, bir cevap bekler gibi dikkatle izledi.

“O bilgiyi aldık ve oynadıkları bu Pong oyununu etkilemesine izin verdik,” diyor Kagan. “Böylece raketi hareket ettirebiliyorlardı.”

Ama başlangıçta hücreler bu dili bilmiyordu. Bilgisayardan gelen sinyaller onlar için anlamsız bir uğultuydu; karşılığında ne söylemeleri gerektiğinden de habersizdiler. Üstelik oyunu oynamak için hiçbir sebepleri yoktu.

Bilim insanları da onlara bir sebep vermeye karar verdi. Doğru hamlenin ödülü, düzenli ve ahenkli bir elektrik dalgasıydı; yanlışın bedeli ise kaotik, anlamsız bir beyaz gürültü fırtınası.

“Topa vururlarsa onlara öngörülebilir bir şey verdik,” diyor Kagan. “Kaçırdıklarında ise tamamen öngörülemez bir şey aldılar.”

Bu stratejinin ardında Serbest Enerji İlkesi yatıyordu: beyin hücrelerinin, çevrelerinde olup biteni önceden kestirebilmeyi arzuladığı fikri. Eğer bu doğruysa, hücreler kaosun yerine düzeni, sürprizin yerine öngörülebilir olanı seçecekti.

Serbest Enerji İlkesi (Free Energy Principle), beyin koordinasyonu, yapay zeka ve biyolojik sistemlerin işleyişini açıklamak için geliştirilmiş evrensel bir matematiksel ve nörolojik teoridir. Nörobilimci Karl Fristontarafından ortaya atılan bu ilke, yaşayan tüm sistemlerin çevrelerine uyum sağlamak ve hayatta kalmak için temelde tek bir şeyi yapmaya çalıştığını savunur: Gelecekteki belirsizliği ve sürprizleri en aza indirmek.

Sistemlerin bunu başarmak için içsel “serbest enerjiyi” (matematiksel belirsizlik veya hata payı) sürekli olarak düşürmesi gerekir.

Serbest enerji ilkesine göre beyin, sürekli olarak dış dünya hakkında tahminler yürüten bir “tahmin motorudur” (Bayesyen Beyin).

1. Tahmin Üretimi: Beyniniz, geçmiş deneyimlerinize dayanarak dış dünyada ne olup bittiğine dair bir içsel model (tahmin) oluşturur.
2. Duyusal Girdi: Beş duyunuz aracılığıyla dış dünyadan sürekli olarak gerçek zamanlı veriler (sinyaller) gelir.
3. Tahmin Hatası (Serbest Enerji): Beyninizin tahmini ile duyulardan gelen gerçek veri uyuşmadığında bir tahmin hatası oluşur. İşte bu matematiksel hataya “serbest enerji” denir.

Ve beyin hücreleri de aynen bu şekilde tepki verdi. Hücreler yavaş yavaş, raketi topun önüne taşıyacak elektriksel örüntüleri dokumayı öğrendi. Top her geri döndüğünde oyunu oynama süresi bir tenis rallisi gibi uzadı.

Beyin hücreleri Pong’da hiçbir zaman çok iyi olamadı. Ancak Kagan’a göre ilginç bir şekilde, insan beyin hücreleri fare beyin hücrelerinden biraz daha yüksek bir oyun seviyesine ulaşmış gibi göründü. 

Kagan, her ağın bir hamamböceğinin beyninden daha az hücre içerdiği düşünüldüğünde oyun seviyesinin dikkat çekici olduğunu söylüyor.

“Pong oynayan bir hamamböceği görseniz ve topa, kaçırdığının iki katı kadar vurabilseydi, o hamamböceğinden epey etkilenirdiniz,” diyor.

Kagan’a göre sonuçlar, biyolojinin bilgisayarların öğrenme biçimini değiştirerek onları daha zeki hâle getirmeye yardımcı olacağı bir geleceğe işaret ediyor.

Ancak Georgia Tech’te yardımcı doçent olarak görev yapan Steve M. Potter, bu geleceğin muhtemelen hâlâ çok uzakta olduğunu söylüyor.

“Bazı canlı bileşenleri olan bir bilgisayar fikri heyecan verici ve gerçeğe dönüşmeye başlıyor,” diyor. “Ancak bu sistemlerin gerçekleştirebildiği öğrenme türleri şu an için oldukça ilkel.”

Yine de Potter, hücrelerin Pong öğrenmesini sağlayan sistemin araştırma yapmak için harika bir araç olabileceğini söylüyor.

“Bu, sadece öğrenmeyi değil, sinir sistemindeki her türlü mekanizmayı incelemek için kullanılabilecek bir tür yarı canlı hayvan modeli,” diyor.

Burada tabiki bilim kurgu filmlerindeki gibi bu hücrelerin aldığı elektrotlar acaba ödül ve ceza gibi hislere de neden oluyor mu, hatta bir bilince sahip mi? Burada cevap aslında tam bir organ olma yolunda milyonlarca nörünun damar sistemleriyle ilişkide olması gerekmekte ondan tam bir organ ve düşünce değil daha çok evlerimizin dışındaki otomatik açılan ışıklar gibi etki-tepki veren sistemler olarak adlandırılıyor. 

Aynı ekip son dönemde biraz daha lokasyon bazlı hisler için ve serbest seçim gibi unsurları da ekleyerek oyun sektörünün en temel 3 boyutlu oyunlarından olan DOOM için de aynı deneyi gerçekleştirdiler ve CL1 isimli bilgisayar bu oyunda da ortalama bir performans sergiledi. 

Peki beynimizin en ilkel bilinçsiz hali bile oyun oynamayı öğrenebiliyorsa bunu neden oyunlarla başlıyorlar? 

Oyun seçimlerinin arkasında iki farklı mantık var.

Pong: en basit ödül ceza sistemli test. Amaç, hücrelerin hiç öğrenip öğrenemediğini görmekti. Pong’da her şey çok doğrudan ilerliyor: top gelir, raket hareket eder. Cortical Labs bilim insanı Alon Loeffler, Pong’u doğrudan bir girdi-çıktı ilişkisi olarak tanımlıyor ve Doom’un çok daha karmaşık olduğunu belirtiyor.

Doom: hem bir şaka hem de gerçek bir sınav. Loeffler’in anlattığına göre Pong çalıştıktan sonra aldıkları en yaygın tepki “Peki Doom’u çalıştırabilir mi?” sorusu oldu. Bu, mühendislik dünyasında köklü bir gelenek. Donanımcılar yeteneklerini, Doom’u elektronik sigaralar, akıllı termostatlar ve hatta diş fırçaları gibi tuhaf cihazlarda çalıştırarak sınarlar. Doom aynı zamanda bilimsel açıdan da anlamlı bir sıçrama. Oyunda 3B ortamlarda yol bulmak, silahları yönetmek ve düşmanlara tepki vermek gerekiyor. Buarada telif sorunu yaşamamak için aslında Doom motoruyla yapılmış, telifsiz bir oyun olan “Freedoom” isimli aynı oyunun klonu kullanıldı. 

Hücreler hâlâ iyi oyuncular değil. Başlangıçta sık sık duvarlara yürüdüler, duvarlara ateş ettiler ve etrafta döndüler. Zamanla düşmanları daha düzenli ve doğru biçimde hedef almaya başladılar. Loeffler’e göre de sistem aslında Doom oynadığının farkında değil. 

Doom’un asıl önemli yanı, oyunun kendisinden çok platformun kullanım kolaylığını göstermesi. Pong’u eski donanımda çalıştırmak 18 ay sürmüştü. Doom ise API altyapısı kurulduktan sonra bağımsız bir araştırmacı tarafından bir haftadan kısa sürede çalıştırıldı. Yani Doom bir bakıma “bakın, artık herkes bunu her süreç içi yapabilir” mesajı veren bir örnek oldu. 

Şirketin bu deneyi ticarileştirmesi belki de bu kadar ana haberlere ve sosyal medya fenomenlerine kadar düşmesine neden oldu. CL1 bilgisayarını 35.000 dolara satışa koydular, önce akademik ve girişimcilere öncelik verildi, ilk ayında yüzlerce satıldığı paylaşıldı, daha da ilginci aylık 1000 dolar ile akademik amaçlı bulut tabanlı olarak kiralanabilir bir model de sürdüler ki herkes deneylerini ve araştırmalarını yapabilsinler. 

Sırada hangi oyun var? Amaç oyun oynatmak tabiki değil? Virüsleri vurmak, sorunları çözmek.

Şirketin odağı oyunlardan gerçek dünyadaki kullanım alanlarına kayıyor gibi görünüyor:

• Biyolojik veri merkezleri: Mart 2026’da Melbourne’da bir tane açtılar. Her CL1 ünitesi 30 watt ile çalışıyor. Tipik bir GPU ise 6.000 watta kadar enerji harcayabiliyor. Ağustos 2026’da da DayOne, Cortical Labs ve Singapur Ulusal Üniversitesi Tıp Fakültesi ile birlikte Singapur’un ilk biyolojik veri merkezi prototipini kurdu. CEO Hon Weng Chong bu adımı konuşmayı araştırmadan ticari uygulamaya taşıyan bir gelişme olarak tanımlıyor. 
• Daha karmaşık görevler: Şirket, CL1’in yakında Doom’da ustalaşacağını ve ardından giderek daha karmaşık görevlere geçeceğini umuyor. Ayrıca geliştiricileri ve araştırmacıları açık API’yi kullanmaya davet ediyor
• İlaç testi ve tıp: Şirket bu sistemlerin ilaç testinde, ilaçları kişiye özel uyarlamada ve nörolojik hastalıkları araştırmada kullanılabileceğini söylüyor.

Şirketin GitHub hesabında “handwritten-digit-neural-cultures” adında, Ağustos 2026’da güncellenmiş bir proje bulunuyor. Adından, hücrelere el yazısıyla yazılmış rakamları tanıtmaya çalıştıkları anlaşılıyor. Bu, yapay zekânın klasik başlangıç testlerinden biri. 

Ağustos 2026’da yayımlanmış bu proje dökümanında bir ön baskı makale var. Makalenin başlığı Türkçeye kabaca şöyle çevrilebilir: “Nöron kültürleriyle el yazısı rakam sınıflandırması; sinir mimarisinden, ağ dinamiklerinden ve kod çözme yöntemlerinden etkilenir.” Yazarlar arasında Doom projesindeki Alon Loeffler ve Brett Kagan da var.

• Ne yaptılar? MNIST, yapay zekâ dünyasının en klasik başlangıç testlerinden biri. Görev, el yazısıyla yazılmış 0–9 arası rakamları tanımak. Ekip bu testin zamana yayılan bir versiyonunu kullandı ve farklı biyolojik ve analitik faktörlerin tanıma doğruluğunu nasıl etkilediğini inceledi. Bir rakam resmi önce yapay bir sinir ağıyla elektrik sinyali dizisine dönüştürüldü, sonra hücrelere verildi.
• Ne buldular? Belirli bir düzende, bölmeler hâlinde büyütülen beyin kabuğu hücreleri bu testte açık ara en iyi sonucu verdi. Düzensiz yayılan hücre tabakalarını ve organoidleri belirgin şekilde geride bıraktılar. Yani hücrelerin nasıl dizildiği, ne kadar iyi “düşündüklerini” doğrudan etkiliyor.
• Veriler herkese açık. Toplam 52 deneyden alınan yaklaşık 85 GB’lık elektrik kaydı yayımlandı.

Pong ve Doom’dan önemli bir farkı var: Bu bir oyun değil. “Rezervuar hesaplama” denen bir yöntem kullanılıyor. Hücreler bir şey öğrenmek zorunda değil; gelen sinyali kendi karmaşık tepkileriyle dönüştürüyorlar, sonra bir bilgisayar bu tepkilere bakarak rakamı tahmin ediyor.

Burada harfleri öğretme gibi aslında “Project Hail Mary” filminde uzaylı “The Rocks” ile ileitşim için ortak alfabe kurmak gibi bir süreç bizi bekliyor ki benzer bazı öncü denemeler var. 

Kaliforniya Üniversitesi Santa Cruz ‘daki bir araştırma da ise yapay zekâda çok kullanılan oyun benzeri bir test denenmiş. 

Oyun: Sağa sola hareket eden bir arabanın üzerinde dik duran bir çubuğu düşürmeden dengede tutmak. Cart-Pole (çubuk dengeleme). Bu test pekiştirmeli öğrenme araştırmalarında sıkça kullanılıyor. Simüle etmesi kolay ve hızlı. Ama örüntü tanıma görevlerinden farklı olarak tek bir doğru cevap yerine sürekli ve hassas ayarlamalar gerektiriyor.

• İlginç taraf: Yapay zekâ burada “koç” rolünde. Hücreler başarısız olduğunda, pekiştirmeli öğrenme algoritması hangi nöronlara eğitim sinyali gönderileceğine karar veriyor.
• Sonuç: Rastgele eğitilen organoidlerin başarı oranı yalnızca %4,5’te kaldı. Yapay zekâ koçluğuyla eğitilenlerde bu oran %46’ya çıktı.
• Araştırmacılar bunun beyin organoidlerinde hedefe yönelik öğrenmenin ilk titiz akademik kanıtı olduğunu söylüyor. Not: Bu deneyde fare kök hücrelerinden büyütülen organoidler kullanıldı.

https://www.npr.org/sections/health-shots/2022/10/14/1128875298/brain-cells-neurons-learn-video-game-pong

Wikipedia – Cortical Labs https://en.wikipedia.org/wiki/Cortical_Labs 

Cortical Labs GitHub : https://github.com/cortical-labs

Computers Made of Living Brain Cells: How Do They Learn? | Cortical Labs CL1 Explained