Para peneliti dari University of Bristol, Inggris, berhasil menunjukkan kemampuan organoid otak manusia dalam memproses pola huruf Braille melalui eksperimen komputasi biohibrida. Penelitian yang dipublikasikan pada 16 Oktober 2026 dalam jurnal Frontiers in Artificial Intelligence ini menggabungkan jaringan saraf biologis, sensor sentuhan, dan sistem pembelajaran mesin. Hasil pengujian menunjukkan bahwa penggunaan satu organoid menghasilkan akurasi klasifikasi 61 persen, sedangkan kombinasi tiga organoid meningkat menjadi 83 persen. Temuan tersebut membuka peluang pengembangan teknologi komputer biologis yang berpotensi lebih hemat energi, meskipun kemampuan pembelajaran organoid dalam eksperimen ini belum terbukti.
Terobosan Teknologi Organoid Otak dalam Mengenali Pola Braille
Pertumbuhan sistem kecerdasan buatan memperbesar kebutuhan terhadap pendekatan pemrosesan informasi alternatif. Dalam sistem komputer konvensional, pelaksanaan perhitungan elektronik mengandalkan prosesor berbasis silikon. Namun demikian, kebutuhan energi komputasi mendorong pencarian solusi baru. Dalam upaya mengeksplorasi metode baru, ilmuwan University of Bristol meneliti penggunaan organoid otak sebagai jaringan saraf hidup untuk mengolah sinyal. Konsep tersebut menggabungkan jaringan biologis dan perangkat elektronik untuk menguji potensi pemrosesan berbasis jaringan saraf.
Melalui eksperimen yang dilakukan, tim ilmuwan menempatkan organoid yang dikembangkan dari sel manusia untuk merespons sinyal elektronik. Jaringan biologis mini ini tidak memiliki seluruh kemampuan otak manusia. Meski memiliki dimensi kurang dari satu milimeter, organoid mengandung ribuan neuron. Dalam pengujian berikutnya, ilmuwan menyampaikan informasi Braille melalui elektroda. Aktivitas listrik yang muncul dievaluasi dengan metode pembelajaran mesin untuk membedakan informasi yang diberikan. Eksperimen ini memperlihatkan potensi pemrosesan informasi melalui organoid.
Cara Kerja Organoid Otak dalam Memproses Pola Huruf Braille
Dalam merancang pengujian, ilmuwan mengoperasikan sensor yang mampu membaca pola permukaan untuk mendeteksi pola sentuhan pada simbol Braille. Metode representasi karakter Braille mengandalkan susunan titik tertentu yang dapat dikenali melalui sentuhan. Pada tahap pengumpulan data, peneliti mengambil informasi dari 26 huruf alfabet Braille. Informasi taktil yang diperoleh kemudian diterjemahkan ke dalam rangkaian impuls elektronik. Tahapan konversi ini berfungsi sebagai antarmuka penting antara sensor mekanis dan jaringan saraf.
Sesudah data taktil diubah menjadi sinyal listrik, peneliti menggunakan susunan mikroelektroda untuk memberikan stimulasi. Multielectrode array atau MEA merupakan sistem antarmuka elektronik untuk jaringan saraf. Melalui perangkat tersebut, organoid diberikan rangsangan yang mewakili informasi Braille. Setelah menerima rangsangan, organoid memperlihatkan perubahan aktivitas neuron yang ditangkap oleh sistem pengukuran. Melalui mekanisme tersebut, data taktil dapat diteruskan melalui jaringan neuron hidup. Namun, proses tersebut tidak membuktikan adanya pemahaman simbol secara sadar.
Teknologi Pembelajaran Mesin untuk Membaca Sinyal Jaringan Saraf
Setelah memperoleh respons listrik organoid, peneliti menerapkan sistem klasifikasi berbasis komputer untuk membedakan respons terhadap setiap huruf. Algoritma yang digunakan adalah support vector machine atau SVM, yaitu metode komputasi untuk mengklasifikasikan pola tertentu. Pada proses analisis, sistem menganalisis perbedaan sinyal biologis yang dihasilkan. Selanjutnya, algoritma mengidentifikasi rangsangan berdasarkan respons organoid. Berkat pengolahan data tersebut, jaringan saraf hidup berperan sebagai komponen biologis dalam sistem klasifikasi.
Keterlibatan sistem klasifikasi penting dibedakan dari kemampuan organoid. Melalui sistem yang diuji, organoid tidak menghasilkan keluaran berupa karakter tertulis. Sebaliknya, sinyal biologis diukur lalu diklasifikasikan menggunakan perangkat lunak. Pencapaian sistem biohibrida mengindikasikan jaringan biologis mampu menghasilkan respons informatif. Meski hasilnya menarik, eksperimen tidak menunjukkan perubahan perilaku melalui latihan berulang. Pemahaman ini penting untuk menghindari kesimpulan berlebihan.
Hasil Eksperimen Komputasi Biohibrida dengan Satu dan Tiga Organoid
Salah satu temuan utama adalah peningkatan kemampuan klasifikasi ketika beberapa organoid digabungkan. Dalam pengujian menggunakan satu organoid, algoritma mencatat keberhasilan klasifikasi sebesar 61 persen. Pada konfigurasi berikutnya, penggunaan tiga organoid memberikan hasil pengenalan pola sebesar 83 persen. Perbedaan hasil ini memperlihatkan potensi penggunaan beberapa jaringan saraf. Dalam konteks eksperimen, angka akurasi merujuk pada pengenalan pola stimulus, bukan kemampuan organoid mengenali tulisan seperti manusia.
Hasil pengujian turut menunjukkan bahwa penggabungan respons biologis meningkatkan ketahanan klasifikasi terhadap gangguan tertentu. Dalam pengujian tambahan, ilmuwan menambahkan gangguan buatan pada sinyal Braille. Setelah gangguan diterapkan, peneliti mengukur perbedaan pengenalan pola dengan dan tanpa pemrosesan biologis. Dalam kondisi yang diuji, respons gabungan organoid lebih tahan terhadap sejumlah gangguan. Kendati menunjukkan ketahanan terhadap noise, mekanisme di balik keunggulan tiga organoid masih memerlukan kajian.
Potensi Komputasi Biohibrida untuk Mengembangkan Komputer Hemat Energi
Pengembangan sistem biohibrida memberikan arah pengembangan alternatif bagi komputasi hemat energi. Otak manusia menjadi inspirasi bagi rancangan komputasi efisien. Karena karakteristik tersebut, ilmuwan mengeksplorasi pemanfaatan jaringan neuron hidup sebagai elemen dalam arsitektur biohibrida. Jika penelitian lanjutan menunjukkan hasil yang konsisten, organoid mungkin membantu pengembangan perangkat komputasi baru. Walaupun memiliki potensi tersebut, hasil pengujian belum cukup untuk menyatakan penghematan energi sistem.
Sebelum sistem dapat diterapkan secara luas, berbagai tantangan teknis masih perlu diatasi. Material biologis tersebut terdiri dari sel aktif sehingga harus dijaga agar tetap hidup. Selain itu, aktivitas neuron tidak selalu identik antarsampel karena hubungan antarneuron dapat bervariasi. Perbedaan tersebut menantang proses pengembangan sistem yang konsisten. Selain tantangan rekayasa, penggunaan jaringan biologis manusia juga membutuhkan pertimbangan etika, termasuk asal sel dan persetujuan donor.
Masa Depan Teknologi Komputasi Biohibrida Berbasis Jaringan Saraf
Penelitian dari University of Bristol menunjukkan perkembangan penting dalam pengembangan antarmuka jaringan saraf dan perangkat elektronik. Melalui penggunaan perangkat pendeteksi taktil, antarmuka elektronik jaringan biologis, serta metode klasifikasi digital, peneliti menunjukkan bahwa jaringan saraf menghasilkan informasi yang dapat diklasifikasikan. Peningkatan akurasi dari 61 persen menjadi 83 persen menjadi indikasi potensi penggabungan jaringan biologis. Walaupun menunjukkan hasil positif, hasilnya tidak berarti jaringan biologis telah memahami bahasa. Ke depan, pengembangan sistem umpan balik dua arah dapat membantu memahami kemampuan adaptasi organoid. Menurut pandangan Anda, apakah teknologi komputer yang memanfaatkan jaringan saraf hidup berpotensi menjadi bagian dari komputer masa depan? Silakan bagikan pendapat Anda mengenai manfaat dan tantangan teknologi tersebut.
