Google Research: AI generira sintetičke neurone i štedi 157 čovjek-godina na mapiranju mozga
Zašto je bitno
Google Research razvio je MoGen sustav koji koristi PointInfinity point cloud flow matching model za generiranje sintetičkih oblika neurona nerazlučivih od pravih prema ocjenama eksperata. Samo 10 posto sintetičkih podataka u treningu smanjuje stopu grešaka za 4.4 posto što je ekvivalent uštede od 157 čovjek-godina ručnog rada pri mapiranju punog mišjeg mozga.
Google Research objavio je istraživanje o MoGen (Neuronal Morphology Generation) sustavu koji koristi AI za stvaranje sintetičkih oblika neurona namijenjenih ubrzanju mapiranja mozga. Rezultati pokazuju da sintetički neuroni mogu dramatično smanjiti potrebu za ručnim radom neuroznanstvenika.
Kako MoGen stvara sintetičke neurone?
MoGen koristi PointInfinity point cloud flow matching model — arhitekturu koja uči 3D oblike iz oblaka točaka. Model je treniran na samo 1.795 ručno verificiranih mišjih aksona, što je relativno mali dataset u kontekstu neuroznanosti. Unatoč tome, generirani sintetički neuroni su prema ocjenama stručnih eksperata nerazlučivi od pravih.
Ključna inovacija je u pristupu: umjesto klasičnog augmentiranja podataka (rotacije, zrcaljenja), MoGen generira potpuno nove oblike neurona koji slijede stvarnu distribuciju morfologije, ali ne kopiraju postojeće primjere.
Koliko vremena ovo štedi?
Brojke su impresivne. Samo 10% sintetičkih podataka dodanih u trening set smanjuje stopu grešaka za 4.4%. Prevedeno na punu skalu mapiranja mišjeg mozga, to je ekvivalent uštede od 157 čovjek-godina ručnog rada na anotaciji neurona.
Ručno mapiranje neurona — praćenje aksona i dendrita kroz slike elektronskog mikroskopa — jedno je od najvećih uskih grla u neuroznanosti. Jedan kubični milimetar mozga može sadržavati tisuće neurona čije oblike treba rekonstruirati, a ljudski anotator može potrošiti dane na jedan neuron.
Što ovo otvara za budućnost?
Google je objavio MoGen kao open-source projekt, što omogućuje neuroznanstvenicima širom svijeta korištenje sustava u vlastitim istraživanjima. Trenutni fokus je na mišjem mozgu, ali autori naglašavaju da pristup otvara put prema mapiranju sisavačkih i eventualno ljudskih mozgova.
Istraživanje je posebno značajno jer pokazuje kako AI može riješiti problem koji nije samo u brzini računanja, već u stvaranju kvalitetnih podataka za trening — sintetički neuroni pomažu drugim AI modelima da bolje prepoznaju prave neurone.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
Povezane vijesti
Thinking with Reasoning Skills (ACL 2026 Industry Track): manje tokena, veća točnost kroz dohvat skilsova zaključivanja
DeepSeek objavio V4-Pro i V4-Flash: dva open-source modela s milijun tokena konteksta i 80,6 na SWE Verified
OpenAI predstavio GPT-5.5: najpametniji model za kodiranje, istraživanje i složenu analizu podataka kroz alate