Der erste Cybathlon wurde 2016 im Zuge einer internationalen Veranstaltung mit großem Erfolg ins Leben gerufen. Menschen mit Behinderung oder körperlichen Schwächen konnten hochentwickelte Hilfsmittel wie beispielsweise robotergesteuerte Technologien nutzen und im Wettkampf gegeneinander antreten. An den sechs Disziplinen nahmen insgesamt 66 TesterInnen des Pilotprojekts teil, die von 400 Mitgliedern in 56 Teams aus 25 Nationen unterstützt wurden. In einer Disziplin, dem Computerspiel „Brain-Computer Interface Race”, musste ein Avatar ausschließlich mittels Gehirnzellen kontrolliert und gesteuert werden. Könnten Sie das auch?

Credits

Project: CYBATHLON / ETH Zurich, Switzerland
Inventor and initiator: Prof. Dr.-Ing. Robert Riener

BCI Game: BrainRunners, developed for the BCI Race of the Cybathlon 2016 in cooperation with ETH Zurich and Zurich University of the Arts (ZHdK), Switzerland

cellF verbindet diese beiden Systeme: Das „Gehirn“ dieser neuen Schöpfung besteht aus einem biologischen neuronalen Netzwerk, das in einer Kulturschale wächst und in Echtzeit analoge modulare Synthesizer kontrolliert. Der lebende Teil dieses völlig autonomen und analogen Instruments sind Nervenzellen. Diese wurden aus Guy Ben-Arys Fibroblasten (Zellen im Bindegewebe) gewonnen, die zunächst in Stammzellen zurückprogrammiert wurden.

Diese Stammzellen werden künstlich von Guy Ben-Ary in neuronale Stammzellen weiter entwickelt, die sich wiederum unter bestimmten Bedingungen im Labor in Nervenzellen differenzieren und ein neuronales Netzwerk bilden – Ben-Arys „externes Gehirn“. Die Aktivität dieses Gehirns kann durch den Input anderer, menschlicher MusikerInnen beeinflusst und über die analogen Synthesizer hörbar gemacht werden. Mensch und Instrument werden zu einer Einheit – zu einem „kybernetischen Rockstar“ aus der Petrischale.

Das Projekt wird während dem Ars Electronica Festival in der POSTCITY präsentiert.

Credits

guybenary.com/work/cellf

Die bei Deep Learning angewandten Algorithmen für künstliche Intelligenz wurden ursprünglich von den neuronalen Netzwerken in unserem Gehirn inspiriert und existieren schon seit Jahrzehnten, sind aber erst in letzter Zeit einer breiten Öffentlichkeit bekannt geworden. Dies wird oft darauf zurückgeführt, dass erst seit kurzem die entsprechende Rechenleistung der Computer und umfangreiche Trainingsdaten zur Verfügung stehen. Allerdings wird der Fortschritt unbestreitbar durch Milliarden Dollar schwere Investitionen angetrieben, die Lieferanten von Massenüberwachungstools tätigen: Internetfirmen, deren Geschäftsmodell auf psychografischem Targeted Advertising (zielgerichteter Werbung) beruht, und Regierungsorganisationen, die “Krieg gegen den Terror” führen. Sie wollen das Verständnis von Big Data automatisieren, also das Verstehen von Text, Bilder und Klänge. Aber was bedeutet es, zu „verstehen“? Was bedeutet es, zu „lernen“ oder zu „sehen“?

Learning to See ist eine noch nicht abgeschlossene Serie von Arbeiten, die hochmoderne Algorithmen aus dem Bereich des maschinellen Lernens nutzen, um über uns selbst und darüber, wie wir die Welt interpretieren, zu reflektieren. Das von unserem bewussten Geist wahrgenommene Bild ist nicht eine direkte Abbildung der Außenwelt oder dessen, was unsere Sinne liefern, sondern eine simulierte Welt, die je nach unseren Erwartungen und Glaubenssätzen rekonstruiert wird. Diese Arbeit ist Teil einer breiter angelegten Untersuchung über sich selbst bestätigende Voreingenommenheiten, über unsere Unfähigkeit, die Welt aus dem Blickwinkel eines Anderen zu sehen, und die daraus resultierende gesellschaftliche Polarisierung.