MIT 研究：人工神经网络如何自组织出自身的学习机制

MIT News· Jennifer Michalowski | McGovern Institute for Brain Research·2026-10-14 05:00· 2 小时前AI 评分42

人工神经网络如何构建自己的学习机制

AI 导读

MIT McGovern 研究所与 ICoN 中心在 PNAS 发文，证明随机连接的多层网络仅凭"同时激活的神经元连接增强"等简单规则即可自组织成有效的信息处理网络，学会识别模式和分类图像。该自组织网络采用类似梯度下降的优化策略，性能与依赖反向传播设计的网络相当，而反向传播被神经科学家认为不太可能是大脑使用的方式。研究者认为自组织能力应成为衡量神经网络生物学合理性的关键指标。

正文

随着人工智能变得越来越强大，其处理类人任务的能力不可否认。人工神经网络可以学会识别图像、使用语言或编写计算机代码。就像大脑的神经回路一样，它们在学习中重组自身，调整连接的强度以提升性能。

对许多神经科学家来说，问题是：这些机器系统能教给他们关于大脑如何学习的什么知识？什么样的模型可能最具启发性？

在10 月 9 日发表于《PNAS》期刊的一篇论文中，MIT McGovern 脑研究所和K. Lisa Yang 整合计算神经科学（ICoN）中心的科学家们认为，衡量人工神经网络学习方法生物学合理性的一个关键指标，是网络在没有开发者指导的情况下自我组织的能力。他们证明，人工神经网络有可能构建自己的学习机制。只需一些关于连接应如何以及何时改变的简单指令，一组随机连接的单元就能将自身重塑为一个有效的信息处理网络，从训练数据中学习。

生物学学习

“当前的人工智能技术运行得非常好，但它未必使用大脑所用的学习算法，”MIT 教授兼 McGovern 研究所成员 Tomaso Poggio 和 Mark Harnett 实验室的 K. Lisa Yang ICoN 中心博士后研究员、与 MIT 研究科学家 Liu Ziyin 和研究生 Yulu Gan 共同担任《PNAS》论文第一作者的 Qianli Liao 说。Liao 解释说，工程师设计的是人工神经网络在处理训练数据并收到关于其错误的反馈时连接如何改变的规则。

在训练 AI 完成其工作方面，这种方法很强大。但 Liao 及其同事警告说，以这种方式设计的网络可能无法为生物学学习提供太多洞见。“大脑没有外部设计者或架构师，”Liao 说。“大脑必须自我组织。我们需要知道简单的规则将如何使大脑组织起来。”

随着动物学习而重塑神经连接的规则，在大脑的不同部位可能不同，或者可能随着大脑变得更加成熟而改变。神经科学家正在努力理解这些规则如何运作，以及它们如何可能被衰老或疾病扰乱——这是开发新疗法和预防策略的关键一步。Liao 指出，脑机接口的发展是一个潜在应用，其目标是在大脑语言能力丧失时恢复交流，或让瘫痪患者控制神经假肢。

“如果不知道神经元与神经元之间互动背后的规则，这些都无法实现，”他说。“仅仅设计一个运行良好的电路是做不到这一点的。”人工神经网络对神经科学的价值，应当以其自我组织的能力来衡量——不仅是它的连接，还包括调整这些连接的机制。

自组织的人工学习

Liao、Ziyin和Gan与Poggio和Hartnett合作，着手开发并验证一个能够学习的自组织计算网络。Liao解释说，该网络的结构始于多层随机互连的类神经元单元。在每一层内，每个类神经元组件都遵循关于如何调整连接的相同规则。“它们只是利用那条规则相互互动，然后发展出某种行为，”他说。

该团队的网络实现了那种被认为会在人类和其他动物从经验中学习时重新连接大脑回路的简单规则。例如，在大脑和机器网络中都是如此，“一起激发的神经元连接在一起。”换句话说，当两个相连的神经元同时被激活时，它们之间的连接会增强。 

该团队表明，一个由这类规则支配的自组织网络可以学会识别模式并对图像进行分类。他们解释说，在他们的模型中，学习之所以成为可能，是因为自组装基序会依据简单规则涌现，然后充当功能回路的构建模块。随着他们的网络进行学习，这些基序利用一种类似于大多数现代机器学习系统内置方法的优化策略——称为梯度下降——对自身进行重组；在梯度下降中，连接会根据误差逐步调整，以提高性能。

大多数现代AI通过某种形式的反向传播算法来实现梯度下降，而神经科学家表示，大脑不太可能使用这种算法。该团队将其自组织网络与以这种方式设计来学习的网络进行了比较，发现它的表现处于相似水平。

连接大脑与机器

Poggio说，找到与反向传播相对应的生物学机制，可能会在AI和神经科学两个领域引发重大进展。 

“如果我们提出的突触基序实际上被大脑用来完成反向传播对人工神经网络所做的事情，那么我们就会在人工网络与自然网络之间——在机器与大脑之间——的基本机制层面上建立起强有力的联系，”他说。

Liao说，自组织网络未必会以与大脑相同的方式学习——但它是迈向生物合理性的关键起点。 

“自组织是第一个高层次框架，”他说。“一旦我们能够很好地以自组织作为衡量标准，那么我们就可以谈论下一件事了。”

虽然该团队的主要目标是更好地理解大脑，但Liao说，这些知识最终也可能改进机器学习系统，使工程师能够开发出表现更好或以更像人类的方式运行的网络。

来源：MIT News · news.mit.edu