Umělé neuronové sítě jsou obvykle tvarovány inženýry: návrháři rozhodují o tom, jak se změní síla připojení, když se síť učí z dat a zpětné vazby. Nová studie z MIT tvrdí, že tento přístup řízený návrhářem, jakkoli mocný, nám může říct jen málo o tom, jak se mozek skutečně učí – a ukazuje alternativu, v níž se sítě organizují samy.
V článku zveřejněném 9. října v časopise Proceedings of the National Academy of Sciences (PNAS) vědci z McGovern Institute for Brain Research na MIT a Centra K. Lisa Yang Integrative Computational Neuroscience (ICoN) ukazují, že umělá neuronová síť může vybudovat svůj vlastní učební stroj. Počínaje náhodnými připojeními a následováním pouze jednoduchých místních pravidel o tom, jak a kdy by se připojení měla změnit, se síť přetvořila na efektivní systém pro zpracování informací. For more context on this story, see our ongoing AI news.
Proč na biologické věrohodnosti záleží
"Současná technologie umělé inteligence funguje velmi dobře, ale nemusí nutně používat algoritmus učení, který používá mozek," řekla Qianli Liao, postdoktorandka ICoN centra K. Lisa Yang v laboratořích profesorů MIT Tomasa Poggia a Marka Harnetta a spoluautor článku spolu s výzkumným vědcem ZMIT a Gluiyinanem Yulu Liuem.
Na rozdílu záleží neurovědcům, kteří chtějí používat modely umělé inteligence jako okna do mozku. Moderní strojové učení se spoléhá na zpětnou propagaci, což je algoritmus, který většina neurovědců považuje za nepravděpodobný, že by existoval v biologických nervových obvodech. "Mozek nemá externího designéra ani architekta," řekl Liao. "Mozek se musí zorganizovat sám. A my potřebujeme vědět, jak jednoduchými pravidly se mozek zorganizovat."
Ústředním argumentem týmu je, že hodnota sítě jako modelu mozku by měla být posuzována podle toho, do jaké míry se dokáže sama organizovat – nejen její spojení, ale i mašinérie, která tato spojení upravuje.
Jak funguje samoorganizující se síť
Výzkumníci vybudovali sítě, jejichž struktura začíná jako několik vrstev náhodně propojených jednotek podobných neuronu. V každé vrstvě se každá jednotka řídí stejnými jednoduchými pravidly pro úpravu připojení. "Prostě spolu interagují pomocí tohoto pravidla a vyvinou se u nich určitý typ chování," vysvětlil Liao.
Pravidla jsou taková, jak se neurovědci domnívají, že přepojují mozkové okruhy během učení – včetně klasického principu, že „neurony, které spolu žhnou, se spojují“, což znamená, že současná aktivace posiluje spojení mezi dvěma neurony.
Jak se síť naučila, podle těchto jednoduchých pravidel vznikaly samosestavující motivy a poté sloužily jako stavební kameny funkčních obvodů. Tyto motivy se dále reorganizovaly pomocí optimalizační strategie připomínající gradientní sestup – proces přizpůsobení založený na chybách zabudovaný do nejmodernějšího strojového učení – ale vycházející z vlastní lokální dynamiky sítě spíše než z externě zavedeného algoritmu.
Výkon srovnatelný se standardními sítěmi
Rozhodujícím testem bylo, zda se tento samoorganizovaný systém skutečně dokáže učit. Mohlo by to: tým ukázal, že samoorganizující se síť, která se řídí těmito místními pravidly, se naučila rozpoznávat vzory a klasifikovat obrázky a fungovala na úrovni podobné konvenčně navrženým sítím trénovaným pomocí zpětného šíření.
Senior autor Tomaso Poggio zarámoval výsledek jako potenciální most mezi dvěma poli, která již dlouho sledují stejné mechanismy z opačných směrů. Pokud jsou synaptické motivy, které tým navrhuje, to, co mozek používá k dosažení toho, co zpětná propagace dělá pro umělé sítě, vědci by měli "silné spojení na úrovni základních mechanismů mezi umělými a přirozenými sítěmi - mezi stroji a mozky."
Od rozhraní Brain-Computer k lepší AI
Důsledky probíhají oběma směry. Pro neurovědu by pochopení jednoduchých pravidel, podle kterých se obvody samy organizují, mohlo objasnit, jak učení funguje – a jak se rozpadá. Liao poukazuje na rozhraní mozek-počítač, jejichž cílem je obnovit komunikaci pro lidi, kteří ztratili jazykové schopnosti nebo nechali paralyzované pacienty ovládat protetické končetiny, jako oblast, kde je znalost těchto pravidel zásadní. "Žádný z nich nemůže fungovat bez znalosti pravidel, která stojí za interakcí neuron-neuron," řekl. "Toho nelze dosáhnout pouhým navržením obvodu, který funguje velmi dobře." Stejné znalosti by mohly být zdrojem terapií pro stavy, ve kterých jsou pravidla učení narušena stárnutím nebo nemocí.
Pro strojové učení zjištění naznačují nedostatečně prozkoumaný designový prostor. Liao varuje, že samoorganizující se síť se nemusí nutně učit tak, jak se to dělá mozek – ale sám sebeorganizaci považuje za kritický výchozí bod. "Sebeorganizace je prvním rámcem na vysoké úrovni," řekl. "Jakmile budeme dobří se sebeorganizací jako měřítkem, pak můžeme mluvit o další věci." Hlavním cílem skupiny je porozumět mozku, ale tyto znalosti by nakonec mohly pomoci inženýrům vybudovat sítě, které fungují lépe nebo se chovají podobně jako lidé.
Otevřená je také otázka granularity. Pravidla, která přetvářejí neurální spojení, jak se zvíře učí, se mohou lišit v různých oblastech mozku a mohou se měnit, jak mozek dozrává – možnost, kterou podle vědců neurovědci musí zmapovat, než bude možné modely s jednoduchými pravidly spojit se specifickými biologickými okruhy. Toto mapování by zase mohlo odhalit, kde a jak je mašinerie učení narušena stárnutím nebo nemocí, což by poskytlo informace o strategiích prevence i terapiích.
Studie z McGovern Institute for Brain Research a K. Lisa Yang ICoN Center byla pokryta MIT News 13. října 2026.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
