Τα τεχνητά νευρωνικά δίκτυα διαμορφώνονται συνήθως από μηχανικούς: οι σχεδιαστές αποφασίζουν πώς αλλάζουν οι δυνάμεις της σύνδεσης καθώς το δίκτυο μαθαίνει από δεδομένα και ανατροφοδότηση. Μια νέα μελέτη από το MIT υποστηρίζει ότι αυτή η προσέγγιση με γνώμονα τον σχεδιαστή, όσο ισχυρή κι αν είναι, μπορεί να μας πει λίγα για το πώς μαθαίνει ο εγκέφαλος στην πραγματικότητα - και δείχνει μια εναλλακτική στην οποία τα δίκτυα οργανώνονται.
Σε μια εργασία που δημοσιεύτηκε στις 9 Οκτωβρίου στο Proceedings of the National Academy of Sciences (PNAS), επιστήμονες στο McGovern Institute for Brain Research του MIT και το Κέντρο K. Lisa Yang Integrative Computational Neuroscience (ICoN) δείχνουν ότι ένα τεχνητό νευρωνικό δίκτυο μπορεί να δημιουργήσει τον δικό του μηχανισμό μάθησης. Ξεκινώντας από τυχαίες συνδέσεις και ακολουθώντας μόνο απλούς τοπικούς κανόνες σχετικά με το πώς και πότε πρέπει να αλλάξουν οι συνδέσεις, το δίκτυο αναδιαμορφώθηκε σε ένα αποτελεσματικό σύστημα επεξεργασίας πληροφοριών. For more context on this story, see our ongoing breaking AI news.
Γιατί η βιολογική αληθοφάνεια έχει σημασία
«Η τρέχουσα τεχνολογία τεχνητής νοημοσύνης λειτουργεί πολύ καλά, αλλά δεν χρησιμοποιεί απαραίτητα έναν αλγόριθμο μάθησης που χρησιμοποιείται από τον εγκέφαλο», δήλωσε ο Qianli Liao, μεταδιδακτορικός συνεργάτης του Κέντρου K. Lisa Yang ICoN στα εργαστήρια των καθηγητών του MIT Tomaso Poggio και Mark Harnett, και συν-πρώτος συγγραφέας της εργασίας μαζί με τον φοιτητή και μεταπτυχιακό φοιτητή του MITu Zilu.
Η διάκριση έχει σημασία για τους νευροεπιστήμονες που θέλουν να χρησιμοποιήσουν μοντέλα τεχνητής νοημοσύνης ως παράθυρα στον εγκέφαλο. Η σύγχρονη μηχανική μάθηση βασίζεται στην αντίστροφη διάδοση, έναν αλγόριθμο που οι περισσότεροι νευροεπιστήμονες θεωρούν απίθανο να υπάρχει στα βιολογικά νευρωνικά κυκλώματα. «Ο εγκέφαλος δεν έχει εξωτερικό σχεδιαστή ή αρχιτέκτονα», είπε ο Λιάο. "Ο εγκέφαλος πρέπει να οργανωθεί. Και πρέπει να ξέρουμε πόσο απλοί κανόνες θα κάνουν τον εγκέφαλο να οργανωθεί."
Το κεντρικό επιχείρημα της ομάδας είναι ότι η αξία ενός δικτύου ως μοντέλου του εγκεφάλου θα πρέπει να κριθεί από τον βαθμό στον οποίο μπορεί να οργανωθεί - όχι μόνο οι συνδέσεις του, αλλά ο μηχανισμός που προσαρμόζει αυτές τις συνδέσεις.
Πώς λειτουργεί το Αυτοοργάνωση Δίκτυο
Οι ερευνητές κατασκεύασαν δίκτυα των οποίων η δομή ξεκινά ως πολλαπλά στρώματα τυχαία διασυνδεδεμένων μονάδων που μοιάζουν με νευρώνες. Σε κάθε επίπεδο, κάθε μονάδα διέπεται από τους ίδιους απλούς κανόνες για τον τρόπο προσαρμογής των συνδέσεων. «Απλώς αλληλεπιδρούν μεταξύ τους χρησιμοποιώντας αυτόν τον κανόνα και αναπτύσσουν κάποιο είδος συμπεριφοράς», εξήγησε ο Liao.
Οι κανόνες είναι όπως πιστεύουν οι νευροεπιστήμονες ότι επανασυνδέουν τα κυκλώματα του εγκεφάλου κατά τη διάρκεια της μάθησης – συμπεριλαμβανομένης της κλασικής αρχής ότι «οι νευρώνες που πυροδοτούνται μαζί συνδέονται μεταξύ τους», που σημαίνει ότι η ταυτόχρονη ενεργοποίηση ενισχύει τη σύνδεση μεταξύ δύο νευρώνων.
Όπως έμαθε το δίκτυο, τα αυτοσυναρμολογούμενα μοτίβα εμφανίστηκαν σύμφωνα με αυτούς τους απλούς κανόνες και στη συνέχεια χρησίμευσαν ως δομικά στοιχεία για λειτουργικά κυκλώματα. Αυτά τα μοτίβα συνέχισαν να αναδιοργανώνονται χρησιμοποιώντας μια στρατηγική βελτιστοποίησης που μοιάζει με gradient descent - τη διαδικασία προσαρμογής βάσει σφαλμάτων που είναι ενσωματωμένη στην πιο σύγχρονη μηχανική μάθηση - αλλά προέρχεται από την τοπική δυναμική του δικτύου και όχι από έναν εξωτερικά επιβεβλημένο αλγόριθμο.
Απόδοση συγκρίσιμη με τα τυπικά δίκτυα
Το κρίσιμο τεστ ήταν αν αυτό το αυτοοργανωμένο σύστημα μπορούσε πραγματικά να μάθει. Θα μπορούσε: η ομάδα έδειξε ότι ένα αυτο-οργανωμένο δίκτυο που διέπεται από αυτούς τους τοπικούς κανόνες έμαθε να αναγνωρίζει μοτίβα και να ταξινομεί εικόνες, αποδίδοντας σε επίπεδο παρόμοιο με συμβατικά σχεδιασμένα δίκτυα που εκπαιδεύονται μέσω της αναδρομικής διάδοσης.
Ο ανώτερος συγγραφέας Tomaso Poggio πλαισίωσε το αποτέλεσμα ως μια πιθανή γέφυρα μεταξύ δύο πεδίων που εδώ και καιρό κυνηγούσαν τους ίδιους μηχανισμούς από αντίθετες κατευθύνσεις. Εάν τα συναπτικά μοτίβα που προτείνει η ομάδα είναι αυτά που χρησιμοποιεί ο εγκέφαλος για να επιτύχει αυτό που κάνει η αντίστροφη διάδοση για τα τεχνητά δίκτυα, σημείωσε, οι ερευνητές θα είχαν «μια ισχυρή σύνδεση στο επίπεδο των θεμελιωδών μηχανισμών μεταξύ τεχνητών και φυσικών δικτύων - μεταξύ μηχανών και εγκεφάλων».
Από τις διεπαφές εγκεφάλου-υπολογιστή σε καλύτερη τεχνητή νοημοσύνη
Οι επιπτώσεις κινούνται και προς τις δύο κατευθύνσεις. Για τη νευροεπιστήμη, η κατανόηση των απλών κανόνων με τους οποίους τα κυκλώματα αυτο-οργανώνονται θα μπορούσε να αποσαφηνίσει πώς λειτουργεί η μάθηση - και πώς καταρρέει. Ο Liao επισημαίνει τις διεπαφές εγκεφάλου-υπολογιστή, οι οποίες στοχεύουν στην αποκατάσταση της επικοινωνίας για άτομα που έχουν χάσει τις γλωσσικές τους ικανότητες ή αφήνουν τους παράλυτους ασθενείς να ελέγχουν τα προσθετικά άκρα, ως ένα πεδίο όπου η γνώση αυτών των κανόνων είναι απαραίτητη. «Κανένα από αυτά δεν μπορεί να λειτουργήσει χωρίς να γνωρίζουμε τους κανόνες πίσω από τις αλληλεπιδράσεις νευρώνων-νευρώνων», είπε. «Αυτό δεν είναι εφικτό με το να σχεδιάσεις απλώς ένα σιρκουί που λειτουργεί πολύ καλά». Η ίδια γνώση θα μπορούσε να ενημερώσει τις θεραπείες για καταστάσεις στις οποίες οι κανόνες μάθησης διαταράσσονται από τη γήρανση ή την ασθένεια.
Για τη μηχανική μάθηση, τα ευρήματα προτείνουν έναν ανεξερεύνητο χώρο σχεδιασμού. Ο Liao προειδοποιεί ότι ένα δίκτυο αυτο-οργάνωσης δεν μαθαίνει απαραίτητα με τον τρόπο που μαθαίνει ο εγκέφαλος — αλλά ορίζει την αυτοοργάνωση ως κρίσιμο σημείο εκκίνησης. «Η αυτοοργάνωση είναι το πρώτο πλαίσιο υψηλού επιπέδου», είπε. «Μόλις είμαστε καλοί με την αυτοοργάνωση ως μέτρο, τότε μπορούμε να μιλήσουμε για το επόμενο πράγμα». Ο κύριος στόχος της ομάδας είναι η κατανόηση του εγκεφάλου, αλλά η γνώση θα μπορούσε τελικά να βοηθήσει τους μηχανικούς να δημιουργήσουν δίκτυα που αποδίδουν καλύτερα ή συμπεριφέρονται με τρόπους που μοιάζουν με τον άνθρωπο.
Υπάρχει επίσης ένα ανοιχτό ερώτημα σχετικά με την ευαισθησία. Οι κανόνες που αναδιαμορφώνουν τις νευρικές συνδέσεις καθώς μαθαίνει ένα ζώο μπορεί να διαφέρουν στις περιοχές του εγκεφάλου και μπορεί να αλλάξουν καθώς ωριμάζει ο εγκέφαλος - μια πιθανότητα που οι ερευνητές λένε ότι οι νευροεπιστήμονες πρέπει να χαρτογραφήσουν πριν τα μοντέλα απλών κανόνων μπορούν να αντιστοιχιστούν σε συγκεκριμένα βιολογικά κυκλώματα. Αυτή η χαρτογράφηση, με τη σειρά της, θα μπορούσε να αποκαλύψει πού και πώς διαταράσσεται ο μηχανισμός μάθησης από τη γήρανση ή τις ασθένειες, ενημερώνοντας στρατηγικές πρόληψης καθώς και θεραπείες.
Η μελέτη, από το McGovern Institute for Brain Research και το K. Lisa Yang ICoN Center, καλύφθηκε από το MIT News στις 13 Οκτωβρίου 2026.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
