Jaringan saraf tiruan biasanya dibentuk oleh para insinyur: perancang memutuskan bagaimana kekuatan koneksi berubah seiring jaringan belajar dari data dan umpan balik. Sebuah studi baru dari MIT berpendapat bahwa pendekatan yang didorong oleh perancang ini, betapapun kuatnya, mungkin hanya memberi sedikit informasi kepada kita tentang bagaimana otak sebenarnya belajar – dan menunjukkan alternatif bagaimana jaringan mengatur dirinya sendiri.
Dalam sebuah makalah yang diterbitkan pada 9 Oktober di Proceedings of the National Academy of Sciences (PNAS), para ilmuwan di McGovern Institute for Brain Research MIT dan K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center menunjukkan bahwa jaringan saraf tiruan dapat membangun mesin pembelajarannya sendiri. Dimulai dari koneksi acak dan hanya mengikuti aturan lokal sederhana tentang bagaimana dan kapan koneksi harus berubah, jaringan mengubah dirinya menjadi sistem pemrosesan informasi yang efektif. For more context on this story, see our ongoing breaking AI news.
Mengapa Masuk Akal Biologis Penting
“Teknologi AI saat ini bekerja dengan sangat baik, namun belum tentu menggunakan algoritma pembelajaran yang digunakan oleh otak,” kata Qianli Liao, rekan pascadoktoral K. Lisa Yang ICoN Center di laboratorium profesor MIT Tomaso Poggio dan Mark Harnett, dan salah satu penulis pertama makalah ini bersama ilmuwan riset MIT Liu Ziyin dan mahasiswa pascasarjana Yulu Gan.
Perbedaan ini penting bagi ahli saraf yang ingin menggunakan model AI sebagai jendela menuju otak. Pembelajaran mesin modern bergantung pada propagasi balik, suatu algoritma yang oleh sebagian besar ahli saraf dianggap tidak mungkin ada dalam sirkuit saraf biologis. “Otak tidak memiliki perancang atau arsitek eksternal,” kata Liao. “Otak harus mengatur dirinya sendiri. Dan kita perlu mengetahui bagaimana aturan sederhana akan membuat otak terorganisir.”
Argumen utama tim ini adalah bahwa nilai jaringan sebagai model otak harus dinilai berdasarkan sejauh mana jaringan dapat mengatur dirinya sendiri – bukan hanya koneksinya, namun mesin yang menyesuaikan koneksi tersebut.
Cara Kerja Jaringan Pengorganisasian Mandiri
Para peneliti membangun jaringan yang strukturnya dimulai sebagai beberapa lapisan unit mirip neuron yang saling terhubung secara acak. Dalam setiap lapisan, setiap unit diatur oleh aturan sederhana yang sama tentang bagaimana koneksi harus disesuaikan. “Mereka hanya berinteraksi satu sama lain menggunakan aturan itu, dan mereka mengembangkan beberapa jenis perilaku,” jelas Liao.
Aturan-aturan tersebut merupakan aturan yang diyakini oleh para ahli ilmu syaraf untuk menyambungkan kembali sirkuit-sirkuit otak selama pembelajaran – termasuk prinsip klasik bahwa “neuron-neuron yang menyala bersama-sama akan menyatu,” yang berarti aktivasi simultan akan memperkuat hubungan antara dua neuron.
Ketika jaringan belajar, motif-motif yang dirakit sendiri muncul berdasarkan aturan-aturan sederhana ini dan kemudian berfungsi sebagai blok bangunan untuk sirkuit-sirkuit fungsional. Motif-motif tersebut kemudian mengatur ulang dirinya sendiri menggunakan strategi pengoptimalan yang menyerupai penurunan gradien — proses penyesuaian berbasis kesalahan yang dibangun di sebagian besar pembelajaran mesin modern — namun muncul dari dinamika lokal jaringan itu sendiri dan bukan dari algoritme yang diterapkan secara eksternal.
Kinerja Sebanding dengan Jaringan Standar
Ujian krusialnya adalah apakah sistem yang mengatur dirinya sendiri ini benar-benar bisa belajar. Hal ini dapat terjadi: tim menunjukkan bahwa jaringan yang mengatur dirinya sendiri dan diatur oleh aturan-aturan lokal ini belajar mengenali pola dan mengklasifikasikan gambar, dan bekerja pada tingkat yang mirip dengan jaringan yang dirancang secara konvensional yang dilatih melalui propagasi balik.
Penulis senior Tomaso Poggio menggambarkan hasil ini sebagai jembatan potensial antara dua bidang yang telah lama mengejar mekanisme yang sama dari arah yang berlawanan. Jika motif sinaptik yang diusulkan tim adalah apa yang digunakan otak untuk mencapai fungsi propagasi balik pada jaringan buatan, ia mencatat, para peneliti akan memiliki “hubungan yang kuat pada tingkat mekanisme mendasar antara jaringan buatan dan alami – antara mesin dan otak.”
Dari Antarmuka Otak-Komputer hingga AI yang Lebih Baik
Implikasinya berjalan dua arah. Untuk ilmu saraf, memahami aturan sederhana yang digunakan sirkuit untuk mengatur dirinya sendiri dapat memperjelas cara kerja pembelajaran - dan cara kerjanya. Liao menunjuk pada antarmuka otak-komputer, yang bertujuan untuk memulihkan komunikasi bagi orang-orang yang kehilangan kemampuan berbahasa atau membiarkan pasien lumpuh mengendalikan kaki palsu, sebagai bidang yang sangat penting untuk mengetahui aturan-aturan ini. “Tidak satupun dari hal ini dapat bekerja tanpa mengetahui aturan di balik interaksi neuron-neuron,” katanya. “Hal itu tidak dapat dicapai hanya dengan merancang sirkuit yang bekerja dengan baik.” Pengetahuan yang sama dapat menjadi masukan bagi terapi untuk kondisi di mana aturan pembelajaran terganggu karena penuaan atau penyakit.
Untuk pembelajaran mesin, temuan ini menunjukkan ruang desain yang belum dieksplorasi. Liao memperingatkan bahwa jaringan yang mengatur diri sendiri tidak serta merta belajar seperti yang dilakukan otak – namun ia membingkai pengorganisasian diri sebagai titik awal yang penting. “Pengorganisasian mandiri adalah kerangka tingkat tinggi yang pertama,” katanya. "Setelah kita mahir dalam mengatur diri sendiri sebagai ukuran, maka kita bisa membicarakan hal berikutnya." Tujuan utama kelompok ini adalah memahami otak, namun pengetahuan tersebut pada akhirnya dapat membantu para insinyur membangun jaringan yang berkinerja lebih baik atau berperilaku lebih mirip manusia.
Ada juga pertanyaan terbuka tentang granularitas. Aturan yang membentuk kembali koneksi saraf saat hewan belajar mungkin berbeda di seluruh wilayah otak, dan aturan tersebut mungkin berubah seiring dengan kematangan otak – sebuah kemungkinan yang menurut para peneliti harus dipetakan oleh para ilmuwan saraf sebelum model aturan sederhana dapat dicocokkan dengan sirkuit biologis tertentu. Pemetaan tersebut, pada gilirannya, dapat mengungkap di mana dan bagaimana proses pembelajaran terganggu oleh penuaan atau penyakit, serta memberikan informasi bagi strategi pencegahan dan terapi.
Studi yang dilakukan oleh McGovern Institute for Brain Research dan K. Lisa Yang ICoN Center ini diliput oleh MIT News pada 13 Oktober 2026.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
