Le reti neurali artificiali sono solitamente modellate dagli ingegneri: i progettisti decidono come cambiano i punti di forza della connessione man mano che la rete apprende dai dati e dal feedback. Un nuovo studio del MIT sostiene che questo approccio guidato dai designer, per quanto potente, potrebbe dirci poco su come il cervello apprende effettivamente – e dimostra un’alternativa in cui le reti si organizzano.
In un articolo pubblicato il 9 ottobre negli Atti della National Academy of Sciences (PNAS), gli scienziati del McGovern Institute for Brain Research del MIT e del Centro K. Lisa Yang Integrative Computational Neuroscience (ICoN) mostrano che una rete neurale artificiale può costruire il proprio meccanismo di apprendimento. Partendo da connessioni casuali e seguendo solo semplici regole locali su come e quando le connessioni dovrebbero cambiare, la rete si è rimodellata in un efficace sistema di elaborazione delle informazioni. Per maggiori informazioni su questa storia, consulta la nostra notizie sull'IA.
Perché la plausibilità biologica è importante
"L'attuale tecnologia dell'intelligenza artificiale funziona molto bene, ma non utilizza necessariamente un algoritmo di apprendimento utilizzato dal cervello", ha affermato Qianli Liao, ricercatore post-dottorato del K. Lisa Yang ICoN Center nei laboratori dei professori del MIT Tomaso Poggio e Mark Harnett, e co-primo autore dell'articolo insieme al ricercatore del MIT Liu Ziyin e allo studente laureato Yulu Gan.
La distinzione è importante per i neuroscienziati che vogliono utilizzare i modelli di intelligenza artificiale come finestre sul cervello. Il moderno apprendimento automatico si basa sulla propagazione all’indietro, un algoritmo che la maggior parte dei neuroscienziati ritiene improbabile che esista nei circuiti neurali biologici. "Il cervello non ha un designer o un architetto esterno", ha detto Liao. "Il cervello deve organizzarsi da solo. E dobbiamo sapere come semplici regole faranno sì che il cervello si organizzi."
L'argomentazione centrale del team è che il valore di una rete come modello del cervello dovrebbe essere giudicato in base alla misura in cui può organizzarsi: non solo dalle sue connessioni, ma dal meccanismo che regola tali connessioni.
Come funziona la rete auto-organizzata
I ricercatori hanno costruito reti la cui struttura inizia come strati multipli di unità simili a neuroni interconnesse in modo casuale. All'interno di ogni livello, ogni unità è governata dalle stesse semplici regole su come regolare le connessioni. "Interagiscono semplicemente tra loro usando quella regola e sviluppano un certo tipo di comportamento", ha spiegato Liao.
Le regole sono quelle che secondo i neuroscienziati ricollegano i circuiti cerebrali durante l'apprendimento, incluso il principio classico secondo cui "i neuroni che si attivano insieme si collegano insieme", il che significa che l'attivazione simultanea rafforza la connessione tra due neuroni.
Come la rete ha imparato, i motivi autoassemblanti sono emersi secondo queste semplici regole e poi sono serviti come elementi costitutivi per i circuiti funzionali. Questi motivi hanno continuato a riorganizzarsi utilizzando una strategia di ottimizzazione simile alla discesa del gradiente – il processo di aggiustamento guidato dall’errore integrato nella maggior parte dei moderni sistemi di apprendimento automatico – ma derivante dalle dinamiche locali della rete piuttosto che da un algoritmo imposto dall’esterno.
Prestazioni paragonabili alle reti standard
La prova cruciale era se questo sistema auto-organizzato potesse effettivamente apprendere. Potrebbe: il team ha dimostrato che una rete auto-organizzata governata da queste regole locali ha imparato a riconoscere modelli e classificare le immagini, comportandosi a un livello simile alle reti progettate convenzionalmente addestrate attraverso la propagazione all’indietro.
L’autore senior Tomaso Poggio ha inquadrato il risultato come un potenziale ponte tra due campi che da tempo perseguono gli stessi meccanismi da direzioni opposte. Se i motivi sinaptici proposti dal team fossero quelli che il cervello utilizza per realizzare ciò che fa la propagazione all'indietro per le reti artificiali, ha osservato, i ricercatori avrebbero "una forte connessione a livello dei meccanismi fondamentali tra le reti artificiali e naturali, tra le macchine e il cervello".
Dalle interfacce cervello-computer a una migliore intelligenza artificiale
Le implicazioni vanno in entrambe le direzioni. Per le neuroscienze, comprendere le semplici regole in base alle quali i circuiti si auto-organizzano potrebbe chiarire come funziona l’apprendimento e come si interrompe. Liao indica le interfacce cervello-computer, che mirano a ripristinare la comunicazione per le persone che hanno perso le capacità linguistiche o a consentire ai pazienti paralizzati di controllare gli arti protesici, come un campo in cui conoscere queste regole è essenziale. "Nessuno di questi può funzionare senza conoscere le regole dietro le interazioni neurone-neurone", ha detto. "Ciò non è realizzabile semplicemente progettando un circuito che funzioni molto bene." La stessa conoscenza potrebbe informare le terapie per le condizioni in cui le regole di apprendimento vengono interrotte dall’invecchiamento o dalla malattia.
Per l’apprendimento automatico, i risultati suggeriscono uno spazio di progettazione sottoesplorato. Liao avverte che una rete auto-organizzata non apprende necessariamente come fa il cervello, ma considera l’autorganizzazione come un punto di partenza critico. "L'auto-organizzazione è il primo quadro di alto livello", ha affermato. "Una volta che saremo bravi con l'autorganizzazione come misura, allora potremo parlare della prossima cosa." L'obiettivo principale del gruppo è comprendere il cervello, ma la conoscenza potrebbe in definitiva aiutare gli ingegneri a costruire reti che funzionino meglio o si comportino in modi più simili a quelli umani.
C'è anche una questione aperta sulla granularità. Le regole che rimodellano le connessioni neurali mentre un animale apprende possono differire tra le regioni del cervello e possono cambiare man mano che il cervello matura - una possibilità che secondo i ricercatori i neuroscienziati devono mappare prima che i modelli con regole semplici possano essere abbinati a specifici circuiti biologici. Tale mappatura, a sua volta, potrebbe rivelare dove e come il meccanismo dell’apprendimento viene interrotto dall’invecchiamento o dalle malattie, informando le strategie di prevenzione e le terapie.
Lo studio, del McGovern Institute for Brain Research e del K. Lisa Yang ICoN Center, è stato coperto da MIT News il 13 ottobre 2026.
---
Rimani Aggiornato sull'IALe ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.
Leggi altre notizie sull'IA →
