Rangkaian saraf tiruan biasanya dibentuk oleh jurutera: pereka bentuk menentukan cara kekuatan sambungan berubah apabila rangkaian belajar daripada data dan maklum balas. Satu kajian baru dari MIT berpendapat bahawa pendekatan yang dipacu oleh pereka ini, walau bagaimanapun berkuasa, mungkin memberitahu kita sedikit tentang bagaimana otak sebenarnya belajar - dan menunjukkan alternatif di mana rangkaian mengatur diri mereka sendiri.
Dalam kertas kerja yang diterbitkan pada 9 Oktober dalam Prosiding Akademi Sains Kebangsaan (PNAS), saintis di Institut Penyelidikan Otak McGovern MIT dan Pusat Neurosains Pengiraan Integratif (ICoN) K. Lisa Yang menunjukkan bahawa rangkaian saraf tiruan boleh membina mesin pembelajarannya sendiri. Bermula dari sambungan rawak dan hanya mengikut peraturan tempatan yang mudah tentang bagaimana dan bila sambungan harus berubah, rangkaian membentuk semula dirinya menjadi sistem pemprosesan maklumat yang berkesan. For more context on this story, see our ongoing AI industry coverage.
Mengapa Kebolehpercayaan Biologi Penting
"Teknologi AI semasa berfungsi dengan baik, tetapi ia tidak semestinya menggunakan algoritma pembelajaran yang digunakan oleh otak," kata Qianli Liao, rakan pasca doktoral Pusat K. Lisa Yang ICoN di makmal profesor MIT Tomaso Poggio dan Mark Harnett, dan pengarang pertama kertas kerja bersama-sama saintis penyelidikan siswazah MIT Liu Ziylu Gan.
Perbezaan itu penting kepada ahli sains saraf yang ingin menggunakan model AI sebagai tingkap ke dalam otak. Pembelajaran mesin moden bergantung pada perambatan belakang, algoritma yang dianggap oleh kebanyakan ahli saraf tidak mungkin wujud dalam litar saraf biologi. "Otak tidak mempunyai pereka atau arkitek luaran, " kata Liao. "Otak perlu mengatur dirinya sendiri. Dan kita perlu tahu bagaimana peraturan mudah akan membuat otak teratur."
Hujah utama pasukan adalah bahawa nilai rangkaian sebagai model otak harus dinilai oleh sejauh mana ia boleh mengatur dirinya sendiri - bukan sahaja sambungannya, tetapi jentera yang menyesuaikan sambungan tersebut.
Bagaimana Rangkaian Menyusun Sendiri Berfungsi
Para penyelidik membina rangkaian yang strukturnya bermula sebagai berbilang lapisan unit seperti neuron yang saling berkaitan secara rawak. Dalam setiap lapisan, setiap unit dikawal oleh peraturan mudah yang sama untuk cara sambungan harus dilaraskan. "Mereka hanya berinteraksi antara satu sama lain menggunakan peraturan itu, dan mereka membangunkan beberapa jenis tingkah laku, " jelas Liao.
Peraturannya adalah jenis saintis saraf yang percaya pendawaian semula litar otak semasa pembelajaran - termasuk prinsip klasik bahawa "neuron yang menyalakan wayar bersama-sama," bermakna pengaktifan serentak menguatkan hubungan antara dua neuron.
Seperti yang diketahui oleh rangkaian, motif pemasangan sendiri muncul mengikut peraturan mudah ini dan kemudian berfungsi sebagai blok binaan untuk litar berfungsi. Motif tersebut kemudiannya menyusun semula diri mereka menggunakan strategi pengoptimuman yang menyerupai keturunan kecerunan — proses pelarasan yang dipacu ralat yang dibina dalam kebanyakan pembelajaran mesin moden — tetapi timbul daripada dinamik tempatan rangkaian itu sendiri dan bukannya algoritma yang dikenakan secara luaran.
Prestasi Setanding dengan Rangkaian Standard
Ujian penting ialah sama ada sistem terurus sendiri ini sebenarnya boleh belajar. Ia boleh: pasukan menunjukkan bahawa rangkaian penganjur sendiri yang dikawal oleh peraturan tempatan ini belajar mengenal corak dan mengklasifikasikan imej, berprestasi pada tahap yang serupa dengan rangkaian reka bentuk konvensional yang dilatih melalui perambatan belakang.
Pengarang kanan Tomaso Poggio merangka hasilnya sebagai jambatan yang berpotensi antara dua bidang yang telah lama mengejar mekanisme yang sama dari arah yang bertentangan. Jika motif sinaptik yang dicadangkan oleh pasukan adalah apa yang digunakan oleh otak untuk mencapai apa yang dilakukan oleh penyebaran belakang untuk rangkaian buatan, katanya, penyelidik akan mempunyai "hubungan yang kuat pada tahap mekanisme asas antara rangkaian buatan dan semula jadi - antara mesin dan otak."
Daripada Antara Muka Otak-Komputer kepada AI yang Lebih Baik
Implikasinya berlaku dalam kedua-dua arah. Untuk neurosains, memahami peraturan mudah yang litar mengatur sendiri boleh menjelaskan cara pembelajaran berfungsi — dan cara ia rosak. Liao menunjuk kepada antara muka otak-komputer, yang bertujuan untuk memulihkan komunikasi untuk orang yang kehilangan kebolehan bahasa atau membiarkan pesakit lumpuh mengawal anggota palsu, sebagai bidang yang mengetahui peraturan ini adalah penting. "Tiada satu pun daripada ini boleh berfungsi tanpa mengetahui peraturan di sebalik interaksi neuron-neuron, " katanya. "Itu tidak boleh dicapai dengan hanya mereka bentuk litar yang berfungsi dengan baik." Pengetahuan yang sama boleh memberitahu terapi untuk keadaan di mana peraturan pembelajaran terganggu oleh penuaan atau penyakit.
Untuk pembelajaran mesin, penemuan mencadangkan ruang reka bentuk yang kurang diterokai. Liao memberi amaran bahawa rangkaian mengatur diri tidak semestinya mempelajari cara otak melakukannya — tetapi dia membingkai organisasi diri sebagai titik permulaan yang kritikal. "Pengorganisasian diri adalah rangka kerja peringkat tinggi yang pertama," katanya. "Apabila kita baik dengan penyusunan diri sebagai ukuran, barulah kita boleh bercakap tentang perkara seterusnya." Objektif utama kumpulan adalah memahami otak, tetapi pengetahuan itu akhirnya dapat membantu jurutera membina rangkaian yang berprestasi lebih baik atau berkelakuan dengan cara yang lebih seperti manusia.
Terdapat juga soalan terbuka tentang butiran. Peraturan yang membentuk semula sambungan saraf semasa haiwan belajar mungkin berbeza di seluruh kawasan otak, dan ia mungkin berubah apabila otak matang - kemungkinan para penyelidik mengatakan ahli sains saraf mesti memetakan sebelum model peraturan mudah boleh dipadankan dengan litar biologi tertentu. Pemetaan itu, seterusnya, boleh mendedahkan di mana dan bagaimana mesin pembelajaran terganggu oleh penuaan atau penyakit, memaklumkan strategi pencegahan serta terapi.
Kajian itu, daripada Institut Penyelidikan Otak McGovern dan Pusat K. Lisa Yang ICoN, diliputi 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 →
