Sztuczne sieci neuronowe są zwykle kształtowane przez inżynierów: projektanci decydują, jak zmieni się siła połączenia, gdy sieć uczy się na podstawie danych i informacji zwrotnych. Nowe badanie przeprowadzone przez MIT dowodzi, że to podejście oparte na projektantach, jakkolwiek potężne, może nam niewiele powiedzieć o tym, jak mózg faktycznie się uczy – i pokazuje alternatywę, w ramach której sieci się organizują.
W artykule opublikowanym 9 października w Proceedings of the National Academy of Sciences (PNAS) naukowcy z McGovern Institute for Brain Research w MIT i K. Lisa Yang Integrative Computational Neuroscience (ICoN) wykazali, że sztuczna sieć neuronowa może zbudować własną maszynę uczącą się. Zaczynając od przypadkowych połączeń i kierując się jedynie prostymi lokalnymi zasadami dotyczącymi tego, jak i kiedy połączenia powinny się zmieniać, sieć przekształciła się w efektywny system przetwarzania informacji. Więcej kontekstu na ten temat znajdziesz w naszych trendy AI.
Dlaczego wiarygodność biologiczna ma znaczenie
„Obecna technologia sztucznej inteligencji działa bardzo dobrze, ale niekoniecznie wykorzystuje algorytm uczenia się używany przez mózg” – stwierdziła Qianli Liao, doktorantka K. Lisa Yang ICoN Center w laboratoriach profesorów MIT Tomaso Poggio i Marka Harnetta oraz współpierwsza autorka artykułu wraz z naukowcem z MIT Liu Ziyinem i absolwentką Yulu Gan.
To rozróżnienie ma znaczenie dla neuronaukowców, którzy chcą wykorzystywać modele sztucznej inteligencji jako okna do mózgu. Współczesne uczenie maszynowe opiera się na propagacji wstecznej – algorytmie, który większość neuronaukowców uważa za mało prawdopodobny w biologicznych obwodach neuronowych. „Mózg nie ma zewnętrznego projektanta ani architekta” – powiedział Liao. „Mózg musi się zorganizować. Musimy też wiedzieć, jak proste zasady pozwolą mózgowi się zorganizować”.
Głównym argumentem zespołu jest to, że wartość sieci jako modelu mózgu należy oceniać na podstawie stopnia, w jakim może się ona zorganizować – nie tylko swoich połączeń, ale także maszynerii regulującej te połączenia.
Jak działa samoorganizująca się sieć
Naukowcy zbudowali sieci, których struktura zaczyna się od wielu warstw losowo połączonych jednostek przypominających neurony. W obrębie każdej warstwy każdą jednostką rządzą te same proste zasady dotyczące dopasowywania połączeń. „Po prostu wchodzą w interakcję ze sobą, stosując się do tej zasady, i rozwijają pewien rodzaj zachowania” – wyjaśniła Liao.
Zasady są takie, jakie zdaniem neurobiologów powodują przebudowę obwodów mózgowych podczas uczenia się – włączając w to klasyczną zasadę, że „neurony, które uruchamiają się razem, łączą się ze sobą”, co oznacza, że jednoczesna aktywacja wzmacnia połączenie między dwoma neuronami.
Jak dowiedziała się sieć, motywy samoorganizujące wyłoniły się zgodnie z tymi prostymi zasadami, a następnie posłużyły jako elementy składowe obwodów funkcjonalnych. Motywy te uległy następnie reorganizacji przy użyciu strategii optymalizacji przypominającej opadanie gradientowe — proces dostosowywania oparty na błędach wbudowany w większość nowoczesnych systemów uczących się — ale wynikający z lokalnej dynamiki sieci, a nie z algorytmu narzuconego z zewnątrz.
Wydajność porównywalna z sieciami standardowymi
Kluczowym testem było to, czy ten samoorganizujący się system rzeczywiście potrafi się uczyć. Mogłoby to zrobić: zespół wykazał, że samoorganizująca się sieć podlegająca lokalnym zasadom nauczyła się rozpoznawać wzorce i klasyfikować obrazy, osiągając wyniki na poziomie podobnym do konwencjonalnie zaprojektowanych sieci przeszkolonych poprzez propagację wsteczną.
Starszy autor Tomaso Poggio określił wynik jako potencjalny pomost między dwiema dziedzinami, które od dawna podążają za tymi samymi mechanizmami z przeciwnych kierunków. Zauważył, że gdyby zaproponowane przez zespół motywy synaptyczne były tym, czego mózg używa do osiągnięcia tego, co robi propagacja wsteczna w przypadku sztucznych sieci, badacze mieliby „silne połączenie na poziomie podstawowych mechanizmów między sieciami sztucznymi i naturalnymi – między maszynami a mózgami”.
Od interfejsów mózg-komputer po lepszą sztuczną inteligencję
Konsekwencje idą w obie strony. Dla neuronauki zrozumienie prostych zasad samoorganizacji obwodów mogłoby wyjaśnić, jak działa uczenie się i jak się ono załamuje. Liao wskazuje na interfejsy mózg-komputer, których celem jest przywrócenie komunikacji osobom, które utraciły zdolności językowe lub pozwoliły sparaliżowanym pacjentom na kontrolowanie protez kończyn, jako dziedzinę, w której znajomość tych zasad jest niezbędna. „Żadne z nich nie będzie działać bez znajomości zasad rządzących interakcjami neuron-neuron” – powiedział. „Nie można tego osiągnąć poprzez zaprojektowanie obwodu, który działa bardzo dobrze”. Ta sama wiedza może pomóc w terapiach schorzeń, w których zasady uczenia się są zakłócane przez starzenie się lub chorobę.
W przypadku uczenia maszynowego odkrycia sugerują, że przestrzeń projektowa jest niedostatecznie zbadana. Liao ostrzega, że samoorganizująca się sieć niekoniecznie uczy się w taki sam sposób, jak mózg, ale uważa samoorganizację za krytyczny punkt wyjścia. „Samoorganizacja to pierwsza struktura wysokiego szczebla” – powiedział. „Kiedy już poradzimy sobie z samoorganizacją, możemy porozmawiać o następnej rzeczy”. Głównym celem grupy jest zrozumienie mózgu, ale zdobyta wiedza może ostatecznie pomóc inżynierom w budowaniu sieci, które będą działać lepiej lub zachowywać się w sposób bardziej ludzki.
Otwartą kwestią jest także szczegółowość. Zasady przekształcające połączenia neuronowe w miarę uczenia się zwierzęcia mogą różnić się w zależności od regionu mózgu i mogą zmieniać się w miarę dojrzewania mózgu – jest to możliwość, którą zdaniem badaczy muszą ustalić neurobiolodzy, zanim możliwe będzie dopasowanie modeli o prostych regułach do konkretnych obwodów biologicznych. Mapowanie to z kolei może ujawnić, gdzie i w jaki sposób mechanizm uczenia się zostaje zakłócony przez starzenie się lub chorobę, co pomoże w opracowaniu strategii zapobiegawczych i terapii.
Badanie przeprowadzone przez McGovern Institute for Brain Research i K. Lisa Yang ICoN Center zostało opisane w MIT News 13 października 2026 r.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
