Rețelele neuronale artificiale sunt de obicei modelate de ingineri: designerii decid cum se schimbă punctele forte ale conexiunii pe măsură ce rețeaua învață din date și feedback. Un nou studiu de la MIT susține că această abordare condusă de designer, oricât de puternică, ne poate spune puțin despre modul în care creierul învață de fapt - și demonstrează o alternativă în care rețelele se organizează.
Într-o lucrare publicată pe 9 octombrie în Proceedings of the National Academy of Sciences (PNAS), oamenii de știință de la MIT McGovern Institute for Brain Research și Centrul K. Lisa Yang Integrative Computational Neuroscience (ICoN) arată că o rețea neuronală artificială își poate construi propria mașinărie de învățare. Pornind de la conexiuni aleatorii și urmând doar reguli locale simple despre cum și când ar trebui să se schimbe conexiunile, rețeaua sa transformat într-un sistem eficient de procesare a informațiilor. For more context on this story, see our ongoing latest AI developments.
De ce contează plauzibilitatea biologică
„Tehnologia actuală a inteligenței artificiale funcționează foarte bine, dar nu folosește neapărat un algoritm de învățare care este folosit de creier”, a spus Qianli Liao, cercetător postdoctoral al Centrului K. Lisa Yang ICoN în laboratoarele profesorilor MIT Tomaso Poggio și Mark Harnett, și co-autor al lucrării, alături de studentul și cercetătorul absolvent al MIT, Zilu, Yun Gan, cercetător.
Distincția contează pentru oamenii de știință care doresc să folosească modele AI ca ferestre către creier. Învățarea automată modernă se bazează pe propagarea inversă, un algoritm pe care majoritatea neuroștiinței îl consideră puțin probabil să existe în circuitele neuronale biologice. „Creierul nu are un designer sau un arhitect extern”, a spus Liao. „Creierul trebuie să se organizeze singur. Și trebuie să știm cât de simple reguli vor face creierul să se organizeze.”
Argumentul central al echipei este că valoarea unei rețele ca model al creierului ar trebui să fie judecată în funcție de măsura în care se poate organiza - nu doar conexiunile sale, ci și mașinaria care ajustează acele conexiuni.
Cum funcționează rețeaua de auto-organizare
Cercetătorii au construit rețele a căror structură începe ca mai multe straturi de unități asemănătoare neuronilor interconectate aleatoriu. În fiecare strat, fiecare unitate este guvernată de aceleași reguli simple pentru modul în care ar trebui să fie ajustate conexiunile. „Ei doar interacționează unul cu celălalt folosind această regulă și dezvoltă un anumit tip de comportament”, a explicat Liao.
Regulile sunt genul în care oamenii de știință cred că rebranșează circuitele creierului în timpul învățării – inclusiv principiul clasic că „neuronii care se declanșează împreună se conectează”, adică activarea simultană întărește legătura dintre doi neuroni.
Pe măsură ce rețeaua a învățat, motivele auto-asamblate au apărut conform acestor reguli simple și apoi au servit ca blocuri de construcție pentru circuitele funcționale. Aceste motive au continuat să se reorganizeze folosind o strategie de optimizare asemănătoare coborârii gradientului - procesul de ajustare bazat pe erori, încorporat în majoritatea învățării automate moderne - dar care decurge din dinamica locală a rețelei, mai degrabă decât de un algoritm impus extern.
Performanță comparabilă cu rețelele standard
Testul crucial a fost dacă acest sistem auto-organizat ar putea învăța cu adevărat. S-ar putea: echipa a arătat că o rețea de auto-organizare guvernată de aceste reguli locale a învățat să recunoască tipare și să clasifice imaginile, performanțe la un nivel similar cu rețelele proiectate în mod convențional antrenate prin back-propagare.
Autorul principal Tomaso Poggio a încadrat rezultatul ca pe o potențială punte între două domenii care urmăresc de mult aceleași mecanisme din direcții opuse. Dacă motivele sinaptice pe care le propune echipa sunt cele pe care creierul le folosește pentru a realiza ceea ce face back-propagarea pentru rețelele artificiale, a remarcat el, cercetătorii ar avea „o conexiune puternică la nivelul mecanismelor fundamentale între rețelele artificiale și cele naturale – între mașini și creier”.
De la interfețele creier-calculator la IA mai bună
Implicațiile rulează în ambele direcții. Pentru neuroștiință, înțelegerea regulilor simple prin care circuitele se auto-organizează ar putea clarifica modul în care funcționează învățarea - și cum se defectează. Liao indică interfețele creier-calculator, care urmăresc să restabilească comunicarea pentru persoanele care și-au pierdut abilitățile de limbaj sau lasă pacienții paralizați să controleze membrele protetice, ca domeniu în care cunoașterea acestor reguli este esențială. „Niciunul dintre acestea nu poate funcționa fără a cunoaște regulile din spatele interacțiunilor neuron-neuron”, a spus el. „Acest lucru nu este realizabil doar prin proiectarea unui circuit care funcționează foarte bine”. Aceleași cunoștințe ar putea informa terapiile pentru condițiile în care regulile de învățare sunt perturbate de îmbătrânire sau de boală.
Pentru învățarea automată, descoperirile sugerează un spațiu de proiectare subexplorat. Liao avertizează că o rețea de auto-organizare nu învață neapărat așa cum o face creierul - dar el încadrează auto-organizarea ca un punct de plecare critic. „Auto-organizarea este primul cadru la nivel înalt”, a spus el. „Odată ce suntem buni cu auto-organizarea ca măsură, atunci putem vorbi despre următorul lucru.” Obiectivul principal al grupului este înțelegerea creierului, dar cunoștințele ar putea ajuta în cele din urmă inginerii să construiască rețele care funcționează mai bine sau se comportă în moduri mai asemănătoare oamenilor.
Există, de asemenea, o întrebare deschisă despre granularitate. Regulile care remodelează conexiunile neuronale pe măsură ce un animal învață pot diferi de la o regiune la alta a creierului și se pot schimba pe măsură ce creierul se maturizează - o posibilitate despre care cercetătorii spun că oamenii de știință trebuie să elaboreze înainte ca modelele cu reguli simple să poată fi corelate cu anumite circuite biologice. Această cartografiere, la rândul său, ar putea dezvălui unde și cum este perturbată mecanismul de învățare de îmbătrânire sau boală, informând strategiile de prevenire, precum și terapiile.
Studiul, de la McGovern Institute for Brain Research și K. Lisa Yang ICoN Center, a fost acoperit de MIT News pe 13 octombrie 2026.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
