Искусственные нейронные сети обычно создаются инженерами: дизайнеры решают, как будет меняться сила соединения по мере того, как сеть учится на данных и обратной связи. Новое исследование Массачусетского технологического института утверждает, что этот дизайнерский подход, каким бы мощным он ни был, может мало что сказать нам о том, как на самом деле учится мозг, — и демонстрирует альтернативу самоорганизации сетей.
В статье, опубликованной 9 октября в журнале Proceedings of the National Academy of Sciences (PNAS), ученые из Института исследований мозга Макговерна Массачусетского технологического института и Центра интегративной вычислительной нейронауки (ICoN) К. Лизы Янг показывают, что искусственная нейронная сеть может создавать свои собственные механизмы обучения. Начав со случайных соединений и следуя лишь простым местным правилам о том, как и когда соединения должны меняться, сеть превратилась в эффективную систему обработки информации. Подробнее об этой истории — в нашем больше статей об ИИ.
Почему биологическая правдоподобность имеет значение
«Современная технология искусственного интеллекта работает очень хорошо, но она не обязательно использует алгоритм обучения, который используется мозгом», — сказал Цяньли Ляо, постдокторант Центра ICoN К. Лизы Ян в лабораториях профессоров Массачусетского технологического института Томасо Поджо и Марка Харнетта и соавтор статьи вместе с ученым-исследователем Массачусетского технологического института Лю Цзыинь и аспирантом Юлу Ганем.
Это различие важно для нейробиологов, которые хотят использовать модели ИИ в качестве окна в мозг. Современное машинное обучение основано на обратном распространении ошибки — алгоритме, который большинство нейробиологов считает маловероятным в биологических нейронных цепях. «У мозга нет внешнего дизайнера или архитектора», — сказал Ляо. «Мозг должен самоорганизоваться. И нам нужно знать, как простые правила заставят мозг организоваться».
Главный аргумент команды заключается в том, что ценность сети как модели мозга следует оценивать по тому, насколько она может самоорганизоваться — не только свои связи, но и механизм, который регулирует эти связи.
Как работает самоорганизующаяся сеть
Исследователи построили сети, структура которых начинается с нескольких слоев случайно связанных между собой нейроноподобных единиц. На каждом уровне каждая единица регулируется одними и теми же простыми правилами настройки соединений. «Они просто взаимодействуют друг с другом, используя это правило, и у них развивается определенный тип поведения», — объяснил Ляо.
Нейробиологи полагают, что эти правила перестраивают мозговые цепи во время обучения, включая классический принцип, согласно которому «нейроны, которые срабатывают вместе, соединяются вместе», что означает, что одновременная активация усиливает связь между двумя нейронами.
Как научилась сеть, мотивы самосборки возникали в соответствии с этими простыми правилами, а затем служили строительными блоками для функциональных схем. Эти мотивы затем реорганизовались с помощью стратегии оптимизации, напоминающей градиентный спуск — процесс корректировки, основанный на ошибках, встроенный в большинство современных машинного обучения — но возникший из-за собственной локальной динамики сети, а не извне навязанного алгоритма.
Производительность, сравнимая со стандартными сетями
Решающим испытанием было то, способна ли эта самоорганизующаяся система на самом деле учиться. Это возможно: команда показала, что самоорганизующаяся сеть, управляемая этими локальными правилами, научилась распознавать закономерности и классифицировать изображения, работая на уровне, аналогичном традиционно спроектированным сетям, обученным посредством обратного распространения ошибки.
Старший автор Томазо Поджо сформулировал результат как потенциальный мост между двумя областями, которые уже давно гоняются за одними и теми же механизмами с противоположных направлений. Если синаптические мотивы, предлагаемые командой, являются тем, что мозг использует для выполнения того, что делает обратное распространение ошибки для искусственных сетей, отметил он, у исследователей будет «сильная связь на уровне фундаментальных механизмов между искусственными и естественными сетями — между машинами и мозгом».
От интерфейсов «мозг-компьютер» к лучшему искусственному интеллекту
Последствия идут в обоих направлениях. Для нейробиологии понимание простых правил самоорганизации цепей могло бы прояснить, как работает обучение — и как оно разрушается. Ляо указывает на интерфейсы «мозг-компьютер», цель которых — восстановить общение людей, потерявших языковые способности или позволить парализованным пациентам управлять протезами конечностей, как область, в которой знание этих правил имеет важное значение. «Ни один из них не может работать без знания правил взаимодействия нейронов», — сказал он. «Этого невозможно достичь, просто спроектировав схему, которая работает очень хорошо». Те же знания могут помочь в лечении состояний, при которых правила обучения нарушаются старением или болезнью.
В области машинного обучения полученные результаты указывают на недостаточно изученное пространство проектирования. Ляо предупреждает, что самоорганизующаяся сеть не обязательно обучается так же, как мозг, но он рассматривает самоорганизацию как важнейшую отправную точку. «Самоорганизация — это первая структура высокого уровня», — сказал он. «Как только мы разберемся с самоорганизацией как мерой, мы сможем поговорить о следующем». Основная цель группы — понять мозг, но эти знания могут в конечном итоге помочь инженерам создавать сети, которые работают лучше или ведут себя более похоже на человека.
Также остается открытым вопрос о детализации. Правила, которые изменяют форму нейронных связей в процессе обучения животного, могут различаться в разных областях мозга, и они могут меняться по мере взросления мозга — возможность, которую, по мнению исследователей, нейробиологи должны определить, прежде чем модели простых правил можно будет сопоставить с конкретными биологическими цепями. Это картирование, в свою очередь, может показать, где и как механизмы обучения нарушаются старением или болезнями, что будет служить основой для стратегий профилактики и лечения.
Исследование, проведенное Институтом исследований мозга Макговерна и Центром ICoN К. Лизы Янг, было освещено в MIT News 13 октября 2026 года.
---
Будьте в курсе ИИПоследние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.
Читать больше новостей об ИИ →
