Artificiella neurala nätverk formas vanligtvis av ingenjörer: designers bestämmer hur anslutningsstyrkorna förändras när nätverket lär sig av data och feedback. En ny studie från MIT hävdar att detta designerdrivna tillvägagångssätt, hur kraftfullt det än är, kan berätta lite om hur hjärnan faktiskt lär sig - och visar ett alternativ där nätverk organiserar sig.
I en artikel som publicerades den 9 oktober i Proceedings of the National Academy of Sciences (PNAS), visar forskare vid MIT:s McGovern Institute for Brain Research och K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center att ett artificiellt neuralt nätverk kan bygga sitt eget inlärningsmaskineri. Med utgångspunkt från slumpmässiga anslutningar och endast enkla lokala regler om hur och när anslutningar skulle ändras, omformade nätverket sig till ett effektivt informationsbehandlingssystem. For more context on this story, see our ongoing more AI stories.
Varför biologisk rimlighet är viktig
"Den nuvarande AI-tekniken fungerar mycket bra, men den använder inte nödvändigtvis en inlärningsalgoritm som används av hjärnan", säger Qianli Liao, en postdoktor vid K. Lisa Yang ICoN Center i labben hos MIT-professorerna Tomaso Poggio och Mark Harnett, och medförfattare till uppsatsen tillsammans med LiMITu-forskarstudenten Zilun och akademiker i Gain.
Distinktionen är viktig för neuroforskare som vill använda AI-modeller som fönster in i hjärnan. Modern maskininlärning förlitar sig på tillbakaförökning, en algoritm som de flesta neuroforskare anser att det är osannolikt att existera i biologiska neurala kretsar. "Hjärnan har ingen extern designer eller arkitekt," sa Liao. "Hjärnan måste organisera sig själv. Och vi måste veta hur enkla regler kommer att få hjärnan att organisera sig."
Teamets centrala argument är att ett nätverks värde som en modell av hjärnan bör bedömas av i vilken utsträckning den kan organisera sig själv - inte bara dess anslutningar, utan maskineriet som justerar dessa anslutningar.
Hur det självorganiserande nätverket fungerar
Forskarna byggde nätverk vars struktur börjar som flera lager av slumpmässigt sammankopplade, neuronliknande enheter. Inom varje lager styrs varje enhet av samma enkla regler för hur anslutningar ska justeras. "De interagerar bara med varandra genom att använda den regeln, och de utvecklar någon typ av beteende," förklarade Liao.
Reglerna är sådana som neuroforskare tror att omkoppla hjärnkretsar under inlärning - inklusive den klassiska principen att "neuroner som avfyrar tillsammans trådar ihop", vilket betyder att samtidig aktivering stärker kopplingen mellan två neuroner.
Som nätverket lärde sig uppstod självmonterande motiv enligt dessa enkla regler och fungerade sedan som byggstenar för funktionella kretsar. Dessa motiv fortsatte med att omorganisera sig själva med hjälp av en optimeringsstrategi som liknar gradientnedstigning - den feldrivna justeringsprocessen inbyggd i de flesta moderna maskininlärning - men som härrör från nätverkets egen lokala dynamik snarare än en externt pålagd algoritm.
Prestanda jämförbar med standardnätverk
Det avgörande testet var om detta självorganiserade system faktiskt kunde lära sig. Det kunde: teamet visade att ett självorganiserande nätverk som styrs av dessa lokala regler lärde sig att känna igen mönster och klassificera bilder, och presterade på en nivå som liknar konventionellt designade nätverk som tränats genom back-propagation.
Seniorförfattaren Tomaso Poggio ramade in resultatet som en potentiell bro mellan två fält som länge har jagat samma mekanismer från motsatta håll. Om de synaptiska motiven som teamet föreslår är vad hjärnan använder för att åstadkomma vad tillbakaförökning gör för artificiella nätverk, noterade han, skulle forskare ha "en stark koppling på nivån av grundläggande mekanismer mellan artificiella och naturliga nätverk - mellan maskiner och hjärnor."
Från hjärn-datorgränssnitt till bättre AI
Konsekvenserna går i båda riktningarna. För neurovetenskap kan förståelsen av de enkla reglerna för vilka kretsar självorganiserar sig klargöra hur lärande fungerar - och hur det går sönder. Liao pekar på hjärn-dator-gränssnitt, som syftar till att återställa kommunikationen för människor som har förlorat språkkunskaper eller låtit förlamade patienter kontrollera proteser, som ett område där det är viktigt att känna till dessa regler. "Ingen av dessa kan fungera utan att känna till reglerna bakom neuron-neuron-interaktioner," sa han. "Det är inte möjligt genom att bara designa en krets som fungerar mycket bra." Samma kunskap skulle kunna informera terapier för tillstånd där inlärningsreglerna störs av åldrande eller sjukdom.
För maskininlärning tyder resultaten på ett underutforskat designutrymme. Liao varnar för att ett självorganiserande nätverk inte nödvändigtvis lär sig på det sätt som hjärnan gör - men han framställer självorganisering som en kritisk utgångspunkt. "Självorganisering är det första ramverket på hög nivå", sa han. "När vi är bra med självorganisering som mått, då kan vi prata om nästa sak." Gruppens huvudmål är att förstå hjärnan, men kunskapen kan i slutändan hjälpa ingenjörer att bygga nätverk som presterar bättre eller beter sig på ett mer mänskligt sätt.
Det finns också en öppen fråga om granularitet. Reglerna som omformar neurala kopplingar som ett djur lär sig kan skilja sig åt mellan hjärnregioner, och de kan förändras när hjärnan mognar - en möjlighet som forskarna säger att neuroforskare måste kartlägga innan modeller med enkel regel kan matchas till specifika biologiska kretsar. Denna kartläggning kan i sin tur avslöja var och hur inlärningsmaskineriet störs av åldrande eller sjukdom, vilket ger information om såväl förebyggande strategier som terapier.
Studien, från McGovern Institute for Brain Research och K. Lisa Yang ICoN Center, täcktes av MIT News den 13 oktober 2026.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
