โครงข่ายประสาทเทียมมักจะถูกกำหนดโดยวิศวกร: นักออกแบบจะตัดสินใจว่าจุดแข็งของการเชื่อมต่อจะเปลี่ยนแปลงไปอย่างไรเมื่อเครือข่ายเรียนรู้จากข้อมูลและข้อเสนอแนะ การศึกษาใหม่จาก MIT แย้งว่าแนวทางที่ขับเคลื่อนโดยนักออกแบบ แม้จะทรงพลังเพียงใด อาจบอกเราเพียงเล็กน้อยเกี่ยวกับการเรียนรู้ของสมอง และแสดงให้เห็นทางเลือกอื่นที่เครือข่ายจัดระเบียบตัวเอง

ในบทความที่ตีพิมพ์เมื่อวันที่ 9 ตุลาคมในรายงานการประชุมของ National Academy of Sciences (PNAS) นักวิทยาศาสตร์จากสถาบัน McGovern เพื่อการวิจัยสมองของ MIT และศูนย์วิทยาศาสตร์ประสาทวิทยาเชิงบูรณาการ (ICoN) ของ K. Lisa Yang แสดงให้เห็นว่าโครงข่ายประสาทเทียมสามารถสร้างกลไกการเรียนรู้ของตัวเองได้ เริ่มต้นจากการเชื่อมต่อแบบสุ่มและปฏิบัติตามกฎท้องถิ่นง่ายๆ เกี่ยวกับวิธีการและเวลาที่การเชื่อมต่อควรเปลี่ยนแปลง เครือข่ายได้เปลี่ยนโฉมตัวเองให้กลายเป็นระบบประมวลผลข้อมูลที่มีประสิทธิภาพ For more context on this story, see our ongoing AI trends.

เหตุใดความเป็นไปได้ทางชีวภาพจึงมีความสำคัญ

"เทคโนโลยี AI ในปัจจุบันทำงานได้ดีมาก แต่ไม่จำเป็นต้องใช้อัลกอริธึมการเรียนรู้ที่สมองใช้" Qianli Liao นักวิจัยหลังปริญญาเอกของ K. Lisa Yang ICoN Center ในห้องแล็บของศาสตราจารย์ MIT Tomaso Poggio และ Mark Harnett และผู้ร่วมเขียนรายงานฉบับแรกร่วมกับ Liu Ziyin นักวิทยาศาสตร์การวิจัยของ MIT และนักศึกษาระดับบัณฑิตศึกษา Yulu Gan กล่าว

ความแตกต่างมีความสำคัญต่อนักประสาทวิทยาที่ต้องการใช้แบบจำลอง AI เป็นหน้าต่างเข้าสู่สมอง การเรียนรู้ของเครื่องสมัยใหม่อาศัยการแพร่กระจายกลับ ซึ่งเป็นอัลกอริทึมที่นักประสาทวิทยาส่วนใหญ่พิจารณาว่าไม่น่าจะมีอยู่ในวงจรประสาททางชีววิทยา “สมองไม่มีนักออกแบบหรือสถาปนิกภายนอก” เหลียวกล่าว “สมองต้องจัดระเบียบตัวเอง และเราจำเป็นต้องรู้ว่ากฎง่ายๆ จะทำให้สมองจัดระเบียบได้อย่างไร”

ข้อโต้แย้งหลักของทีมคือคุณค่าของเครือข่ายในฐานะแบบจำลองของสมองควรได้รับการตัดสินจากขอบเขตที่สามารถจัดระเบียบตัวเองได้ ไม่ใช่แค่การเชื่อมต่อเท่านั้น แต่ยังรวมถึงกลไกที่ปรับการเชื่อมต่อเหล่านั้นด้วย

เครือข่ายการจัดระเบียบตนเองทำงานอย่างไร

นักวิจัยได้สร้างเครือข่ายที่มีโครงสร้างเริ่มต้นจากหลายชั้นของหน่วยคล้ายเซลล์ประสาทที่เชื่อมต่อถึงกันแบบสุ่ม ภายในแต่ละเลเยอร์ ทุกยูนิตจะถูกควบคุมโดยกฎง่ายๆ เดียวกันสำหรับวิธีปรับการเชื่อมต่อ “พวกเขาแค่โต้ตอบกันโดยใช้กฎนั้น และพวกเขาก็พัฒนาพฤติกรรมบางประเภท” Liao อธิบาย

กฎเกณฑ์คือนักประสาทวิทยาที่ใจดีเชื่อว่าวงจรสมองจะเชื่อมต่อวงจรสมองใหม่ในระหว่างการเรียนรู้ รวมถึงหลักการคลาสสิกที่ว่า "เซลล์ประสาทที่ส่งไฟมาเชื่อมต่อกัน" ซึ่งหมายความว่าการเปิดใช้งานพร้อมกันจะเสริมสร้างการเชื่อมต่อระหว่างเซลล์ประสาททั้งสองให้แข็งแกร่งขึ้น

เมื่อเครือข่ายได้เรียนรู้ ลวดลายในการประกอบตัวเองก็เกิดขึ้นตามกฎง่ายๆ เหล่านี้ จากนั้นจึงทำหน้าที่เป็นส่วนประกอบสำคัญสำหรับวงจรการทำงาน ลวดลายเหล่านั้นได้จัดระเบียบตัวเองใหม่โดยใช้กลยุทธ์การปรับให้เหมาะสมที่คล้ายกับการไล่ระดับลงมา ซึ่งเป็นกระบวนการปรับที่ขับเคลื่อนด้วยข้อผิดพลาดซึ่งสร้างไว้ในการเรียนรู้ของเครื่องที่ทันสมัยที่สุด แต่เกิดขึ้นจากไดนามิกในพื้นที่ของเครือข่ายแทนที่จะเป็นอัลกอริธึมที่กำหนดจากภายนอก

ประสิทธิภาพเทียบได้กับเครือข่ายมาตรฐาน

การทดสอบที่สำคัญคือระบบที่จัดเองนี้สามารถเรียนรู้ได้จริงหรือไม่ สามารถทำได้: ทีมงานแสดงให้เห็นว่าเครือข่ายที่จัดระเบียบตนเองภายใต้กฎท้องถิ่นเหล่านี้เรียนรู้ที่จะจดจำรูปแบบและจัดประเภทรูปภาพ โดยดำเนินการในระดับที่คล้ายกับเครือข่ายที่ออกแบบตามอัตภาพซึ่งได้รับการฝึกฝนผ่านการเผยแพร่ด้านหลัง

ผู้เขียนอาวุโส Tomaso Poggio วางกรอบผลลัพธ์ไว้ว่าเป็นสะพานเชื่อมระหว่างสองสาขาที่ไล่ตามกลไกเดียวกันจากทิศทางตรงกันข้ามมายาวนาน หากแนวคิดซินแนปติกที่ทีมเสนอคือสิ่งที่สมองใช้เพื่อบรรลุสิ่งที่การขยายพันธุ์ด้านหลังทำกับเครือข่ายเทียม เขาตั้งข้อสังเกตว่า นักวิจัยจะมี "ความเชื่อมโยงที่แน่นแฟ้นในระดับกลไกพื้นฐานระหว่างเครือข่ายเทียมและเครือข่ายธรรมชาติ ระหว่างเครื่องจักรและสมอง"

จากอินเทอร์เฟซสมองและคอมพิวเตอร์ไปจนถึง AI ที่ดีขึ้น

ผลกระทบเกิดขึ้นในทั้งสองทิศทาง สำหรับประสาทวิทยาศาสตร์ การทำความเข้าใจกฎง่ายๆ ที่ใช้จัดระเบียบวงจรด้วยตนเองสามารถชี้แจงวิธีการเรียนรู้และการแยกส่วนได้อย่างชัดเจน Liao ชี้ไปที่อินเทอร์เฟซของสมองและคอมพิวเตอร์ซึ่งมีจุดมุ่งหมายเพื่อฟื้นฟูการสื่อสารสำหรับผู้ที่สูญเสียความสามารถทางภาษาหรือปล่อยให้ผู้ป่วยที่เป็นอัมพาตควบคุมแขนขาเทียม เนื่องจากความรู้กฎเหล่านี้เป็นสิ่งจำเป็น "สิ่งเหล่านี้ไม่สามารถทำงานได้หากไม่ทราบกฎเบื้องหลังปฏิสัมพันธ์ของเซลล์ประสาทและเซลล์ประสาท" เขากล่าว "นั่นไม่สามารถทำได้โดยการออกแบบวงจรที่ทำงานได้ดีมาก" ความรู้เดียวกันนี้สามารถให้ข้อมูลการบำบัดสำหรับเงื่อนไขที่กฎการเรียนรู้ถูกรบกวนเนื่องจากความชราหรือโรคภัยไข้เจ็บ

สำหรับการเรียนรู้ของเครื่อง การค้นพบนี้ชี้ให้เห็นถึงพื้นที่การออกแบบที่ยังไม่ค่อยได้รับการสำรวจ Liao เตือนว่าเครือข่ายการจัดระเบียบตนเองไม่จำเป็นต้องเรียนรู้วิธีที่สมองเรียนรู้ แต่เขาวางกรอบการจัดระเบียบตนเองเป็นจุดเริ่มต้นที่สำคัญ “การจัดการตนเองเป็นกรอบการทำงานระดับสูงกรอบแรก” เขากล่าว “เมื่อเราจัดการกับตนเองได้ดีแล้ว เราก็ค่อยพูดถึงเรื่องต่อไป” วัตถุประสงค์หลักของกลุ่มคือการทำความเข้าใจสมอง แต่ในที่สุดความรู้ก็สามารถช่วยวิศวกรสร้างเครือข่ายที่ทำงานได้ดีขึ้นหรือประพฤติตนเหมือนมนุษย์มากขึ้น

นอกจากนี้ยังมีคำถามเปิดเกี่ยวกับรายละเอียด กฎที่ปรับเปลี่ยนการเชื่อมต่อของระบบประสาทในขณะที่สัตว์เรียนรู้อาจแตกต่างกันไปตามบริเวณสมอง และอาจเปลี่ยนแปลงได้เมื่อสมองเติบโต ความเป็นไปได้ที่นักวิจัยกล่าวว่านักประสาทวิทยาต้องทำแผนที่ก่อนจึงจะสามารถจับคู่แบบจำลองกฎง่ายๆ กับวงจรทางชีววิทยาที่เฉพาะเจาะจงได้ ในทางกลับกัน การทำแผนที่ดังกล่าวสามารถเปิดเผยได้ว่ากลไกการเรียนรู้ถูกรบกวนจากความชราหรือโรคที่ไหนและอย่างไร โดยแจ้งกลยุทธ์การป้องกันและการบำบัด

การศึกษานี้จากสถาบัน McGovern เพื่อการวิจัยสมองและศูนย์ ICoN ของ K. Lisa Yang ได้รับการคุ้มครองโดย MIT News เมื่อวันที่ 13 ตุลาคม 2026

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →