Штучні нейронні мережі зазвичай формуються інженерами: дизайнери вирішують, як змінюватиметься сила з’єднання, коли мережа навчається на основі даних і зворотного зв’язку. Нове дослідження Массачусетського технологічного інституту стверджує, що цей дизайнерський підхід, яким би потужним він не був, мало що може сказати нам про те, як мозок насправді навчається, і демонструє альтернативу, за якою мережі організовуються.
У статті, опублікованій 9 жовтня в Proceedings of the National Academy of Sciences (PNAS), вчені з Інституту дослідження мозку Макговерна Массачусетського технологічного інституту та Центру інтегративної обчислювальної нейронауки (ICoN) імені К. Лізи Янг показують, що штучна нейронна мережа може створювати власний навчальний механізм. Починаючи з випадкових з’єднань і дотримуючись лише простих місцевих правил про те, як і коли з’єднання повинні змінюватися, мережа переформувалася в ефективну систему обробки інформації. For more context on this story, see our ongoing more AI stories.
Чому біологічна правдоподібність має значення
«Поточна технологія штучного інтелекту працює дуже добре, але вона не обов’язково використовує алгоритм навчання, який використовує мозок», — сказав Цяньлі Ляо, аспірант центру K. Lisa Yang ICoN у лабораторіях професорів Массачусетського технологічного інституту Томазо Поджіо та Марка Харнетта, а також один із перших авторів статті разом із науковцем Массачусетського технологічного інституту Лю Цзіінь та аспірантом Юлу. Gan.
Ця різниця важлива для нейробіологів, які хочуть використовувати моделі ШІ як вікна в мозок. Сучасне машинне навчання покладається на зворотне розповсюдження, алгоритм, який більшість нейробіологів вважають малоймовірним для існування в біологічних нейронних колах. «Мозок не має зовнішнього дизайнера чи архітектора», — сказав Ляо. «Мозок повинен самоорганізуватися. І нам потрібно знати, як прості правила змусять мозок організуватися».
Головний аргумент команди полягає в тому, що цінність мережі як моделі мозку слід оцінювати за ступенем, до якого вона може самоорганізуватися — не лише за своїми зв’язками, а й за механізмом, який регулює ці зв’язки.
Як працює самоорганізована мережа
Дослідники побудували мережі, структура яких починається з кількох шарів випадково пов’язаних між собою нейроноподібних одиниць. У межах кожного рівня кожен блок керується однаковими простими правилами щодо того, як слід регулювати з’єднання. «Вони просто взаємодіють один з одним, використовуючи це правило, і розвивають певний тип поведінки», — пояснив Ляо.
На думку нейробіологів, ці правила змінюють зв’язок мозкових ланцюгів під час навчання — включаючи класичний принцип, згідно з яким «нейрони, які працюють разом, з’єднуються разом», тобто одночасна активація зміцнює зв’язок між двома нейронами.
Як стало відомо мережі, самозбірні мотиви з’явилися відповідно до цих простих правил, а потім послужили будівельними блоками для функціональних схем. Ці мотиви продовжували реорганізовуватися, використовуючи стратегію оптимізації, схожу на градієнтний спуск — керований помилками процес коригування, вбудований у більшість сучасних машинного навчання — але випливаючи з власної локальної динаміки мережі, а не ззовні нав’язаного алгоритму.
Продуктивність, порівнянна зі стандартними мережами
Вирішальним випробуванням було те, чи здатна ця самоорганізована система насправді навчатися. Це могло: команда показала, що самоорганізована мережа, керована цими локальними правилами, навчилася розпізнавати шаблони та класифікувати зображення, працюючи на рівні, подібному до традиційно розроблених мереж, навчених за допомогою зворотного поширення.
Старший автор Томазо Поджіо сформулював результат як потенційний міст між двома полями, які вже давно переслідують ті самі механізми з протилежних сторін. Якщо синаптичні мотиви, які пропонує команда, це те, що мозок використовує для виконання того, що зворотне поширення робить для штучних мереж, зазначив він, дослідники матимуть «сильний зв’язок на рівні фундаментальних механізмів між штучними та природними мережами — між машинами та мозком».
Від інтерфейсу "мозок-комп'ютер" до кращого ШІ
Наслідки є в обох напрямках. Для нейронаук розуміння простих правил самоорганізації ланцюгів могло б прояснити, як працює навчання — і як воно ламається. Ляо вказує на інтерфейси «мозок-комп’ютер», які спрямовані на відновлення спілкування для людей, які втратили мовні здібності або дозволяють паралізованим пацієнтам контролювати протези кінцівок, як область, де знання цих правил є важливим. «Жоден із них не може працювати, не знаючи правил взаємодії між нейронами», — сказав він. «Цього неможливо досягти, просто розробивши схему, яка працює дуже добре». Ті самі знання можуть використовуватися для лікування станів, коли правила навчання порушуються через старіння або хворобу.
Для машинного навчання результати свідчать про недостатньо вивчений простір дизайну. Ляо застерігає, що самоорганізована мережа не обов’язково навчається так, як це робить мозок, але він вважає самоорганізацію критичною відправною точкою. «Самоорганізація — це перша структура високого рівня», — сказав він. «Коли ми розберемося з самоорганізацією як мірою, тоді ми зможемо говорити про наступне». Основною метою групи є розуміння мозку, але отримані знання можуть зрештою допомогти інженерам будувати мережі, які працюють краще або ведуть себе більш схоже на людину.
Також залишається відкритим питання щодо деталізації. Правила, які змінюють нейронні зв’язки під час навчання тварин, можуть відрізнятися в різних областях мозку, і вони можуть змінюватися в міру дорослішання мозку — дослідники кажуть, що цю можливість нейробіологи повинні визначити, перш ніж моделі простих правил можна буде зіставити з конкретними біологічними схемами. Це відображення, у свою чергу, може виявити, де і як механізм навчання порушується через старіння або хворобу, інформуючи про стратегії профілактики, а також про терапію.
Дослідження, проведене Інститутом дослідження мозку Макговерна та Центром К. Лізи Янг ICon, було висвітлено в MIT News 13 жовтня 2026 року.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
