Mạng lưới thần kinh nhân tạo thường được các kỹ sư định hình: các nhà thiết kế quyết định cường độ kết nối thay đổi như thế nào khi mạng học hỏi từ dữ liệu và phản hồi. Một nghiên cứu mới của MIT lập luận rằng phương pháp tiếp cận dựa trên thiết kế này, tuy mạnh mẽ đến đâu, có thể cho chúng ta biết rất ít về cách bộ não thực sự học hỏi - và chứng minh một giải pháp thay thế trong đó các mạng tự tổ chức.

Trong một bài báo xuất bản ngày 9 tháng 10 trên Kỷ yếu của Viện Hàn lâm Khoa học Quốc gia (PNAS), các nhà khoa học tại Viện Nghiên cứu Não McGovern của MIT và Trung tâm Khoa học Thần kinh Tính toán Tích hợp K. Lisa Yang (ICoN) cho thấy rằng một mạng lưới thần kinh nhân tạo có thể xây dựng bộ máy học tập của riêng nó. Bắt đầu từ các kết nối ngẫu nhiên và chỉ tuân theo các quy tắc cục bộ đơn giản về cách thức và thời điểm kết nối sẽ thay đổi, mạng đã tự định hình lại thành một hệ thống xử lý thông tin hiệu quả. For more context on this story, see our ongoing AI trends.

Tại sao tính hợp lý về mặt sinh học lại quan trọng

Qianli Liao, nghiên cứu sinh sau tiến sĩ của Trung tâm K. Lisa Yang ICoN trong phòng thí nghiệm của các giáo sư MIT Tomaso Poggio và Mark Harnett, đồng thời là đồng tác giả đầu tiên của bài báo cùng với nhà khoa học nghiên cứu MIT Liu Ziyin và sinh viên tốt nghiệp Yulu Gan, cho biết: “Công nghệ AI hiện tại đang hoạt động rất tốt, nhưng nó không nhất thiết phải sử dụng thuật toán học tập được sử dụng bởi bộ não”.

Sự khác biệt quan trọng đối với các nhà khoa học thần kinh muốn sử dụng mô hình AI làm cửa sổ vào não. Học máy hiện đại dựa vào sự lan truyền ngược, một thuật toán mà hầu hết các nhà khoa học thần kinh cho rằng khó có thể tồn tại trong các mạch thần kinh sinh học. Liao nói: “Bộ não không có nhà thiết kế hay kiến ​​trúc sư bên ngoài. "Bộ não phải tự tổ chức. Và chúng ta cần biết những quy tắc đơn giản sẽ giúp bộ não tổ chức như thế nào."

Lập luận trọng tâm của nhóm là giá trị của mạng như một mô hình của bộ não nên được đánh giá theo mức độ mà nó có thể tự tổ chức - không chỉ các kết nối của nó mà còn cả bộ máy điều chỉnh các kết nối đó.

Mạng Tự Tổ Chức Hoạt Động Như Thế Nào

Các nhà nghiên cứu đã xây dựng các mạng có cấu trúc bắt đầu bằng nhiều lớp đơn vị giống như nơ-ron được kết nối ngẫu nhiên với nhau. Trong mỗi lớp, mọi đơn vị đều bị chi phối bởi các quy tắc đơn giản giống nhau về cách điều chỉnh kết nối. Liao giải thích: “Chúng chỉ tương tác với nhau bằng quy tắc đó và phát triển một số loại hành vi”.

Các quy tắc này giống như các nhà khoa học thần kinh tin rằng việc điều chỉnh lại các mạch não trong quá trình học tập - bao gồm nguyên tắc cổ điển là "các tế bào thần kinh hoạt động cùng nhau sẽ kết nối với nhau", nghĩa là việc kích hoạt đồng thời sẽ tăng cường kết nối giữa hai tế bào thần kinh.

Khi mạng học được, các mô típ tự lắp ráp xuất hiện theo các quy tắc đơn giản này và sau đó đóng vai trò là các khối xây dựng cho các mạch chức năng. Những mô típ đó tiếp tục tự tổ chức lại bằng cách sử dụng chiến lược tối ưu hóa tương tự như giảm độ dốc — quy trình điều chỉnh do lỗi được tích hợp trong hầu hết máy học hiện đại — nhưng phát sinh từ động lực cục bộ của chính mạng chứ không phải là thuật toán áp đặt từ bên ngoài.

Hiệu suất có thể so sánh với mạng tiêu chuẩn

Bài kiểm tra quan trọng nhất là liệu hệ thống tự tổ chức này có thực sự học được hay không. Điều đó có thể: nhóm đã chỉ ra rằng mạng tự tổ chức được quản lý bởi các quy tắc cục bộ này đã học cách nhận biết các mẫu và phân loại hình ảnh, hoạt động ở mức tương tự như các mạng được thiết kế thông thường được đào tạo thông qua truyền ngược.

Tác giả cấp cao Tomaso Poggio coi kết quả này là cầu nối tiềm năng giữa hai lĩnh vực từ lâu đã theo đuổi các cơ chế giống nhau từ các hướng đối lập nhau. Ông lưu ý rằng nếu các mô típ khớp thần kinh mà nhóm đề xuất là những gì bộ não sử dụng để thực hiện những gì lan truyền ngược đối với mạng nhân tạo, thì các nhà nghiên cứu sẽ có “một mối liên hệ chặt chẽ ở cấp độ cơ chế cơ bản giữa mạng nhân tạo và mạng tự nhiên – giữa máy móc và bộ não.”

Từ giao diện não-máy tính đến AI tốt hơn

Các hàm ý chạy theo cả hai hướng. Đối với khoa học thần kinh, việc hiểu các quy tắc đơn giản mà các mạch tự tổ chức có thể làm rõ cách thức hoạt động của việc học - và cách thức hoạt động của nó. Liao chỉ ra các giao diện não-máy tính, nhằm mục đích khôi phục khả năng giao tiếp cho những người bị mất khả năng ngôn ngữ hoặc để bệnh nhân bị liệt điều khiển chân tay giả, như một lĩnh vực mà việc biết các quy tắc này là điều cần thiết. Ông nói: “Không ai trong số này có thể hoạt động nếu không biết các quy tắc đằng sau sự tương tác giữa tế bào thần kinh và tế bào thần kinh. “Điều đó không thể đạt được nếu chỉ thiết kế một mạch hoạt động tốt.” Kiến thức tương tự có thể cung cấp các liệu pháp điều trị cho các tình trạng trong đó các quy tắc học tập bị gián đoạn do lão hóa hoặc bệnh tật.

Đối với học máy, những phát hiện này cho thấy một không gian thiết kế chưa được khám phá. Liao cảnh báo rằng mạng lưới tự tổ chức không nhất thiết phải học theo cách của bộ não - nhưng ông coi việc tự tổ chức là điểm khởi đầu quan trọng. Ông nói: “Tự tổ chức là khuôn khổ cấp cao đầu tiên. "Một khi chúng ta đã ổn với thước đo tự tổ chức, thì chúng ta có thể nói về điều tiếp theo." Mục tiêu chính của nhóm là tìm hiểu bộ não, nhưng kiến ​​thức cuối cùng có thể giúp các kỹ sư xây dựng mạng lưới hoạt động tốt hơn hoặc hành xử giống con người hơn.

Ngoài ra còn có một câu hỏi mở về mức độ chi tiết. Các quy tắc định hình lại các kết nối thần kinh khi động vật học có thể khác nhau giữa các vùng não và chúng có thể thay đổi khi não trưởng thành – một khả năng mà các nhà nghiên cứu cho rằng các nhà khoa học thần kinh phải vạch ra trước khi các mô hình quy tắc đơn giản có thể khớp với các mạch sinh học cụ thể. Ngược lại, bản đồ đó có thể tiết lộ vị trí và cách thức bộ máy học tập bị gián đoạn do lão hóa hoặc bệnh tật, cung cấp thông tin về các chiến lược phòng ngừa cũng như các liệu pháp điều trị.

Nghiên cứu của Viện nghiên cứu não McGovern và Trung tâm ICoN K. Lisa Yang, được MIT News đưa tin vào ngày 13 tháng 10 năm 2026.

---

Stay Ahead of AI

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

Read more AI news →