人工神经网络通常由工程师塑造：设计者决定当网络从数据和反馈中学习时连接强度如何变化。麻省理工学院的一项新研究认为，这种由设计师驱动的方法无论多么强大，都可能无法告诉我们大脑实际上是如何学习的，并展示了网络自我组织的另一种选择。
麻省理工学院麦戈文脑研究所和 K. Lisa Yang 综合计算神经科学 (ICoN) 中心的科学家在 10 月 9 日发表在《美国国家科学院院刊》(PNAS) 上的一篇论文中表明，人工神经网络可以构建自己的学习机制。从随机连接开始，仅遵循关于连接如何以及何时改变的简单本地规则，网络将自身重塑为一个有效的信息处理系统。 更多相关背景，请参阅我们的AI新闻。
为什么生物学合理性很重要
麻省理工学院教授 Tomaso Poggio 和 Mark Harnett 实验室的 K. Lisa Yang ICoN 中心博士后研究员、该论文的共同第一作者、麻省理工学院研究科学家 Liu Ziyin 和研究生 Yulu Gan 表示，目前的人工智能技术运行良好，但它不一定使用大脑使用的学习算法。
对于想要使用人工智能模型作为大脑窗口的神经科学家来说，这种区别很重要。现代机器学习依赖于反向传播，大多数神经科学家认为这种算法不太可能存在于生物神经回路中。 “大脑没有外部设计师或建筑师，”廖说。 “大脑必须自我组织。我们需要知道简单的规则如何使大脑组织起来。”
该团队的核心论点是，网络作为大脑模型的价值应该根据它自我组织的程度来判断——不仅仅是它的连接，还有调整这些连接的机制。
自组织网络如何工作
研究人员构建的网络结构始于多层随机互连的神经元样单元。在每一层中，每个单元都受相同的简单规则控制，以决定如何调整连接。廖解释说：“他们只是利用这条规则相互互动，然后发展出某种类型的行为。”
这些规则是神经科学家认为在学习过程中重新连接大脑回路的规则，其中包括“一起放电的神经元连接在一起”的经典原理，这意味着同时激活会加强两个神经元之间的连接。
随着网络的了解，自组装图案根据这些简单的规则出现，然后充当功能电路的构建块。这些主题继续使用类似于梯度下降的优化策略（大多数现代机器学习中内置的误差驱动调整过程）进行自我重组，但源于网络自身的局部动态而不是外部强加的算法。
性能与标准网络相当
关键的测试是这个自组织系统是否真的能够学习。它可以：该团队表明，受这些局部规则控制的自组织网络学会了识别模式和对图像进行分类，其性能水平类似于通过反向传播训练的传统设计网络。
资深作者托马索·波吉奥（Tomaso Poggio）将这一结果视为两个领域之间的潜在桥梁，这两个领域长期以来一直从相反的方向追求相同的机制。他指出，如果该团队提出的突触主题是大脑用来完成反向传播对人工网络所做的事情，那么研究人员将“在人工网络和自然网络之间、机器和大脑之间的基本机制层面上建立紧密的联系。”
从脑机接口到更好的人工智能
其影响是双向的。对于神经科学来说，了解回路自组织的简单规则可以阐明学习是如何运作的，以及它是如何分解的。廖指出，脑机接口旨在帮助失去语言能力的人恢复沟通，或让瘫痪患者控制假肢，在这个领域，了解这些规则至关重要。 “如果不了解神经元-神经元相互作用背后的规则，这些都无法发挥作用，”他说。 “仅通过设计一个运行良好的电路是无法实现这一目标的。”同样的知识可以为因衰老或疾病而破坏学习规则的情况提供治疗方法。
对于机器学习，研究结果表明设计空间尚未得到充分探索。廖警告说，自组织网络不一定像大脑那样学习，但他将自组织视为一个关键起点。 “自组织是第一个高层框架，”他说。 “一旦我们擅长以自组织作为衡量标准，那么我们就可以讨论下一步。”该小组的主要目标是了解大脑，但这些知识最终可以帮助工程师构建性能更好或更接近人类行为的网络。
还有一个关于粒度的悬而未决的问题。动物学习时重塑神经连接的规则可能会因大脑区域的不同而不同，并且可能会随着大脑的成熟而改变——研究人员表示，神经科学家必须先弄清楚这种可能性，然后才能将简单规则模型与特定的生物回路相匹配。反过来，这种映射可以揭示学习机制在何处以及如何被衰老或疾病破坏，从而为预防策略和治疗提供信息。
麻省理工学院新闻于 2026 年 10 月 13 日报道了麦戈文脑研究所和 K. Lisa Yang ICoN 中心的这项研究。
---
掌握AI最新动态获取最新的AI新闻、分析和突破——尽在一处。
阅读更多AI新闻 →
