MIT最新研究：人工神经网络如何构建自学习机制

机器学习网络无需设计者提供详细指令即可进行学习。那些需要指令的网络或许能帮助我们深入了解大脑在学习过程中如何进行自我重组。

詹妮弗·米哈洛夫斯基 | 麦戈文脑研究所

发布日期 ：

2026年10月13日

随着人工智能日益强大，其处理类似人类任务的能力毋庸置疑。人工神经网络可以学习识别图像、使用语言或编写计算机代码。就像大脑回路一样，它们会在学习过程中重组自身，调整连接强度以提升性能。

许多神经科学家面临的问题是：这些机器系统能教会他们哪些关于大脑学习的知识？哪些类型的模型最有可能提供最有价值的信息？

在10月9日发表于《美国国家科学院院刊》（PNAS）的一篇论文中，麻省理工学院麦戈文脑研究所和杨丽莎整合计算神经科学中心（ICoN）的科学家们指出，衡量人工神经网络学习方法生物学合理性的关键指标是其自我组织的能力，即无需开发者干预。他们证明，人工神经网络可以构建自身的学习机制。只需一些关于连接如何以及何时发生变化的简单指令，一组随机连接的单元就能重塑自身，形成一个高效的信息处理网络，并从训练数据中学习。

生物学习

“目前的AI技术运行良好，但它使用的学习算法未必与大脑使用的算法相同，” 利倩莉说道。她是麻省理工学院麦戈文研究所成员、K. Lisa Yang ICoN中心博士后研究员， 也是PNAS论文的共同第一作者，该论文的作者还包括麻省理工学院研究科学家 刘子银和研究生甘玉璐。 利倩莉 解释说，工程师们设计了人工神经网络在处理训练数据并接收错误反馈时，连接如何变化的规则。

在训练人工智能完成任务方面，这种方法非常有效。但廖和他的同事提醒说，以这种方式设计的网络可能无法为生物学习提供太多洞见。“大脑没有外部的设计者或架构师，”廖说，“大脑必须自我组织。我们需要了解简单的规则是如何让大脑进行自我组织的。”

动物学习过程中重塑神经连接的规则在大脑的不同区域可能有所不同，也可能随着大脑发育成熟而改变。神经科学家正致力于了解这些规则的运作机制，以及衰老或疾病如何扰乱这些规则——这是开发新疗法和预防策略的关键一步。廖指出，脑机接口的开发就是一个潜在的应用方向，其目标是在大脑语言能力丧失时恢复沟通，或让瘫痪患者控制神经假肢。

“如果不了解神经元间相互作用的规则，这些方法都行不通，”他说道。“仅仅设计一个运行良好的电路是无法实现这一点的。” 人工神经网络对神经科学的价值应该根据其自我组织的能力来评判——不仅是其连接，还包括调节这些连接的机制。

自组织人工智能

廖、子寅和甘与波焦和哈特内特合作，着手开发并验证一种能够学习的自组织计算网络。廖解释说，该网络的结构始于多层随机互连的类神经元单元。在每一层中，每个类神经元组件都遵循相同的连接调整规则。“它们只是按照这些规则相互作用，并发展出某种行为，”他说。

该团队的网络实现了一种简单的规则，这种规则被认为能够像人类和其他动物从经验中学习一样，重塑大脑回路。例如，在大脑和机器网络中，“同时激活的神经元会连接在一起”。换句话说，当两个相连的神经元同时被激活时，它们之间的连接就会加强。

研究团队证明，由类似规则驱动的自组织网络能够学习识别模式并对图像进行分类。他们解释说，在他们的模型中，学习是通过根据简单规则自组装形成的基序实现的，这些基序随后作为构建功能电路的基本单元。随着网络的学习，这些基序会利用一种类似于大多数现代机器学习系统内置的优化策略——梯度下降法——进行自我重组。在梯度下降法中，连接会根据误差逐步调整，从而提高性能。

大多数现代人工智能都通过某种形式的反向传播算法来实现梯度下降，但神经科学家认为大脑不太可能使用这种方法。研究团队将他们开发的自组织网络与旨在以这种方式学习的网络进行了比较，发现其性能与之相近。

连接大脑和机器

Poggio表示，找到与反向传播类似的生物学现象，可能会在人工智能和神经科学领域引发重大进展。

他说：“如果我们提出的突触基序确实被大脑用来做反向传播对人工神经网络所做的事情，那么我们将在人工网络和自然网络之间——机器和大脑之间——的基本机制层面建立起牢固的联系。”

廖表示，自组织网络不一定像大脑那样学习——但这对于生物学上的合理性来说是一个关键的起点。

“自组织是第一个高层次的框架，”他说。“一旦我们能够很好地运用自组织作为衡量标准，我们就可以讨论下一步了。”

廖表示，虽然该团队的主要目标是更好地了解大脑，但这些知识最终也可以改进机器学习系统，使工程师能够开发出性能更好或更像人类的网络。