随着人工智能技术的快速发展，人工神经网络已经能够识别图像、理解语言、甚至生成代码。它们通过在学习过程中调整连接强度来重塑自身结构，这与大脑的可塑性十分相似。MIT 麦戈文研究所和 K. Lisa Yang ICoN 中心的研究者在 10 月 9 日发表的《PNAS》论文指出，衡量人工网络生物学可行性的关键在于网络能否在没有外部设计者干预的情况下自行组织。研究团队在网络中只设定了极其简化的连接更新规则——例如“同火同步连”，即当两个神经元同时激活时，它们之间的权重会增强——并让一组随机连接的单元在训练数据的驱动下自行形成有效的信息处理结构。该自组织网络通过梯度下降等优化手段逐步降低误差，最终能够实现图像分类等任务，性能与传统使用反向传播的网络相当。作者强调，虽然当前的反向传播算法在大脑中未必真实存在，但如果大脑真的利用类似的突触模式来实现学习，那么人工网络与生物网络在机制层面将实现深度对接。自组织被视为评估人工网络生物学合理性的第一层框架，未来可以在此基础上进一步探讨更细致的学习机制。该研究不仅有助于揭示大脑的学习规则，也可能为开发更具人类特性的机器学习系统提供新思路。
点评