随着人工智能变得越来越强大，其处理类人任务的能力已毋庸置疑。人工神经网络能够学会识别图像、使用语言或编写计算机代码。像大脑的神经回路一样，它们在学习过程中会重新组织自身，调整连接的强度以提升性能。
许多神经科学家关心的问题是：这些机器系统能告诉我们大脑是如何学习的吗？哪种模型最具参考价值？
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K. Lisa Yang综合计算神经科学中心（ICoN Center）的科学家们提出，衡量人工神经网络学习方式是否具有生物学可信度的一个关键指标，是该网络能否在没有开发者引导的情况下自我组织。他们证明，人工神经网络确实可以构建出自身的学习机制。只需给出一些关于连接应何时、如何改变的简单规则，一组随机连接的单元就能重塑自身，形成一个有效的信息处理网络，并从训练数据中学习。
生物学习
“当前的AI技术运行得很好，但它所使用的学习算法未必与大脑所用的相同，”麻省理工学院教授、麦戈文研究所成员Tomaso Poggio和Mark Harnett实验室的K. Lisa Yang ICoN中心博士后研究员廖倩莉（Qianli Liao）说道。他与麻省理工学院研究科学家刘子寅（Liu Ziyin）、研究生甘雨路（Yulu Gan）共同担任这篇PNAS论文的第一作者。廖倩莉解释说，工程师设计出的规则，决定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。
就训练AI完成任务而言，这种方法非常强大。但廖倩莉和同事们提醒，以这种方式设计的网络可能无法为理解生物学习提供太多启示。“大脑并没有外部的设计者或架构师，”廖倩莉说，“大脑必须自我组织。我们需要知道简单的规则如何让大脑实现自我组织。”
在动物学习过程中重塑神经连接的规则，可能在大脑的不同区域有所不同，也可能随着大脑的成熟而发生变化。神经科学家正在努力理解这些规则的运作方式，以及它们可能如何因衰老或疾病而被打乱——这是开发新疗法和预防策略的关键一步。廖倩莉提到脑机接口的发展作为一个潜在应用：当大脑的语言能力丧失时，脑机接口旨在恢复交流能力，或让瘫痪患者能够控制神经假肢。
“如果不了解神经元与神经元之间相互作用背后的规则，这些应用都无法实现，”他说，“这不是仅靠设计一个运行良好的电路就能达成的。”因此，判断一个人工神经网络对神经科学的价值，应取决于它能在多大程度上实现自我组织——不仅是连接本身，还包括调整这些连接的机制。
自组织的人工学习
廖倩莉与Poggio、Harnett以及刘子寅、甘雨路一起，着手开发并验证一个具备学习能力的自组织计算网络。廖倩莉解释说，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。“它们仅凭这条规则相互作用，便发展出某种行为，”他说。
该团队的网络实现了一类被认为能在人类及其他动物从经验中学习时重新连接大脑回路的简单规则。例如，在大脑和机器网络中，都存在“一起放电的神经元会连接在一起”的现象。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增强。
研究团队证明，由这类规则支配的自组织网络能够学会识别模式并对图像进行分类。他们解释说，在他们的模型中，学习是通过依照简单规则自我组装形成的“模式单元”（motifs）实现的，这些单元随后成为功能回路的构建模块。随着网络的学习，这些模式单元会利用一种与大多数现代机器学习系统内置的优化策略类似的方式重新组织自身，这种策略被称为梯度下降——通过逐步调整连接以应对错误，从而提升性能。
目前大多数AI通过某种形式的反向传播算法来实现梯度下降，而神经科学家认为大脑不太可能使用这种算法。研究团队将其自组织网络与采用这种方式学习的网络进行了比较，发现其表现水平相近。
连接大脑与机器
Poggio表示，找到反向传播在生物学上的对应机制，可能会为AI和神经科学带来重大进展。
“如果我们提出的突触模式单元确实被大脑用来实现反向传播为人工神经网络所做的事情，那么我们就能在最基本的机制层面，建立起人工网络与自然网络——也就是机器与大脑之间——的强大联系，”他说。
廖倩莉表示，自组织网络的学习方式未必与大脑完全相同——但这是实现生物学可信度的关键起点。
“自组织是第一个高层次的框架，”他说，“一旦我们认可自组织作为一种衡量标准，就可以进一步探讨下一步的问题了。”
尽管该团队的主要目标是更好地理解大脑，但廖倩莉表示，这些知识最终也可能改进机器学习系统，使工程师能够开发出性能更好、或行为方式更接近人类的网络。
Q&A
Q1：人工神经网络的自组织能力指的是什么？
A：指的是网络无需开发者指定具体连接方式，仅依靠简单规则就能自行重塑连接结构，形成有效的信息处理机制，这被认为是衡量其生物学可信度的关键指标。
Q2：大脑的学习方式与当前AI的反向传播算法有什么不同？
A：大脑没有外部设计者，必须依靠自身规则进行自我组织；而反向传播算法是工程师设计的训练规则，神经科学家普遍认为大脑不太可能采用这种方式学习。
Q3：这项研究对脑机接口等应用有什么意义？
A：研究人员指出，理解神经元之间相互作用的规则，是开发脑机接口等技术的关键基础，仅设计一个运行良好的电路并不足以实现这些应用。
