随着人工智能变得越来越强大，它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。与大脑的神经回路类似，它们在学习过程中会重新组织自身，调整连接强度以提升性能。
对许多神经科学家而言，问题在于：这些机器系统能告诉他们关于大脑学习方式的哪些信息？哪种模型最有可能提供有价值的启示？
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中心）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合理性的一个关键指标，是该网络能否在没有开发者引导的情况下自我组织。他们证明了，人工神经网络确实可以构建出自身的学习机制。只需给出关于连接何时及如何改变的一些简单规则，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，但它未必采用了大脑所使用的学习算法，"K. Lisa Yang ICoN中心博士后研究员廖乾立（音译）说道，他在麻省理工学院教授、麦戈文脑研究所成员Tomaso Poggio和Mark Harnett的实验室工作，同时也是这篇PNAS论文的共同第一作者，与麻省理工学院研究科学家刘子胤及研究生甘雨璐共同完成该研究。廖解释道，工程师设计出的是关于人工神经网络在处理训练数据、接收错误反馈时连接应如何变化的规则。
在训练AI完成任务这件事上，这种方法非常强大。但廖和他的同事们提醒，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将如何使大脑完成自我组织。"
在动物学习过程中重塑神经连接的规则，在大脑不同区域可能有所不同，也可能随着大脑的成熟而发生变化。神经科学家们正致力于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受到破坏——这是开发新疗法和预防策略的关键一步。廖提到脑机接口的发展，这类技术旨在当大脑的语言能力丧失时恢复交流，或让瘫痪患者能够控制神经假肢，这是该研究的一个潜在应用方向。
"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，"仅仅设计出一个运行良好的电路是无法达到这一目标的。"因此，判断一个人工神经网络对神经科学的价值，应该看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。
自组织人工学习
在与Poggio和Harnett合作下，廖、刘和甘着手开发并验证了一个具备学习能力的自组织计算网络。廖解释道，该网络的结构始于多层随机互连的类神经元单元。在每一层内，每个类神经元组件都遵循相同的规则，决定连接应如何调整。"它们仅凭这一规则相互作用，并发展出某种行为模式，"他说。
该团队的网络实施了一种被认为能在人类和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，"一起放电的神经元会连接在一起"。换言之，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，一个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发形成的自组装模式实现的，这些模式随后作为构建功能性回路的基本单元。随着网络的学习，这些模式利用一种与大多数现代机器学习系统内置方法类似的优化策略进行自我重组，这种方法被称为梯度下降——即根据性能误差逐步调整连接，以提升表现。
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，但神经科学家认为大脑不太可能使用这种方式。该团队将其自组织网络与采用这种方式设计的学习网络进行比较，发现两者表现水平相近。
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和神经科学两个领域带来重大进展。
"如果我们所提出的突触模式，确实是大脑用来完成反向传播在人工神经网络中所起作用的机制，那么我们就能在基本机制层面建立起人工网络与自然网络之间——也就是机器与大脑之间——的紧密联系，"他说。
廖表示，一个自组织网络的学习方式未必与大脑完全相同——但这是通向生物学合理性的重要起点。
"自我组织是第一个高层次的框架，"他说，"一旦我们认可自我组织作为一个衡量标准，我们就可以继续探讨下一步的问题。"
尽管该团队的主要目标是更深入地理解大脑，但廖表示，这些知识最终也可能改善机器学习系统，帮助工程师开发出性能更佳、或行为方式更接近人类的网络。
Q&A
Q1：人工神经网络的自我组织能力意味着什么？
A：这意味着人工神经网络可以在没有开发者直接设计引导的情况下，仅依靠简单的连接调整规则，自主重塑自身结构，形成有效的信息处理网络，并从训练数据中学习，这被认为是衡量其生物学合理性的关键指标。
Q2：这项研究对脑机接口等医疗应用有什么帮助？
A：研究人员指出，理解神经元之间相互作用背后的规则，对于开发脑机接口等技术至关重要，这类技术可以在大脑语言能力丧失时恢复交流功能，或帮助瘫痪患者控制神经假肢，而这些应用仅靠设计一个运行良好的电路是无法实现的。
Q3：这种自组织网络和当前主流AI的学习方式有什么不同？
A：目前大多数AI通过反向传播算法实现梯度下降来学习，但神经科学家认为大脑不太可能采用这种方式。研究团队设计的自组织网络通过类似"一起放电的神经元会连接在一起"这样的简单规则实现自我重组，性能与采用反向传播的网络相当。
