MIT 研究：人工神经网络如何自行构建学习机制

随着人工智能变得越来越强大，它处理类人任务的能力是不可否认的。人工神经网络可以学会识别图像、使用语言或编写计算机代码。就像大脑的回路一样，它们在学习过程中会自我重组，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：这些机器系统能让他们了解到大脑是如何学习的？什么样的模型最有可能提供最多的信息？

在10月9日发表于《PNAS》期刊的一篇论文中，MIT 的McGovern 脑研究所和K. Lisa Yang 综合计算神经科学（ICoN）中心的科学家们认为，衡量人工神经网络学习方法是否具有生物学合理性的关键指标，是该网络在没有开发者引导的情况下自我组织的能力。他们证明，人工神经网络构建自己的学习机制是可能的。只需一些关于连接应如何以及何时变化的简单指令，一组随机连接的单元就能重塑自己，成为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 技术运行得非常好，但它不一定使用大脑所采用的学习算法，”K. Lisa Yang ICoN 中心博士后研究员 Qianli Liao 说道。他在 MIT 教授兼 McGovern 研究所成员 Tomaso Poggio 和 Mark Harnett 的实验室工作，并与 MIT 研究科学家 Liu Ziyin 和研究生 Yulu Gan 共同担任该《PNAS》论文的共同第一作者。Liao 解释说，工程师们设计了关于人工神经网络在处理训练数据并收到关于其错误的反馈时连接如何变化的规则。

就训练 AI 完成工作而言，这种方法非常强大。但 Liao 及其同事警告说，以这种方式设计的网络可能无法为生物学习提供太多见解。“大脑没有外部的设计者或建筑师，”Liao 说，“大脑必须自我组织。我们需要知道简单的规则将如何使大脑进行组织。”

动物在学习过程中重塑神经连接的规则在大脑的不同区域可能不同，或者随着大脑成熟而改变。神经科学家正致力于理解这些规则如何运作，以及它们可能如何被衰老或疾病破坏——这是开发新疗法和预防策略的关键一步。Liao 指出，脑机接口的发展是一个潜在的应用，其目标是在大脑的语言能力丧失时恢复交流，或让瘫痪患者控制神经义肢。

“如果不了解神经元之间相互作用背后的规则，这些都无法实现，”他说，“这不是仅仅设计一个运行良好的电路就能做到的。”相反，人工神经网络对神经科学的价值应通过其自我组织的程度来评判——不仅是其连接，还有调整这些连接的机制。

自组织的人工学习

与 Poggio 和 Harnett 合作，Liao、Ziyin 和 Gan 开始开发并验证一种能够学习的自组织计算网络。Liao 解释说，该网络的结构始于多个随机互连的类神经元单元层。在每一层中，每个类神经元组件都遵循关于如何调整连接的相同规则。他说：“它们只是按照该规则相互作用，并发展出某种行为。”

该团队的网络实现了一类简单规则，这类规则被认为会在人类和其他动物从经验中学习时重塑大脑回路。例如，在大脑和机器网络中，“一起激发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，它们之间的连接会增强。 

该团队表明，受此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，学习是由按照简单规则涌现的自组装基元实现的，这些基元随后充当功能回路的构建模块。随着网络的学习，这些基元使用一种优化策略进行自我重组，该策略类似于大多数现代机器学习系统中内置的方法，称为梯度下降，即根据误差逐步调整连接以提高性能。

大多数现代 AI 通过某种形式的反向传播算法来实现梯度下降，而神经科学家表示大脑不太可能使用这种方法。该团队将其自组织网络与按这种方式设计的网络进行了比较，发现其表现处于相似水平。

连接大脑与机器

Poggio 表示，找到反向传播的生物学对应机制可能会在 AI 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元确实被大脑用来执行反向传播为人工神经网络所做的工作，那么我们在基本机制层面上就将人工网络与自然网络——机器与大脑——紧密联系在一起。”

Liao 表示，自组织网络的学习方式不一定与大脑相同，但它是实现生物学合理性的关键起点。 

他说：“自组织是第一个高层框架。一旦我们认可自组织作为衡量标准，就可以讨论下一步了。”

尽管该团队的主要目标是更好地理解大脑，但 Liao 表示，这些知识最终也能改进机器学习系统，使工程师能够开发出性能更佳或行为更像人类的网络。