Проблема «черного ящика» в нейробиологии
Современные ИИ-системы демонстрируют выдающиеся результаты, но их архитектура обучения часто далека от биологической правдоподобности. Как отмечает Цянь Ляо (Qianli Liao), постдокторант Института мозга Макгоуэн при MIT, инженеры вручную задают правила изменения связей, тогда как мозг лишен внешнего «архитектора» и должен организовывать себя сам. Понимание этих внутренних правил критически важно для разработки нейроинтерфейсов и терапии заболеваний мозга.
Механизм самоорганизации: «Neurons that fire together, wire together»
В исследовании, опубликованном 9 октября 2026 года в журнале PNAS, команда под руководством Томасо Поггио (Tomaso Poggio) и Марка Харнетта (Mark Harnett) представила модель, где сеть начинает с хаотичных случайных связей. Обучение происходит за счет простых локальных правил, аналогичных синаптической пластичности в мозге: связи усиливаются, когда нейроны активируются синхронно. Эти правила формируют функциональные мотивы, которые служат строительными блоками для эффективных контуров обработки информации.
Сравнение с классическим обратным распространением ошибки
Большинство современных ИИ используют алгоритм backpropagation, который нейробиологи считают маловероятным для биологических систем. Новая модель MIT использует стратегию оптимизации, схожую с градиентным спуском, но реализуемую через самоорганизацию синаптических мотивов. Результаты показывают, что такой подход достигает производительности, сопоставимой с традиционными методами, но с большей биологической достоверностью.
| Характеристика | Традиционные ИИ (Backpropagation) | Новая модель MIT (Self-Organizing) |
|---|---|---|
| Источник правил обучения | Внешний разработчик (архитектор) | Внутренние локальные правила сети |
| Биологическая правдоподобность | Низкая (требует глобальной синхронизации ошибок) | Высокая (имитирует синаптическую пластичность) |
| Механизм оптимизации | Обратное распространение ошибки | Самоорганизация синаптических мотивов + градиентный спуск |
| Результат обучения | Высокая точность классификации | Сопоставимая точность классификации |
Значение для будущего AI и нейронаук
Нахождение биологического параллеля для backpropagation может стать прорывом для обеих областей. Если мозг действительно использует предложенные синаптические мотивы, это создаст фундаментальную связь между машинами и мозгом. По словам Цянь Ляо, самоорганизация — это первый шаг к созданию более эффективных и «человекоподобных» систем машинного обучения, способных учиться в условиях неопределенности, как это делает живой организм.
Источник: MIT News AI ↗