人工神经网络如何构建自身的学习机制

<p>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。人工神经网络可以学会识别图像、使用语言或编写计算机代码。与大脑中的神经回路一样，它们会在学习过程中自我重组，调整连接强度以提高表现。</p><p>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大脑如何学习？哪些模型最有可能提供有价值的见解？</p><p>在<a href="https://www.pnas.org/doi/10.1073/pnas.2606245123" target="_blank">10月9日发表于《<em>PNAS</em>》的一篇论文</a>中，麻省理工学院<a href="https://mcgovern.mit.edu/">麦戈文脑研究所</a>和<a href="https://yangtan.mit.edu/our-research/k-lisa-yang-icon-center/">K. Lisa Yang整合计算神经科学（ICoN）中心</a>的科学家提出，衡量人工神经网络学习方式在生物学上是否合理的一项关键指标，是网络能否在没有开发者引导的情况下自我组织。他们证明，人工神经网络可以构建自己的学习机制。只需一些关于连接应如何以及何时改变的简单指令，一组随机连接的单元就能将自身重塑为有效的信息处理网络，并从用于训练的数据中学习。</p><p><strong>生物学习</strong></p><div>“当前的人工智能技术表现很好，但它使用的学习算法不一定是大脑所使用的算法，”钱理·廖（Qianli Liao）说。他是K. Lisa Yang ICoN中心的博士后研究员，在麻省理工学院教授、麦戈文研究所成员<a href="https://mcgovern.mit.edu/profile/tomaso-poggio/" title="https://mcgovern.mit.edu/profile/tomaso-poggio/" data-outlook-id="4d6ddd10-c614-429c-939e-4aaade430ded">Tomaso Poggio</a>&nbsp;和<a href="https://mcgovern.mit.edu/profile/mark-harnett/" title="https://mcgovern.mit.edu/profile/mark-harnett/" data-outlook-id="0aff3918-04fd-4780-87cd-735b3cdccaeb">Mark Harnett</a>的实验室工作，并与麻省理工学院研究科学家Liu Ziyin和研究生Yulu Gan共同担任这篇<em>PNAS</em>&nbsp;论文的第一作者。廖解释说，当人工神经网络处理训练数据并接收关于其错误的反馈时，连接如何改变的规则是由工程师设计的。</div><div>&nbsp;</div><p>在训练人工智能完成任务方面，这种方法十分强大。但廖及其同事提醒，以这种方式设计的网络可能无法为理解生物学习提供多少见解。“大脑没有外部的设计者或架构师，”廖说。“大脑必须自我组织。我们需要知道，简单的规则如何使大脑组织起来。”</p><p>动物学习时重塑神经连接的规则，可能在大脑的不同区域有所不同，也可能随着大脑逐渐成熟而发生变化。神经科学家正在努力理解这些规则如何运作，以及衰老或疾病可能如何干扰它们——这是开发新疗法和预防策略的关键一步。廖指出，脑机接口的开发是一个潜在应用方向，其目标是在大脑失去语言能力时恢复交流，或让瘫痪患者控制神经假肢。</p><p>“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。“仅仅设计出一个运行良好的回路，并不能做到这一点。”相反，人工神经网络对神经科学的价值，应根据其自我组织的程度来判断——不仅包括连接本身，还包括调整这些连接的机制。</p><p><strong>自组织人工学习</strong></p><p>廖、Ziyin和Gan与Poggio及Hartnett合作，着手开发并验证一个具备学习能力的自组织计算网络。廖解释说，该网络的初始结构由多层随机互连的类神经元单元组成。在每一层中，所有类神经元组件都遵循相同的连接调整规则。“它们只是按照这条规则彼此互动，然后发展出某种行为，”他说。</p><p>该团队的网络采用了一类简单规则，人们认为，当人类和其他动物从经验中学习时，这些规则会重新配置大脑回路的连接。例如，在大脑和机器网络中，都存在“共同激活的神经元会加强彼此连接”的现象。换句话说，当两个相互连接的神经元同时被激活时，它们之间的连接就会增强。&nbsp;</p><p>该团队证明，受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，在其模型中，简单规则促成了一些能够自我组装的结构模式，这些模式随后成为功能性回路的构建模块，从而实现学习。随着网络学习，这些结构模式利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梯度下降方法，即根据错误逐步调整连接，以提高表现。</p><p>大多数现代人工智能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。该团队将其自组织网络与被设计为以这种方式学习的网络进行了比较，发现两者的表现处于相近水平。</p><p><strong>连接大脑与机器</strong></p><p>Poggio表示，找到反向传播在生物学中的对应机制，可能推动人工智能和神经科学取得重大进展。&nbsp;</p><p>“如果我们提出的突触结构模式确实被大脑用来完成反向传播在人工神经网络中所做的工作，那么我们就能在基本机制层面上，在人工网络与天然网络之间——也就是机器与大脑之间——建立牢固的联系，”他说。</p><p>廖表示，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一个关键起点。&nbsp;</p><p>“自组织是第一个高层次框架，”他说。“一旦我们确立了以自组织作为衡量标准，就可以讨论下一步。”</p><p>尽管该团队的主要目标是更好地理解大脑，但廖表示，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表现更好或行为更像人类的网络。</p>