Signal YCurated AI News
更新于 11/5 20:4061 个信源

人工神经网络如何搭建自己的学习机制

AI 研究10/14 05:00MIT News · AI查看原文 ↗
摘要

MIT McGovern 研究所团队在《PNAS》发文主张,衡量人工神经网络学习方式是否具备生物学合理性的关键指标,是它能否在没有外部设计者的情况下自我组织;他们证明,只给出简单的连接变化规则,随机连接的单元组就能重塑为有效的信息处理网络。

核心要点
  • 论文于 10 月 9 日发表在《PNAS》,作者为 MIT McGovern 研究所与 K. Lisa Yang ICoN 中心的 Qianli Liao、Liu Ziyin、Yulu Gan,资深作者包括 Tomaso Poggio 与 Mark Harnett。
  • 核心指标:判断一个网络的学习方式是否类脑,要看它能否在没有开发者'设计之手'的情况下自我组织,而非只看任务性能。
  • 具体结果:给定关于'连接应如何、何时改变'的少量简单指令,一组随机连接的单元可自行重塑为有效的信息处理网络,并从训练数据中学习。
  • 对现状的批评:当前 AI 表现优异,但连接更新规则由工程师设计,'未必使用大脑所用的学习算法';大脑没有外部设计者,必须自我组织。
  • 神经科学动因:重塑连接的规则在不同脑区、不同发育阶段可能不同,也可能被衰老或疾病破坏,弄清这些规则是开发新疗法与预防策略的关键一步。
原文佐证
  • Current AI technology is working very well, but it doesn’t necessarily use a learning algorithm that is used by the brain
  • “The brain doesn't have an external designer or architect,” Liao says. “The brain has to organize itself.
  • With some simple instructions about how and when connections should change, a group of randomly connected units can reshape itself into an effective information-processing network, learning from the data it is trained on.
AI 洞察
这条研究把评价 AI 的坐标系从'跑分'推向'是否类脑':如果自组织能力成为硬指标,模型设计的竞赛规则会被改写,从人工设计学习规则转向让结构在数据中自行演化。这条路线若成立,受益的不只是神经科学,还包括需要持续学习、低人工干预的 AI 系统,以及脑机接口、神经退行疾病干预等场景。但目前它仍是理论层面的主张与小规模演示,能否扩展到现代大模型的规模与复杂度,是决定其影响力的真正关卡。