MITの自己組織化ニューラルネットワーク、事前配線された学習回路なしで学習

MITの自己組織化ニューラルネットワークは、綿密に設計された学習回路を出発点とせずに、パターン認識と画像分類を学習した。代わりに、ランダムに接続されたユニットが、共通の局所可塑性ルールのもとで有用な学習機構を形成した。

この結果は、生物学的にもっともらしい学習について研究者が問い得る内容を変える。モデルは、確立済みの回路がどのように接続を調整するかを説明するだけでなく、その調整を担う回路がどのように生まれるかも探究できるようになる。

中心的な対立は、単にMITの自己組織化ニューラルネットワークと従来型AIの比較ではない。自己組織化された学習機構と、必要な協調を生物学へ直接対応付けることが難しいアルゴリズムである誤差逆伝播との対比である。

研究チームは、テストした誤差逆伝播学習ネットワークと同程度の性能を報告している。ただし、このシステムが大規模AIモデルにおける誤差逆伝播を置き換えるとは主張していない。また、生物学的な脳が提案するメカニズムを用いているとも主張していない。

より重要な結果は、より限定的なものだ。複数の構成要素がランダムな内部接続から始まり、局所ルールに従い、勾配ベースの学習に近いモチーフを組み立てられる。これにより、ネットワーク設計者が担う設計作業の一部は、ネットワーク内ユニット同士の相互作用へと移る。

MITの自己組織化ニューラルネットワークが実際に変えたこと

MITの研究は、生物学的学習モデルを、回路を適応させる段階から、適応を可能にする機構そのものを組み立てる段階へと一層深めた。

この研究は2026年10月9日、Proceedings of the National Academy of Sciencesにオンライン掲載された。MITは10月13日に付随する解説を公開した。

著者はQianli Liao、Liu Ziyin、Yulu Gan、Brian Cheung、Mark T. Harnett、Tomaso Poggioである。研究はMcGovern Institute for Brain Research、MITのICoN Center、CSAIL、その他のMIT関連研究グループにまたがる。

彼らの査読済み論文は、Self-Assembling Learningと呼ばれる枠組みを導入している。この枠組みは、学習システムがより低レベルの分散的な相互作用からどのように生まれ得るかを問うものだ。

最初の例が、Self-Assembling Motif、すなわちSAMである。モチーフとは、機能的な構成要素として働き得る、小規模で繰り返し現れる回路構造を指す。

SAMは完成済みの学習モジュールとして始まるわけではない。初期状態ではランダムな結線から、ヘテロシナプス可塑性のルールを通じて出現する。

ヘテロシナプス可塑性とは、ある接続での活動が他の接続の変化に影響を及ぼし得ることを意味する。各シナプスを独立して更新するルールよりも、ニューロンに大きな協調能力を与える。

チームは次に、これらのモチーフを複数の層にわたって階層的に構成する。論文によれば、得られたネットワークのダイナミクスは、確率的勾配降下法を一般化した形に近似する。

勾配降下法は、誤差を減らすためにパラメータを繰り返し調整する最適化手法だ。確率的勾配降下法は、訓練例の部分集合からその調整を推定する。

現代のニューラルネットワークは通常、誤差逆伝播によって有用な調整を計算する。誤差逆伝播は、誤差情報をネットワーク内で逆方向へ送ることで、各パラメータに協調した更新を与える。

このプロセスはソフトウェアでは極めて有効に機能する。しかし神経科学者は、生物組織がその精密な情報の流れ、タイミング、重みの関係を再現できるのか、長年にわたり疑問を呈してきた。

新たな結果は、学習ルールや教師信号を不要にしたわけではない。研究者は依然として局所可塑性ルールを指定し、データとタスクのフィードバックを与えている。

変わるのは、設計者が介入するレベルだ。設計者はモチーフが表す最終的な学習回路を直接配線しない。

MITの研究解説は、ランダムに相互接続されたニューロン様ユニットからなる複数の層を説明している。各層の構成要素は、接続を変化させる際に同じルールに従う。

これらのユニットは、組織化された振る舞いが現れるまで相互作用する。出現したモチーフは、その後ネットワーク全体の学習を支える機構となる。

研究者はパターン認識と画像分類をテストした。論文の参考文献では、MNIST、Fashion-MNIST、MedMNIST、自然画像データセットなどのベンチマークが確認できる。

これらは学習ダイナミクスにとって意味のあるテストだが、最先端の言語モデルを訓練することと同等ではない。この研究が扱うのは学習回路の組織化であり、本番規模の生成AIではない。

この区別は重要である。「自らの学習機構を構築する」という表現は、実験が示す以上の自律性を想起させかねない。ネットワークがタスク、データ、あるいは支配する物理法則を発明するわけではない。

その代わり、MITの自己組織化ニューラルネットワークには、より低レベルの仕様が与えられる。その仕様内での相互作用から、有用な高次の回路組織が出現する。

この結果は、本稿の中心的な緊張関係を生む。研究者は学習回路を直接規定することも、学習回路が自己組織化する局所条件を規定することもできる。

前者のアプローチは制御性と性能を最適化する。後者は、生物学的な発達と可塑性により近い過程を通じて、有用な計算が出現し得るかを問う。

局所ルールが誤差逆伝播に問いを突きつける理由

この研究は、最も重要な学習回路がすでに存在することを前提にしながら、自らを生物学的にもっともらしいと称するモデルに疑問を投げかける。

誤差逆伝播は、現代の人工ニューラルネットワークを訓練するための実用的な標準であり続けている。その有効性自体が、この話で争点となっているわけではない。

生物学的な問題は実装に関わる。ソフトウェアのフレームワークは活性化を保存し、正確な損失を計算し、多数の層にわたって微分を分配できる。

脳には、その一連の処理を実行する明白な中央プログラムは存在しない。ニューロンは電気化学的信号、局所的な活動、細胞プロセス、物理組織を通じて届くフィードバックによって変化する。

主要な誤差逆伝播レビューは、長年指摘されてきた複数の不一致を説明している。これには重み輸送、非局所的な信用割り当て、順方向計算と逆方向計算の分離が含まれる。

信用割り当てとは、どの内部接続が誤差に寄与したかを特定する問題である。深層ネットワークでは、結果が相互作用する多数の層に依存するため、この問題はさらに難しくなる。

工学的システムは勾配を計算することで信用割り当てを解決する。この計算は、ネットワークの誤差を減らすために各パラメータをどの方向へ動かすべきかを示す。

生物学に着想を得た提案の多くは、フィードバックアラインメント、予測符号化、局所損失、代替的な回路ダイナミクスによってこの計算を近似しようとする。しかし、それらはしばしば、選択した手法を支えるためにすでに配置されたアーキテクチャから始まる。

MITチームは、この出発時の前提を標的にした。生物学的にもっともらしい説明は、シナプスがどのように更新されるかだけでなく、更新を支える回路がどのように組織化されるかも説明すべきだ。

LiaoはMITの報道でこの問題を端的に要約した。「脳には外部の設計者も建築家もいない」。彼の指摘は制約がないことではなく、組織化がどこから生じるかに関するものだ。

脳は遺伝プログラム、物理的制約、感覚経験、生化学的ルールのもとで発達する。これらの影響が、成熟した回路の接続を一つひとつ個別に指定するわけではない。

したがって有用な計算モデルは、二つの問題を分けるべきである。どのルールが局所的な変化を支配するのか、そしてそれらのルールが相互作用したとき、どの大規模な学習構造が出現するのか。

SAMは一つの答えを提示する。ランダムな微視的結線が徐々に組織化されたモチーフを支え、そのダイナミクスが最適化に有用なものとなる。

論文は二つのスケールにおける自己組織化を説明している。まず、局所可塑性のもとでランダムな結線からモチーフが出現する。

次に、それらのモチーフからなるネットワークが階層的なダイナミクスへと組織化される。著者らは数学的に、そのダイナミクスを確率的勾配降下法の一般化形と結び付けている。

この二段階の主張は、単にフィードバック行列をランダム化することとは異なる。ネットワークは、回路の構成要素とシステムレベルの学習過程の両方を発達させることが想定されている。

この説明がさらなるテストで支持されれば、生物学的学習モデルに求められる水準は上がる。研究者は、学習回路が何を計算するかを示すだけでなく、なぜその回路が存在するのかを正当化する必要がある。

この圧力は神経科学を超えて広がる。局所情報と物理的制約のもとで学習するシステムは、エンジニアにとっても重要だ。

ニューロモーフィックハードウェアは、計算をメモリの近くに配置し、しばしばグローバルなデータ移動を制限する。局所的相互作用に基づく学習手法は、厳密なデジタル誤差逆伝播よりも、こうした制約に適合する可能性がある。

この可能性は製品成果ではなく、依然として研究の方向性にとどまる。この研究は、SAMが現時点で実運用ハードウェアにおける訓練コストやエネルギー消費を削減するという証拠を示していない。

また、従来の誤差逆伝播を時代遅れにするものでもない。誤差逆伝播には、数十年にわたるツール群、実証的知見、大規模アクセラレータクラスタとの互換性がある。

より鋭い結論は、誤差逆伝播が、有用な勾配と慎重に設計されたグローバルな機構との概念的な結び付きを、もはや独占していないということだ。論文は、局所可塑性から勾配に似た最適化が出現する経路を提示している。

そのため、ベンチマーク性能が同程度にとどまる場合でも、この比較には意味がある。性能の同等性は、自己組織化によって学習能力が失われなかったことを示す対照となり得る。

したがってこの研究が問いを投げかけるのは、今日のAI訓練市場ではなく、研究上の前提である。その標的は、効果的な勾配機構は事前にシステムへ配線されなければならないという考え方だ。

学習機構はランダムな接続から自ら組み上がる

中核となるメカニズムは、局所可塑性がモチーフを形作り、出現したモチーフが協調的な学習を支えるフィードバック過程である。

MITのニューラルネットワークがどのように学習するかを理解するには、ホモシナプス変化とヘテロシナプス変化の違いから始める必要がある。ホモシナプス変化は主に、修正されるシナプスにおける活動に依存する。

ヘテロシナプス変化では、別の場所での活動がそのシナプスに影響を与えられる。このより広い相互作用は、同じニューロンに接続された複数の接続を協調させることができる。

よく知られた局所原理では、同時に活性化するニューロンは接続を強める。この原理はしばしば、「一緒に発火するニューロンは一緒に結線する」と要約される。

それだけでは、深い信用割り当てを再現できない。学習ネットワークには、出力の誤差を、より前段の内部活動と結び付ける方法が必要だ。

SAMは局所的な相互作用を組み合わせ、そうした関係を処理できるモチーフを構成する。モチーフの接続は、完成済みの計算図として挿入されるわけではない。

それらはランダムな値、あるいはランダムな微視的構造から始まる。可塑性による変化が繰り返されることで、より有用な構成へと組織化される。

論文は、得られたダイナミクスが一般化確率的勾配降下法を証明可能な形で近似すると述べる。「証明可能」は形式モデルとその仮定に適用されるものであり、生物学的な脳に適用されるものではない。

この境界は不可欠である。数学的証明は、定義されたシステムがどのように振る舞うかを確立できる。しかし、大脳皮質組織が同じシステムを実装していることまでは確立できない。

階層構造も重要だ。一つのモチーフはコンパクトな学習構造を提供し、繰り返されるモチーフは層をまたぐ学習を結び付ける。

この階層的な構成は、純粋に局所的なルールが抱える中心的な弱点に対処する。単一の局所的な調整はもっともらしく見えても、深いネットワーク全体で有用な学習を協調させられない場合がある。

著者らのモデルでは、モチーフ間の相互作用によって協調が生まれる。そのためネットワークは、標準的な誤差逆伝播回路を直接組み込むことなく、勾配ベースの最適化に期待される振る舞いへと近づくことができる。

このプロセスには依然として指示的な信号が含まれている。回路の組織が自己形成されるからといって、学習が教師なしになるわけではない。

むしろこのシステムは、指示情報がネットワークに届き、ネットワークを再編成する方法を変える。局所ユニットは個別に算出された設計指示を受け取るのではなく、共有されたルールの下で応答する。

これが本研究における最も重要な転換点である。ランダム性は、エンジニアが克服すべきノイズとしてだけ扱われてはいない。

ランダムな初期結合は原材料を供給する。可塑性はその後、有用な学習パターンを支える関係を選別し、強化し、弱め、協調させる。

生物学ではしばしば、同様の大局的原理を通じて構造が発達する。細胞は局所的な化学的・電気的ルールに従いながら、組織はより大きな組織構造を獲得する。

この類推が本研究の動機となっているが、あくまで類推にとどまる。研究者らは、生きた神経回路でSAMの形成を観察したのではなく、ニューロンに似たユニットをモデル化した。

近年の実験研究は、樹状突起が構造化された教師信号を担うという見方を強めている。2026年には、研究者らが皮質ニューロンにおけるinstructive dendritic signalsを報告した。

このような証拠は、局所的で区画化された学習メカニズムのもっともらしさを支える可能性がある。ただし、本稿で提案された特定の自己組織化モチーフを独立に検証するものではない。

MITの論文は、この隔たりを検証可能な問いへと転換している。研究者は、モデルが予測するモチーフ状の結合性、構造化されたフィードバック、可塑性パターンを探すことができる。

また、学習条件が変化した後にも、形成されたモチーフが安定しているかを問うこともできる。一度形成されても初期化をまたいで崩壊する回路では、説明的価値は限定的だろう。

そのため、システムの公開コードリリースは重要である。ベンチマーク実装に加え、理論およびアラインメント診断に用いられた後続の実装も含まれている。

独立した研究者は、乱数シード、結合性、学習率、タスク分布を変化させられる。同じ質的モチーフが信頼性高く現れるかを検証できる。

また、学習された更新を厳密な勾配と比較することもできる。最終的な精度が似ていても、最適化のダイナミクスは大きく異なる可能性があるため、アラインメントは重要だ。

開発者にとって、これはアーキテクチャ探索と自己組織化学習を区別するうえで有用である。アーキテクチャ探索では、外側の最適化プロセスを用いて代替設計を評価する。

一方SAMは、組織化をモデル化されたネットワークのダイナミクス内部に置く。局所ルールが、相互作用の最中に学習回路を形作る。

設計者がいなくなったわけではない。設計は、最終回路を指定することから、それを生み出す条件を指定することへと下方に移った。

この再定義は、より広いエンジニアリングのパターンと研究を結び付ける。設計者が最終的な関係をすべて指定するのではなく、組み合わせ可能なルールを指定する場合、複雑なシステムは適応しやすくなる可能性がある。

同様の原理はナレッジワークにも見られる。technical knowledge baseは、固定的なフォルダー構造に依存するのではなく、蓄積された資料の間に関係性が生まれるとき、より有用になる。

この類推を文字通りに受け取るべきではない。文書はシナプスのようには変化しない。どちらのケースも、固定された組織化と、反復的な相互作用から発達する組織化の違いを示しているにすぎない。

類似した性能は誤差逆伝播の代替を意味しない

報告された比較は研究としての信頼性を裏付けるが、大規模モデルへの準備、生物学的妥当性、あるいは優れた効率性を確立するものではない。

著者らによれば、自己組織化ネットワークは、テストした誤差逆伝播学習ネットワークと同程度の性能に達した。局所学習スキームはタスクの要求が高くなるにつれて精度を失いがちなため、これは重要な結果である。

ただし、「誤差逆伝播レベルの性能」は慎重に解釈する必要がある。これは論文で評価された実験とネットワーク構成を指す。

この手法が言語、マルチモーダル推論、長期的な強化学習においてトランスフォーマー学習に匹敵することを意味するわけではない。引用された論文やMITの報告書には、そのような結果は示されていない。

また、MITの自己組織化ニューラルネットワークが人間の選択なしに学習したことも意味しない。研究者はモデル、可塑性ルール、タスク、目的条件、評価方法を選定している。

自己組織化という主張は、内部の学習機構に関するものだ。無制限の自律性を意味するものではない。

第2の不確実性は、初期結合性への感度である。モデルはランダム性から始まるため、シードをまたいだ再現性が中心的な課題となる。

説得力ある自己組織化メカニズムは、多数のもっともらしい出発点から、比較可能な機能的モチーフを生み出すべきである。時折うまく組み上がるだけでは、はるかに弱い証拠となる。

したがって研究者は、平均精度だけでなく分布を調べるべきである。失敗率、分散、収束時間、モチーフの一貫性が重要になる。

第3の不確実性はスケールに関するものだ。局所ルールは、従来のハードウェア上でシミュレーションすると計算コストが高くなる可能性がある。

生物学的な局所性が、デジタル上の効率性を自動的にもたらすわけではない。厳密な誤差逆伝播を避けるプロセスは、より多くのステップ、追加の状態、あるいはより密な相互作用を必要とするかもしれない。

本研究は、より低い学習コストを確立していない。ニューロモーフィックハードウェア上でのエネルギー使用量の削減も示していない。

第4の論点はタスクの広がりである。画像分類は、最適化と表現学習を測定するための制御された設定を提供する。

現代のAIシステムは、系列モデリング、検索、計画、生成、遅延フィードバックも扱う。こうしたタスクは異なるクレジット割り当て問題を生じさせる。

ある手法がコンパクトな分類器で誤差逆伝播に匹敵しても、再帰型システムや注意機構ベースのシステムでは苦戦する可能性がある。実証されたタスクを超えた拡張は、依然として未解決である。

第5の不確実性は生物学的証拠に関するものだ。論文のメカニズムはシナプス可塑性と皮質組織に着想を得ているが、依然として計算モデルである。

Liaoは、自己組織化ネットワークが必ずしも脳と同じように学習するわけではないと明確に注意を促している。自己組織化はもっともらしさの出発条件であり、生物学的な確認ではない。

この抑制は結果を強める。大きな神経科学上の問題が解決されたという宣言ではなく、検証可能なモデルとして位置付けているからだ。

今後の実験では、モチーフの構成要素に対応する生物学的実体を特定する必要がある。また、学習の過程で予測された組織化を観察する必要もある。

その後、研究者は特定のフィードバック経路や可塑性プロセスを攪乱できる。予測どおりの形で学習が失敗すれば、モデルは実証的な裏付けを得るだろう。

この証拠がなければ、SAMは望ましい振る舞いを生み出せる一つのメカニズムにとどまる。他の局所メカニズムも、同様の勾配に似たダイナミクスに到達するかもしれない。

誤差逆伝播との比較には、重要な非対称性も含まれている。誤差逆伝播は主にエンジニアリング手法として評価される一方、SAMは説明モデルとしても評価される。

ある手法は、生物学的組織化がどのように生じうるかを説明するなら、効率性の一部を失っても科学的価値を持ちうる。逆に、精度が一致するだけでは、生物学的解釈を検証できない。

この違いが、今誰が関心を持つべきかを形作る。神経科学者は、局所可塑性と組織化されたクレジット割り当てを結ぶ形式的な仮説を得る。

機械学習研究者は、局所学習と創発的最適化への別のアプローチを得る。ハードウェア研究者は、物理的に分散した学習システムの設計原理となりうるものを得る。

企業のAI導入担当者は、商用モデルがすぐに変わるとは期待すべきではない。本研究は、新しい基盤モデル、学習サービス、デプロイメントフレームワークを発表するものではない。

開発者も、この結果を自己改善するAIに関する主張へと翻訳することは避けるべきだ。モデルは外部から選択されたタスクとルールの範囲で学習する。

したがって、誤差逆伝播への圧力は商業的である以前に知的なものである。本研究は、有用な勾配機構が最終形態のまま明示的に組み込まれる必要はないことを示している。

この原理が技術的に競争力を持つかどうかは、現在の論文がまだ示していない証拠に依存する。スケール、安定性、効率性、タスクの多様性が決定的な試験となる。

この結果が広がるかを示す3つのシグナル

次の段階では、まず再現可能な組み立てを検証し、次により難しいタスクを試し、最後に生物学的予測を検証すべきである。

第1のシグナルは、ランダムな初期条件をまたぐ再現です。独立したチームは、より広いシード範囲と結合パターンで公開実装を実行すべきである。

安定したモチーフが繰り返し現れれば、論文の自己組織化という主張は強まる。成功が狭い初期条件に依存する場合、その主張の一般性は低下する。

再現研究では、最終的な分類精度だけでなく、収束、更新アラインメント、モチーフ構造、失敗した実行も追跡すべきである。

さらに、モチーフがハイパーパラメーターの妥当な変更に耐えられるかも検証すべきだ。自己組織化メカニズムは、実質的に回路設計を再現するような精密な手動調整を必要とすべきではない。

第2のシグナルは、実証された分類設定を超える性能である。より大規模な視覚タスク、系列問題、遅延したクレジット割り当ては、より厳しい試験を提供する。

それらのタスクで成功すれば、MITのニューラルネットワーク対誤差逆伝播がコンパクトなベンチマーク条件に限定されないことを示せる。持続的な差があれば、この手法はより狭い説明的役割に限定される。

計算コストの測定も、こうした比較に伴うべきである。学習時間、メモリー使用量、エネルギーデータを伴わない精度では、エンジニアリング上の競争力を確立できない。

研究者は、この手法を他の生物学的着想に基づくアプローチとも比較すべきである。標準的な誤差逆伝播は不可欠なベースラインだが、唯一関連するものではない。

フィードバックアラインメント、予測符号化、平衡法、局所誤差システムは、重なり合う問いに取り組んでいる。SAMの明確な優位性は、単に異なる更新式を使うことではなく、その学習機構を自己組織化することから生じるべきである。

第3のシグナルは、実験神経科学の証拠である。研究者は、実際の回路において予測されたモチーフと学習依存的な変化を探すべきだ。

最も強い証拠は、局所的なヘテロシナプス則を、識別可能なクレジット割り当て機能を果たす創発的構造と結び付けるものとなる。それには、学習の前、最中、後の測定が必要である。

攪乱実験は、この主張をさらに強める。提案された局所相互作用を妨げることでモチーフの組織化が阻止される、あるいは予測された方向に学習が変化すれば、その根拠はより強固になる。

皮質回路が構造化された指示信号を担うという証拠は、より広範な研究プログラムを支えるだろう。ただし、それがSAMの厳密なメカニズムを自動的に確認するわけではない。

モチーフが見つからないことも有益な情報となる。数学的な結果は有効であり続けても、生物学的解釈は弱まる可能性がある。

これらのシグナルは明確な順序を作る。再現可能な計算は、メカニズムが安定しているかを検証する。より難しいベンチマークは、一般化するかを検証する。

生物学的実験は、このメカニズムが代替アルゴリズムを提供するだけでなく、自然を説明するかを検証する。各段階は、論文の重要性を強めることも、限定することもできる。

読者は、著者らが2024年および2025年のベンチマーク実装と、2026年の理論実装をどのように区別しているかにも注目すべきです。これらのバージョン間の違いは、どの構成要素が性能を左右しているかを明らかにする可能性があります。

透明性の高いアブレーションが有用です。アブレーションとは、ある構成要素を取り除く、あるいは変更することで、主張されるメカニズムが実際にその要素へ依存しているかを示す手法です。

たとえば研究者は、ヘテロシナプス相互作用を弱めたり、構造的な組織化を妨げたりできます。性能が変わらない場合、そのモチーフは結果を説明していない可能性があります。

また、組み立て済みのモチーフを固定し、新しいタスクで試験することもできます。この実験により、その仕組みが再利用可能になるのか、それとも設定ごとに再編成が必要なのかを示せます。

さらに有用な試験としては、組み立て後にデータ分布を変える方法があります。安定して適応できれば、このメカニズムは継続学習との関連性をより強く持つことになります。

新たな学習が過去の知識を損なう「破滅的忘却」は、ニューラルシステムにとって大きな課題です。現時点の報告は、SAMがこれを改善することを立証していません。

したがって、この論文の重要性は劇的な外挿ではなく、規律ある追試と検証にかかっています。その最も強い主張は、誇張しなくともすでに注目に値します。

MITの自己組織化ニューラルネットワークは、局所的な規則が、ダイナミクスとして勾配最適化を近似する学習構造を生み出し得ることを示しています。これは、回路形成と学習を結ぶ具体的な橋渡しを提示するものです。

ただし、脳がこの橋渡しを利用していることは、まだ示されていません。また、今日のAI研究所がバックプロパゲーションを置き換えるべきだということも示していません。

研究者にとって当面の行動は明快です。組み立てプロセスを再現し、その安定性を厳しく検証し、生物学的予測を試すことです。それ以外の人々にとっても、重要な問いは同じく明確です。

学習システムは、初期接続、タスク、物理的制約が変化しても有用な仕組みを組織し続けられるのか。それとも、その結果は最初にそれを明らかにした実験室の条件に依存しているのでしょうか。