MIT 自组装神经网络无需预先布设训练电路即可学习

MIT 的自组装神经网络在无需以精心设计的学习电路为起点的情况下，学会了模式识别和图像分类。相反，随机连接的单元在共享的局部可塑性规则下形成了有效的学习机制。

这一结果改变了研究人员可以围绕生物学合理学习提出的问题。模型不再只需解释既有电路如何调整连接，也可以探索负责这些调整的电路如何涌现。

核心冲突并不只是 MIT 自组装神经网络与传统人工智能之间的较量，而是自组织学习机制与反向传播之间的对比。后者是一种所需协同机制难以直接映射到生物学系统的算法。

研究人员报告称，其性能与所测试的经反向传播训练的网络相近。不过，他们并未声称该系统能够取代大型 AI 模型中的反向传播，也未声称生物大脑采用了所提出的机制。

更重要的结果范围更为有限。一组组件可以从随机的内部连接出发，遵循局部规则，并组装出近似基于梯度学习的模体。这将部分设计工作从网络架构师转移到了网络单元之间的相互作用中。

MIT 自组装神经网络究竟改变了什么

这项 MIT 研究将生物学习模型推进了一个层级：从让电路适应，转向组装使这种适应成为可能的机制。

这项研究于 2026 年 10 月 9 日在线发表于《美国国家科学院院刊》。MIT 于 10 月 13 日发布了配套报道。

论文作者包括 Qianli Liao、Liu Ziyin、Yulu Gan、Brian Cheung、Mark T. Harnett 和 Tomaso Poggio。他们的工作横跨 McGovern Institute for Brain Research、MIT 的 ICoN Center、CSAIL 及相关 MIT 研究团队。

他们的同行评议论文提出了一个名为 Self-Assembling Learning 的框架。该框架探讨学习系统如何从更低层级的分布式交互中产生。

其首个例子是 Self-Assembling Motif，简称 SAM。模体是一种可作为功能构件的小型重复电路结构。

SAM 并非以完成的学习模块形式起步。它通过异突触可塑性规则，从初始随机连接中涌现。

异突触可塑性意味着，一个连接处的活动能够影响其他连接的变化。与让每个突触彼此独立更新的规则相比，这赋予神经元更强的协调能力。

随后，团队在多个层级中以分层方式组合这些模体。根据论文，由此产生的网络动力学近似于一种广义随机梯度下降形式。

梯度下降是一种通过反复调整参数来降低误差的优化方法。随机梯度下降则利用训练样本的子集来估计这些调整。

现代神经网络通常通过反向传播计算有效的调整。反向传播将误差信息沿网络反向传递，使每个参数获得协调更新。

这一过程在软件中极其有效。然而，神经科学家长期以来一直质疑，生物组织是否能够复现其精确的信息流、时序和权重关系。

这一新结果并未取消学习规则或监督。研究人员仍然指定局部可塑性规则，并提供数据和任务反馈。

改变的是设计者介入的层级。设计者并不直接布设模体所代表的最终学习电路。

MIT 的研究报道描述了多层随机互连的类神经元单元。每一层内的组件遵循相同规则来改变其连接。

这些单元相互作用，直至有组织的行为出现。涌现的模体随后成为支撑整个网络学习的机制。

研究人员测试了模式识别和图像分类。论文参考文献指出，所用基准包括 MNIST、Fashion-MNIST、MedMNIST 及自然图像数据集。

这些测试对于学习动力学具有意义，但并不等同于训练前沿语言模型。该研究讨论的是学习电路的组织，而非生产规模的生成式 AI。

这一区别很重要，因为“构建自己的学习机制”听起来可能比实验实际所表明的更具自主性。该网络并不会自行发明任务、数据或支配其运行的物理规律。

相反，MIT 自组装神经网络接收的是较低层级的规范。其有用的高层级电路组织随后从该规范内部的交互中涌现。

这一结果构成了本文的核心张力。研究人员可以直接规定学习电路，或者规定让学习电路自行组织起来的局部条件。

第一种方法优化控制力和性能。第二种方法则探讨，有用的计算是否可以通过更接近生物发育与可塑性的过程涌现。

为什么局部规则会对反向传播形成压力

这项研究对那些自称具备生物学合理性、却假设其最重要学习电路早已就位的模型提出了挑战。

反向传播仍是训练现代人工神经网络的实用标准。其有效性并非本报道争议所在。

生物学问题在于实现方式。软件框架可以存储激活值、计算精确损失，并将导数分配到多个层级。

大脑中并没有明显的中央程序来执行这一序列。神经元通过电化学信号、局部活动、细胞过程，以及经由物理组织传来的反馈发生变化。

一篇重要的反向传播综述解释了几项长期存在的不匹配，其中包括权重传输、非局部信用分配，以及前向与后向计算的分离。

信用分配是确定哪一条内部连接促成某项误差的问题。深度网络使这一问题更加困难，因为结果取决于许多相互作用的层级。

工程系统通过计算梯度来解决信用分配问题。该计算会告诉每个参数，朝哪个方向调整能够降低网络误差。

许多受生物学启发的方案试图通过反馈对齐、预测编码、局部损失或替代性电路动力学来近似这一计算。然而，它们通常以已经被安排好、可支撑所选方法的架构为起点。

MIT 团队瞄准的正是这一前提。一个具备生物学合理性的解释，不仅应说明突触如何更新，还应解释支持更新的电路如何形成组织。

Liao 在 MIT 的报道中直接概括了这一问题：“大脑没有外部设计者或架构师。”他的观点关乎组织的来源，而非约束的缺失。

大脑在遗传程序、物理限制、感官经验和生化规则的作用下发育。这些影响并不会逐一规定每一条成熟电路连接。

因此，有用的计算模型应将两个问题区分开来：哪些规则支配局部变化，以及当这些规则相互作用时，会涌现哪些大规模学习结构？

SAM 提供了一种答案。随机的微观连接逐渐支撑起有组织的模体，其动力学对于优化变得有用。

论文描述了两个尺度上的自组装。首先，模体在局部可塑性作用下从随机连接中涌现。

其次，这些模体组成的网络组织为分层动力学。作者从数学上将这些动力学与广义随机梯度下降的一种形式联系起来。

这一双尺度主张使该工作有别于仅仅随机化反馈矩阵。该网络应当同时发展出一个电路构件和一个系统层面的学习过程。

如果这一解释能在进一步测试中成立，它将提高生物学习模型的标准。研究人员需要证明其学习电路为何存在，而不只是展示这些电路计算了什么。

这种压力也延伸到神经科学之外。工程师同样关注在局部信息和物理约束下进行学习的系统。

神经形态硬件将计算置于存储附近，并且通常限制全局数据移动。基于局部交互的学习方法可能比精确的数字反向传播更适合这些约束。

这种可能性仍是一个研究方向，而非产品成果。该研究没有证据表明，SAM 目前能够降低已部署硬件中的训练成本或能耗。

它也不会让传统反向传播过时。反向传播拥有数十年的工具积累、实证知识，以及与大型加速器集群的兼容性。

更准确的结论是，反向传播不再垄断有用梯度与精心设计的全局机制之间的概念联系。论文提出了一条路径，使类似梯度的优化能够从局部可塑性中涌现。

这正是为何即便基准性能只是相近，这一比较仍然重要。性能持平可以作为一种对照，表明自组织并未破坏学习能力。

因此，这项研究所挑战的是一项研究假设，而非当今 AI 训练市场。其目标是这样一种信念：有效的梯度机制必须预先布设到系统中。

学习机制从随机连接中自行组装

其核心机制是一种反馈过程：局部可塑性塑造模体，而涌现的模体继而支撑协调学习。

要理解 MIT 神经网络如何学习，先要了解同突触变化与异突触变化之间的差异。同突触变化主要取决于正在被修改的突触上的活动。

异突触变化允许其他位置的活动影响该突触。这种更广泛的相互作用可以协调附着在同一神经元上的多个连接。

一项熟悉的局部原则认为，同时被激活的神经元会加强其连接。这一原则常被概括为“同时放电的神经元会连接在一起”。

但仅凭这一点无法复现深度信用分配。学习网络需要一种方法，将输出误差与更早的内部活动联系起来。

SAM 将局部交互组合为一个能够处理此类关系的模体。该模体的连接并非作为完成的计算图预先插入。

它们以随机数值或随机微观结构起步。反复的可塑性变化将其组织为更有用的配置。

论文称，由此产生的动力学可被证明近似于广义随机梯度下降。“可被证明”适用于形式模型及其假设，而不适用于生物大脑。

这一区分至关重要。数学证明可以确立一个定义明确的系统如何运行，却不能证明大脑皮层组织实现了同一系统。

层级结构同样重要。一个模体提供紧凑的学习结构，而重复的模体则将学习连接到各个层级之中。

这种分层组合解决了纯局部规则的一个核心弱点。单次局部调整或许看似合理，却可能无法在深层网络中协调出有效学习。

在作者的模型中，协调性通过基序之间的交互涌现。因此，网络无需直接植入标准反向传播电路，也能接近基于梯度优化所预期的行为。

这一过程仍然包含指导性信号。电路组织能够自组装，并不意味着学习就是无监督的。

相反，系统改变了指导信息抵达并重组网络的方式。局部单元在共享规则下响应，而不是接收逐一计算得出的设计指令。

这是该研究最重要的逆转。随机性不再仅被视为工程师必须克服的噪声。

随机的初始连接提供原始材料。随后，可塑性会选择、强化、削弱并协调那些支撑有效学习模式的关系。

生物系统常通过类似的宏观原则发展出结构。细胞遵循局部的化学和电学规则，而组织则获得更大尺度的组织性。

这一类比为研究提供了动机，但它仍然只是类比。研究人员建模的是类神经元单元，而非观察活体神经回路中 SAM 的形成。

近期实验工作强化了树突携带结构化教学信号的证据。2026 年，研究人员在皮层神经元中报告了instructive dendritic signals。

此类证据能够支持局部、分区学习机制的合理性。但它并不能独立验证这里提出的特定自组装基序。

这篇 MIT 论文将这一缺口转化为可检验的问题。研究人员可以寻找模型预测的类基序连接、结构化反馈和可塑性模式。

他们还可以考察，当学习条件发生变化后，涌现出的基序是否仍能保持稳定。一个只能形成一次、却会在不同初始化条件下崩溃的电路，其解释价值有限。

该系统的公开代码发布因此十分重要。其中包括基准实现，以及一个用于理论与对齐诊断的后续实现。

独立研究人员可以改变随机种子、连接方式、学习率和任务分布。他们可以检验同一种定性基序是否能够可靠地涌现。

他们还可以将学习到的更新与精确梯度进行比较。对齐很重要，因为相近的最终准确率可能掩盖截然不同的优化动态。

对开发者而言，这体现了架构搜索与自组织学习之间一项有价值的区别。架构搜索通过外层优化过程评估不同设计方案。

而 SAM 则将组织过程置于建模网络的内部动态之中。局部规则使学习电路在交互过程中逐渐成形。

设计者并未消失。设计从指定最终电路，下移为指定生成该电路的条件。

这种重新框定与更广泛的工程模式相连。当设计者指定可组合规则，而非每一项最终关系时，复杂系统会更容易适应变化。

知识工作中也有类似原则。当关系在累积材料之间自然涌现，而不是依赖单一固定文件夹结构时，technical knowledge base会变得更有用。

不应从字面上理解这一类比。文档不会像突触一样发生变化。这两种情况只是说明了固定组织与从重复交互中发展出的组织之间的差异。

相似性能并不意味着可以替代反向传播

报告中的比较确立了研究可信度，但并未证明该方法已适用于大模型、具备生物学有效性，或拥有更高效率。

作者表示，他们的自组织网络达到了与所测试的反向传播训练网络相近的性能。这一结果很重要，因为局部学习方案往往会在任务要求提高时损失准确率。

然而，“达到反向传播水平的性能”需要谨慎解读。它指的是论文中评估的实验和网络配置。

这并不意味着该方法在语言、多模态推理或长时程强化学习中能够匹敌 transformer 训练。引用的论文或 MIT 报告中均未出现此类结果。

这也不意味着 MIT 的自组装神经网络在没有人类选择的情况下完成学习。研究人员选择了模型、可塑性规则、任务、目标条件和评估方法。

自组装的主张针对的是内部学习机制。它并不意味着开放式自主性。

第二个不确定性来自对初始连接的敏感性。模型从随机性开始，因此不同随机种子下的可复现性变得至关重要。

一个令人信服的自组织机制，应能从许多合理的起点中产生相似的功能性基序。偶尔成功的组装只能构成弱得多的证据。

因此，研究人员应考察分布，而不仅仅是平均准确率。失败率、方差、收敛时间和基序一致性都很重要。

第三个不确定性涉及规模。在传统硬件上模拟局部规则，可能带来高昂的计算成本。

生物学上的局部性不会自动转化为数字效率。一个避免精确反向传播的过程，可能需要更多步骤、额外状态或更密集的交互。

该研究并未证明训练成本更低。它也没有显示在神经形态硬件上能够降低能耗。

第四个问题是任务广度。图像分类为衡量优化和表征学习提供了受控环境。

现代 AI 系统还要处理序列建模、检索、规划、生成和延迟反馈。这些任务会产生不同的信用分配问题。

一种方法或许能在紧凑型分类器上匹敌反向传播，却难以应对循环系统或基于注意力的系统。在已展示任务之外的扩展仍是开放问题。

第五个不确定性是生物学证据。论文中的机制受到突触可塑性和皮层组织的启发，但它仍是计算性的。

Liao 明确警告，自组织网络不一定像大脑那样学习。自组织是合理性的起始标准，而非生物学确认。

这种克制反而强化了结果。它将可检验的模型与“重大神经科学问题已经解决”的宣称区分开来。

未来实验需要为该基序的组成部分识别出生物学对应物。它们还需要在学习过程中观察预测的组织结构。

研究人员随后可扰动特定反馈路径或可塑性过程。若学习以预测的方式失败，该模型将获得实证支持。

在缺乏此类证据的情况下，SAM 仍只是能够产生所需行为的一种机制。其他局部机制也可能实现类似梯度的动态。

与反向传播的比较还包含一项重要的不对称性。反向传播主要被视为一种工程方法，而 SAM 则部分被视为解释性模型。

如果一种方法能够解释生物组织如何产生，即使效率有所损失，仍可能具有科学价值。反过来，仅仅匹配准确率也无法验证其生物学解释。

这种差异决定了当下哪些人应当关注。神经科学家获得了一个将局部可塑性与有组织的信用分配联系起来的形式化假设。

机器学习研究人员获得了另一种研究局部学习和涌现优化的方法。硬件研究人员则获得了面向物理分布式学习系统的一项潜在设计原则。

企业 AI 买家不应期待商用模型立即发生变化。这项工作并未发布新的基础模型、训练服务或部署框架。

开发者也应避免将结果解读为关于自我改进 AI 的主张。该模型是在外部选定的任务和规则内学习的。

因此，对反向传播的压力首先是思想层面的，而非商业层面的。研究表明，有用的梯度机制不必以最终形式被显式植入。

这一原则能否在技术上具备竞争力，取决于当前论文尚未提供的证据。规模、稳定性、效率和任务多样性仍是决定性的检验。

三个信号将显示这一成果能否迁移

下一阶段应先检验可复现的组装，再检验更困难的任务，最后检验生物学预测。

第一个信号是在随机初始条件下的复现。独立团队应使用更广泛的随机种子范围和连接模式，运行已发布的实现。

如果稳定的基序反复涌现，论文的自组织主张会更有说服力。如果成功依赖狭窄的初始条件，该主张的普适性就会下降。

复现不应只追踪最终分类准确率。研究人员还应报告收敛情况、更新对齐、基序结构和失败运行。

他们还应检验该基序能否经受超参数的合理变化。自组装机制不应要求精确的人工调参，否则实际上等于重新进行电路设计。

第二个信号是超出已展示分类设置之外的性能。更大规模的视觉任务、序列问题和延迟信用分配将提供更严格的测试。

在这些任务上的成功将表明，MIT 神经网络与反向传播的比较并不局限于紧凑的基准条件。持续存在的差距则会将该方法限制在更狭窄的解释性角色中。

计算量测量应伴随这些比较。没有训练时间、内存使用和能耗数据，准确率无法证明工程竞争力。

研究人员还应将该方法与其他受生物学启发的方法进行比较。标准反向传播是必要的基线，但并非唯一相关的基线。

反馈对齐、预测编码、平衡方法和局部误差系统都在处理重叠的问题。SAM 的独特优势应来自其学习机制的自组装，而不只是使用不同的更新公式。

第三个信号是实验神经科学证据。研究人员应在真实回路中寻找预测的基序和依赖学习的变化。

最有力的证据将把局部异突触规则与执行可识别信用分配功能的涌现结构联系起来。这需要在学习前、学习中和学习后进行测量。

扰动会使论证更有力。破坏所提出的局部交互，应当阻止基序组织，或使学习朝预测方向发生改变。

皮层回路携带结构化指导信号的证据，将支持这一更广泛的研究计划。但它不会自动确认 SAM 的精确机制。

未能发现该基序同样具有信息价值。数学结果仍可能有效，但其生物学解释将会减弱。

这些信号形成了清晰的顺序。可复现的计算检验该机制是否稳定。更困难的基准测试检验其是否具有泛化能力。

生物实验则检验该机制是否能够解释自然，而不只是提供另一种算法。每个阶段都可能强化或缩小这篇论文的重要性。

读者还应关注作者如何将 2024 年和 2025 年的基准实现，与 2026 年的理论实现区分开来。这些版本之间的差异或许能揭示哪些组件推动了性能表现。

透明的消融实验将有所帮助。消融实验会移除或改变某个组件，以展示所声称的机制是否确实依赖于它。

例如，研究人员可以削弱异突触相互作用，或阻止结构性组织形成。如果性能保持不变，这一模式可能无法解释结果。

他们还可以冻结一个已组装完成的模式，并测试新的任务。该实验将显示这套机制是否能够复用，还是必须针对每种环境重新组织。

另一项有用的测试，是在组装完成后改变数据分布。若系统能保持稳定适应，将使这一机制与持续学习更具相关性。

灾难性遗忘，即新学习损害旧知识，是神经系统面临的一项重大挑战。目前的报告尚未证明 SAM 能改善这一问题。

因此，这篇论文的意义将取决于严谨的后续研究，而不是戏剧化的推演。其最有力的主张本身已值得关注，无需夸大。

MIT 的自组装神经网络表明，局部规则能够生成一种学习结构，其动态特性近似于梯度优化。它们为电路形成与学习之间搭建了一座具体的桥梁。

它们尚未证明大脑会使用这座桥梁。它们同样没有表明，如今的 AI 实验室应当取代反向传播。

对研究人员而言，眼下的行动很明确：复现组装过程、检验其稳定性，并测试其生物学预测。对其他人来说，关键问题同样清晰。

当一个学习系统的初始连接、任务和物理约束发生变化时，它能否持续组织出有用的机制，还是结果依赖于最初揭示它的实验室条件？