MIT神经网自组装学习 PNAS破解大脑启发式AI算法

**【MIT/PNAS 2026-10-13】** 美国麻省理工学院McGovern脑研究所与K. Lisa Yang综合计算神经科学（ICoN）中心团队在权威期刊《美国国家科学院院刊》（PNAS）发表突破性研究，证明人工神经网络可摆脱人类工程师预设的学习规则，凭借简单的局部连接规则自主"自组装"出学习机制，为脑启发AI与神经疾病治疗打开新通道。 论文题为《How biological synapses self-assemble gradient learning》（生物突触如何自组装梯度学习），于2026年10月9日在PNAS上线（DOI: 10.1073/pnas.2606245123），MIT官方新闻于10月13日对外发布。共同第一作者为MIT博士后**钱立·廖（Qianli Liao）**、研究科学家**Liu Ziyin**与博士生**Yulu Gan**，通讯作者为MIT教授、McGovern研究所成员**Tomaso Poggio**与**Mark Harnett**。 研究团队提出"自组装学习"（Self-Assembling Learning）框架。他们从多层随机互连的神经元单元出发，仅施加一条核心规则——"同时激活的神经元会连接在一起"（fire together, wire together），便让网络在数据训练中自行重构为有效的信息处理系统，无需任何外部架构师或开发者手工调参。 "当前AI技术表现优异，但它未必采用了大脑所使用的学习算法，"钱立·廖在MIT新闻稿中表示。"大脑没有外部设计师，它必须自组织。我们要弄清的正是那些简单规则如何让大脑自组织。" 研究意义远超AI工程本身： 1. **脑启发AI新范式**——首次让ANN像生物大脑一样自主进化学习机制，为下一代通用智能模型提供生物学上更可信的架构蓝本； 2. **脑机接口与神经假肢**——只有理解了神经互作规则，BCI才能帮助瘫痪患者操控假肢、恢复失语患者的沟通能力； 3. **神经疾病与衰老机制**——为揭示阿尔茨海默病、帕金森病等退行性病变如何破坏神经可塑性提供新工具； 4. **可解释AI**——自组织网络让"学习规则从何而来"这一问题变得可追溯、可检验。 PNAS评论指出，这项研究"将非平衡统计物理与机器学习优雅地联系起来"，并提示未来的自组装网络可能进入"临界态"，涌现出大脑般的复杂动力学。该项目获K. Lisa Yang基金会、MIT ICoN中心及McGovern研究所资助。 ## 总结 MIT Poggio-Harnett团队用PNAS论文给出"AI像大脑一样自学"的数学证明——自组装学习无需人工设计规则，仅凭"激活-连接"局部规则即可让神经网络演化出梯度学习能力。这既是大脑计算原理的新里程碑，也预示着下一代脑启发AI、BCI与神经退行性疾病疗法即将登场。 ## 参考来源 - https://news.mit.edu/2026/how-artificial-neural-networks-build-their-own-learning-machinery-1013 - https://www.pnas.org/doi/10.1073/pnas.2606245123 - https://pubmed.ncbi.nlm.nih.gov/42853665/ - https://mcgovern.mit.edu/2026/10/05/how-artificial-neural-networks-build-their-own-learning-machinery/ - https://news.ycombinator.com/item?id=50072120 - https://yangtan.mit.edu/our-research/k-lisa-yang-icon-center/ ## 标签 MIT, PNAS, 自组装学习, Self-Assembling Learning, 神经网络, 脑启发AI, 脑机接口