MIT（美国麻省理工学院）研究：随机连接的人工神经网络可自组织出学习机制，效果接近反向传播
MIT（麻省理工学院）McGovern脑研究所团队在PNAS（《美国国家科学院院刊》）发表研究，主张衡量人工神经网络“生物学合理性”的关键指标是自组织能力，而非仅看任务表现；
多层随机连接的类神经元单元按“同时激活则连接增强”等简单规则自我调整后，能学会识别模式与分类图像，表现与采用反向传播训练的网络相近。 作者强调该结果服务于理解大脑学习规则，不代表大脑使用同一算法。
研究原始来源可核对
事实与证据边界
论文于10月9日发表于PNAS，作者包括MIT（美国麻省理工学院）麦戈文脑研究所与K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center（K. Lisa Yang综合计算神经科学中心）博士后Qianli Liao、MIT研究科学家Liu Ziyin、研究生Yulu Gan，以及与MIT教授Tomaso Poggio和Mark Harnett合作完成。
网络从多层随机互连的类神经元单元出发，层内每个单元遵循相同的连接调整规则； 学习由按简单规则涌现的自组装基元（motifs）支撑，这些基元再组成功能回路。 网络在学习中以类似梯度下降的优化策略重组连接。 团队将其与采用反向传播设计的网络比较，称性能处于相近水平。 研究动机之一是神经科学界普遍认为大脑不太可能使用反向传播。
分析判断
这项工作把“AI（人工智能）网络能否自己形成学习机制”变成可比较的研究问题：它给出的不是更准的模型，而是一种评价模型对大脑解释力的尺度。 需要区分的是，性能接近反向传播只说明该自组织路径在所测的模式识别与图像分类任务上可行； 作者明确表示自组织网络未必以与大脑相同的方式学习，自组织只是通向生物学合理性的第一个高层框架。
后续观察信号
- 追踪MIT（美国麻省理工学院）团队后续关于自组织网络与大脑机制对应关系的研究
- 核对PNAS原文中任务设置与性能对比的具体范围