MIT新研究：神经网络能自己长出学习回路，人脑也是这样学习的吗？

游仕｜AI · 2026年10月14日

大脑没有工程师，为什么也能学习？

今天在人机交互与大模型训练中立下汗马功劳的深度学习，其底层都建立在一条清晰的工程链条上：人类工程师设计网络架构、确定层数与节点连接方式，并在模型输出错误时，依靠一套名为“反向传播”（Backpropagation）配合“梯度下降”（Gradient Descent）的数学算法，自顶向下把误差倒推回去，精细校准每一个突触的权重。

这套工程机制在工业界成效卓著，但在神经生物学家眼里，它却很难解释真实大脑的运作方式。

生物大脑内部没有一个掌控全局参数的“中央调度器”，也不存在能把全局误差原路倒推的专用逆向通道。更重要的是，人脑在婴儿期面对未知环境时，并没有工程师预先写好的连接图纸。

麻省理工学院（MIT）麦戈文脑科学研究所（McGovern Institute for Brain Research）与杨丽莎综合计算神经科学中心（ICoN）的研究团队，在 2026 年 10 月 13 日出版的《美国国家科学院院刊》（PNAS）上发表了题为《生物突触如何自组装梯度学习》（How biological synapses self-assemble gradient learning）的论文（MIT News 于 10 月 13 日刊发专题报道）。该论文由 Qianli Liao（廖千里）、Liu Ziyin、Yulu Gan 担任共同第一作者，Brian Cheung、Mark T. Harnett 与 Tomaso Poggio 共同参与完成。

研究团队关注的核心问题非常直接：如果把人类工程师预先搭建的反馈通路拿掉，仅依靠神经元之间极简的局部物理交互，网络自己能不能“长”出一套能够学习的机制？

“大脑没有外部的设计师或建筑师，”论文共同第一作者 Qianli Liao 在接受 MIT News 采访时指出，“大脑必须自我组织。我们需要知道，简单的规则究竟是如何让大脑完成自我组织的。”

给神经元几条简单规则，会发生什么？

在传统的人工神经网络训练中，误差反馈通路是人为硬编码进去的。而在这项研究中，研究团队做了一个极具启发性的实验设定：

1. 初始网络近乎混沌：网络的层级间初始状态是随机连接的，没有预先铺设好的反向反馈专线。
2. 规则严格局域化：网络中各个突触权重的改变，完全不依赖全局的反向传播信号，而是遵循“异突触可塑性”（Heterosynaptic Plasticity）规则。

这里需要厘清一个常见的误解：它并不是简单等同于经典赫布理论（Hebbian Theory）中“同时激活就增强连接”（fire together, wire together）的单一关联，而是让一个神经元相邻的不同突触之间，能够根据彼此局部的协同活动状态，自适应地调整各自的权重强弱。

在既定任务目标和训练数据的驱动下，这种看似只看眼前的局部互动，催生出了系统级的微观相变：

• 自发组装回路基序（Motifs）：在没有顶层蓝图干预的情况下，随机互联的神经单元通过局部交互，自发形成了稳定且重复出现的微电路结构。
• 对称反馈的自耦闭环：这些基序组装成了成对的双向通路——一组前向通路负责向下游传递感知信号，一组反馈通路负责向上传递调节信号，第三组横向连接则负责动态协同两者。经过训练演化，反馈通路传回的信号，恰好演化成了前向通路修正误差所需的有效指导信号。
• 逼近梯度下降的数学等价：团队从理论推导上证明，当这些自组装基序堆叠进深层网络时，其整体系统的动力学行为在数学上逼近了广义的随机梯度下降（SGD）。

在具体的基准测试中，研究人员在全连接架构下对比了标准反向传播模型与该自组织网络。在 MNIST 手写数字识别（达到约 1.45% 错误率级别）以及 CIFAR 等经典图像分类任务上，自组织网络展现出了与传统反向传播算法相当的表现水平。换言之，系统依靠局部可塑性规则，在没有人工铺设误差通道的前提下，自己组装出了一套行之有效的学习回路。

机器学会了自组织，就等于理解了大脑吗？

看到这一突破，很容易让人联想到“机器已经完全破解了大脑学习之谜”。但无论是审视科学事实，还是考量工业现实，我们都需要保持客观与冷静。

首先，计算仿真不等于生物学实测。论文的所有结论均建立在人工神经网络的数学推导与数值模拟之上，展示的是“具备生物合理性的计算假说”，而非在真实生物活体脑组织中直接测得的神经生理数据。真实大脑的皮层微回路远比多层抽象单元复杂，异突触可塑性在活体中是否真正主导并承担了论文所提出的这种学习回路组装功能，仍有待神经生物学湿实验的进一步寻找与检验。

其次，基准测试的规模边界仍然存在。论文测试的主要是 MNIST、CIFAR 等基础图像分类与模式识别任务。在计算神经科学的历史上，许多具备生物合理性的学习算法往往在小型图像数据集上能逼近反向传播，但在参数规模更大、结构更深、涉及多模态长上下文推理的大模型面前，其可扩展性（Scalability）与训练效率尚未经受过工业级检验。论文主张的是在所测试任务上“表现相当”（match），并未声称其性能超越了现代大规模工程算法。

最后，就神经科学研究本身而言，这项工作的首要价值在于架起了一座桥梁。资深合著者 Tomaso Poggio 指出，如果这种突触基序未来在生物大脑中得到印证，就意味着在人工网络与自然大脑的核心学习机制之间找到了理论切口。Qianli Liao 亦指出，只有理解神经元交互的底层局部自组织规则，未来针对语言功能丧失、神经假肢控制等脑机接口（BCI）与神经修复技术的研发，才可能真正找到生物兼容的根基。

游仕觀察｜复杂的智能，是否源于简单的规则？

跳出具体的论文公式与工程指标，这项研究给当下处于算力与工程狂热中的我们，提供了一个极具张力的思辨视角。

现代深度学习工业习惯了由顶层工程师扮演无所不知的“造物主”：自上而下地规划网络骨架，死板地定义误差传导专线，用海量算力强行驱动参数收敛。这种精密机械式的控制逻辑带来了空前的大模型繁荣，但也让我们习惯于把“智能”当成一种必须依赖外部严苛图纸才能组装出来的工业制成品。

但大自然里的复杂系统——无论是蚁群的协作、生物大脑的亿万神经突触，还是自适应演化的复杂生态系统——从来都没有一个坐在正中央的总设计师。

MIT 的这项研究所呈现的启发恰恰在于：也许在某些学习机制中，看似复杂的反馈结构和高级秩序，完全有可能从几条底层、自洽且对称的极简局部规则中逐渐生长出来。

这当然还不是对人脑学习原理的最终解释，也远远谈不上人工设计的终结。

但它让我想到四个字：道法自然。

真正值得我们持续深究的，或许不仅是怎样人工设计一套越来越庞大、越来越严密的控制机器，还有一个更为本质的问题：究竟是什么样的底层规则，能让一个系统在与现实世界的互动中，自己生长出秩序？