大规模搜索后无学习规则能胜过反向传播，Nature 2025 证实其生物学合理性
aran_nayebi · x · 2026-09-16
NeuroAI 研究者 Aran Nayebi 总结了一项重要结论：反向传播很可能是生物学上可行的，可通过 vector error feedback 等机制实现。要点：
- 他曾在 ICML '20 论文提出首批性能可与 backprop 比拟的生物合理学习规则，并在 TPU 上对数千种学习规则做大规模搜索，无一在 ImageNet 上超越 backprop。
- 他原以为大脑的「秘密配方」可能是学习规则本身，现在认为不是——backprop 是这些近似方法的上界。
- Francioni et al. Nature 2025 终于为 vector-error feedback 提供了实验证据，对计算神经科学家而言是迟到的确认。
这意味着大脑与人工网络的差距更可能在架构与目标函数，而非学习规则。
「研究」频道最新
- CPAL 2027 落地东京,聚焦简约学习的小而美会议 — YiMaTweets · 2026-09-16
- 无需教师模型的一步离散生成器：Discrete Beckmann Transport — rishabh16_ · 2026-09-16
- AI 模型正变成「家电」：专精一事、其余皆废 — dbreunig · 2026-09-16
- Google 论文 Fuse:模拟构建基准,测 12 个 LLM 的社交动机推断力 — dair_ai · 2026-09-16
- 新加坡 CIVIC-AI 白皮书:用六条件框架定义 AI 何时真正增强工作 — stanfordnlp · 2026-09-16
- NVIDIA 论文:混合模型集成多数反而变差,单一模型家族最有效 — omarsar0 · 2026-09-16