PNAS 论文：随机连接的神经元单元可自组织出类反向传播学习能力
Dorian182 · reddit · 2026-10-15
MIT 报道（10 月 13 日）介绍了 10 月 9 日发表于 PNAS 的论文《How Biological Synapses Self-Assemble Gradient Learning》。核心发现：
- 由共享可塑性规则支配的随机互连神经元样单元，能够自组装出学习回路（learning motifs），并完成模式识别与图像分类任务；报告的对比显示其性能与经反向传播训练的网络相当。
- 关键区别在于范式：不是直接设计学习电路，而是只指定局部规则，让学习机制自行组织涌现。
- 作者明确 caution：这种自组织并不能证明大脑真的使用该机制，研究动机是生物合理性，而非证明它能替代大规模模型中的反向传播。
作者评论指出，评估该结果除分类精度外，还应关注学习 motif 在不同初始连接下的稳定性、以及能否扩展到已演示任务之外。
所属事件:MIT 研究：神经网络可自建学习机制无需显式设计(3 条相关)→
「研究」频道最新
- GPT-6.1 审查 arXiv：6% 论文主定理有错，近两月降至 1.5% — nitarshan · 2026-10-16
- 研究：一个 just 之差就能改变 LLM 对话的走向 — StellaLisy · 2026-10-16
- SEAR 首次大规模对照研究：7 个前沿 LLM、330 项任务检验自进化机器人 — xiye_nlp · 2026-10-16
- Claude 助力连破椭圆曲线纪录后，EC Rank 挑战赛开放 156 个纪录位 — Jsevillamol · 2026-10-16
- 用超声替代胎儿 MRI，牛津团队做产前大脑 AI 建模 — AnnaCiaunica · 2026-10-16
- 开源项目 vegaml 一周补齐全家桶：级联推理、校准与 MCP 服务器 — kalyan_kpl · 2026-10-16