发生了什么：2026年10月9日，MIT研究人员在《美国国家科学院院刊》（PNAS）发表研究，提出“自组装学习”（Self-Assembling Learning）框架，并设计了自组装基元（Self-Assembling Motif，SAM）。研究关注的问题是：神经网络能否不依赖开发者预先设计完整学习算法，而是从较低层次的局部连接规则中自行形成有效的学习结构。PNAS原始论文
研究方法：论文中的SAM从随机连接开始，在异突触可塑性等局部规则作用下逐步形成；多个SAM以分层方式组合后，可以自组织出近似随机梯度下降的网络动力学。作者报告称，该机制在模式识别和图像分类任务中达到与反向传播网络相当的表现。这里的“相当”是论文模型和实验设置下的比较结果，并不等于已经在通用任务或商业系统中超过现有训练方法。
为什么值得关注：当前主流机器学习通常依赖梯度下降和反向传播，学习规则由工程师统一设定。该研究尝试把“学习算法如何形成”本身作为研究对象，为理解生物神经系统如何从局部突触变化中组织出复杂学习能力提供一种计算模型。MIT在10月13日的报道中指出，研究团队更看重网络能否自我组织，而不仅是最终任务准确率。MIT News报道
需要注意的是，这是一项连接神经科学与机器学习的理论及计算研究。论文结果支持“梯度式优化可以由底层局部规则涌现”的可能性，但尚不能证明真实大脑采用SAM机制，也不能直接推出该方法已经具备工程部署价值。后续应关注其在更大规模数据、不同任务和硬件约束下的可扩展性，以及生物实验能否检验论文提出的神经回路预测。事件发生日期为2026年10月9日，MIT新闻报道日期为2026年10月13日；资料均在2026年10月16日检索。
参考来源：
- How biological synapses self-assemble gradient learning 2026-10-09
- How artificial neural networks build their own learning machinery 2026-10-13
由 AI 整理，仅供参考；请以原始来源为准。
