חוקרי MIT הציגו מודל חישובי שבו דפוסי חיבור שמאפשרים למידה מתארגנים מתוך כללים מקומיים פשוטים. הרשת מתחילה מקשרים אקראיים בין יחידות דמויות-נוירונים, ומתוכם נוצרים מבנים שמסוגלים לתמוך בלמידה. העבודה עוסקת בשאלה יסודית בחקר הבינה המלאכותית והמוח: כיצד מנגנון הלמידה עצמו יכול להתהוות בתוך מערכת.
במחקר שפורסם בכתב העת PNAS ב-9 באוקטובר 2026, החוקרים מכנים את הגישה Self-Assembling Learning - למידה שמתארגנת מתוך האינטראקציות בין רכיבי הרשת. כדי להבין את החידוש, כדאי להפריד בין שני תהליכים: שינוי הקשרים בזמן למידה, והיווצרות המנגנון שמכוון את השינוי הזה.
איך רשת עצבית לומדת בדרך המקובלת
ברשת עצבית טיפוסית, לכל חיבור יש משקל שקובע כיצד המידע שעובר בו משפיע על המשך החישוב. בזמן האימון משנים את המשקולות כדי לצמצם את הפער בין התוצאה שהרשת מפיקה לבין התוצאה הרצויה.
אחת השיטות המרכזיות בתהליך היא Backpropagation, התפשטות לאחור. היא מאפשרת לחשב כיצד שינוי בכל אחד מהפרמטרים ישפיע על השגיאה, גם ברשת שיש בה שכבות רבות. שיטת האופטימיזציה משתמשת במידע הזה כדי לעדכן את הפרמטרים. כלומר, חישוב הגרדיאנטים ועדכון המשקולות הם חלקים שונים של תהליך האימון.
מנקודת מבט הנדסית, אפשר לתכנן את התהליך הזה ולבדוק אם הוא משיג תוצאות טובות. בחקר המוח מתעוררת דרישה נוספת: להסביר כיצד מנגנון שמאפשר למידה יכול לצמוח מתוך הפעילות של יחידות המחוברות זו לזו.
המבנים הקטנים שמתארגנים בתוך הרשת
החוקרים הציגו אבן בניין בשם Self-Assembling Motif, או SAM. זהו דפוס חיבור קטן שיכול להתהוות מתוך קישוריות אקראית, תחת כללים מוגדרים לשינוי הקשרים.
ההתארגנות מתרחשת בשתי רמות. ברמה המקומית נוצרים המבנים הקטנים. כאשר משלבים מבנים כאלה ברשת היררכית, נוצרת דינמיקה רחבה יותר שמקרבת גרסה מוכללת של SGD, ירידת גרדיאנט סטוכסטית - משפחה מרכזית של שיטות אופטימיזציה בלמידת מכונה.
הביטוי ״בונה את מנגנון הלמידה שלה״ מתייחס להתארגנות הזאת. החוקרים עדיין מגדירים את כללי שינוי הקשרים, את מסגרת המודל ואת תנאי הניסוי. בתוך המסגרת הזו הם בוחנים אילו מבנים והתנהגויות יכולים להיווצר מהאינטראקציות המקומיות.
זו הבחנה חשובה גם לקריאת הכותרת: מידת ההתארגנות העצמית נמדדת ביחס למה שהוכנס למערכת מראש. כדי להעריך את התוצאה צריך להבין גם את הכללים שסיפקו החוקרים וגם את ההתנהגות שנוצרה בעקבותיהם.
מה הצליח בניסויים
לפי ההסבר שפרסם MIT ב-13 באוקטובר, הרשת למדה לזהות דפוסים ולסווג תמונות. בהשוואות שביצעו החוקרים, היא הגיעה לרמת ביצועים דומה לזו של רשתות שאומנו באמצעות Backpropagation. התוצאה תומכת באפשרות שכללים מקומיים יאפשרו לרשת לפתח דינמיקת למידה יעילה במשימות שנבדקו.
המשמעות של ״ביצועים דומים״ תלויה במסגרת ההשוואה. צריך לבדוק באילו משימות השתמשו, מה היה גודל המערכות, מול איזו שיטה נערכה ההשוואה ואילו משאבים נדרשו לאימון. כפי שהסברנו במדריך על קריאה ביקורתית של בנצ׳מרקים במודלי AI, מספר מקבל משמעות רק כשמבינים את הניסוי שמאחוריו.
כאן גם מתפצלות שתי שאלות מחקריות. האחת היא אם המנגנון מסביר כיצד למידה יכולה להתארגן מתוך כללים מקומיים. השנייה היא עד כמה הוא עשוי להיות שימושי במערכות הנדסיות גדולות. הצלחה בשאלה הראשונה מצדיקה המשך מחקר; הערכת השנייה דורשת ניסויים המתאימים לה.
הקשר למוח עדיין דורש ראיות
המוטיבציה המרכזית של העבודה מגיעה מחקר הלמידה הביולוגית. מודל מלאכותי יכול להצליח במשימה ובכל זאת להשתמש במנגנון שונה מזה שפועל במערכת עצבים. לכן, דמיון בתוצאה לבדו אינו מספיק כדי להסביר כיצד המוח לומד.
החוקרים מציעים לבחון גם את יכולת ההתארגנות העצמית של המודל: כיצד כללים פשוטים יחסית מאפשרים למבנים ולמנגנוני למידה להיווצר. ב-MIT מדגישים שגם רשת שמתארגנת בעצמה אינה בהכרח לומדת באותה דרך שבה לומד המוח. ההתארגנות היא נקודת מוצא לבחינת הסבירות הביולוגית של המנגנון.
מבחן חשוב להמשך יהיה לחפש התאמה בין המבנים והדינמיקה שהמודל מציע לבין ממצאים במערכות ביולוגיות. ככל שההתאמה תהיה מפורטת וניתנת לבדיקה, יהיה אפשר להעריך טוב יותר אם המודל מסביר משהו על הלמידה בטבע. זהו הכיוון המסקרן בעבודה: להשתמש ברשת מלאכותית כדי לחקור כיצד נוצרת היכולת ללמוד.
