Come le reti neurali artificiali costruiscono la propria macchina di apprendimento

Introduzione

Man mano che l’intelligenza artificiale diventa sempre più potente, la sua capacità di svolgere compiti tipicamente umani è indiscutibile. Le reti neurali artificiali (ANN) apprendono a riconoscere immagini, utilizzare il linguaggio o scrivere codice, riorganizzando le proprie connessioni proprio come fa il cervello. Questa similitudine ha suscitato l’interesse di numerosi neuroscienziati: cosa può insegnare loro l’AI su come il cervello apprende? E quali modelli risultano più informativi?

Lo studio del MIT

Nel 9 ottobre 2026 è stato pubblicato nellProceedings of the National Academy of Sciences (PNAS) un lavoro congiunto del McGovern Institute for Brain Research del MIT e del K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center. Gli autori, tra cui Qianli Liao, Liu Ziyin e Yulu Gan, sostengono che la plausibilità biologica di una rete neurale dipende dalla sua capacità di auto-organizzarsi senza un progettista esterno. Con istruzioni molto semplici su come e quando le connessioni devono cambiare, un gruppo di unità casuali può trasformarsi in una rete efficace per l’elaborazione dell’informazione, apprendendo dai dati di addestramento.

Apprendimento biologico vs. apprendimento artificiale

“La tecnologia AI attuale funziona molto bene, ma non usa necessariamente un algoritmo di apprendimento usato dal cervello,” afferma Liao, post‑doc del ICoN Center. Nelle ANN tradizionali, gli ingegneri progettano regole precise per la variazione dei pesi in risposta al feedback sugli errori. Questo approccio è potente, ma potrebbe non fornire insight sul modo in cui il cervello si organizza autonomamente. “Il cervello non ha un architetto esterno. Deve organizzarsi da sé, e dobbiamo capire come regole semplici possano generare tale organizzazione,” sottolinea Liao.

Regole di auto‑organizzazione

Le regole che rimodellano le connessioni neurali in un organismo vivente possono variare tra le diverse aree cerebrali o cambiare con l’età. Decifrare queste regole è fondamentale per comprendere il decadimento cognitivo o le malattie neurodegenerative e per progettare interfacce cervello‑computer (BCI) che ripristinino la comunicazione o controllino protesi neurali.

Secondo Liao, “nessuna di queste applicazioni può funzionare senza conoscere le regole dietro le interazioni neuron‑neuron.” Perciò, il valore di una ANN per la neuroscienza deve essere valutato non solo in base alle sue prestazioni, ma anche alla capacità di auto‑generare sia le connessioni sia i meccanismi che le modificano.

Costruzione della rete auto‑organizzante

Il team ha iniziato con più strati di unità neuron‑like connesse casualmente. All’interno di ogni strato, ogni unità è soggetta alla stessa regola di adattamento delle connessioni. “Interagiscono tra loro usando quella regola e sviluppano un tipo di comportamento,” spiega Liao.

Le regole implementate rispecchiano principi noti della plasticità sinaptica, come il celebre detto “neuroni che fire together wire together”. Quando due neuroni collegati si attivano simultaneamente, la loro sinapsi si rafforza.

Apprendimento mediante motivi auto‑assemblanti

La rete sviluppa motivi (motif) auto‑assemblanti che emergono dalle semplici regole e fungono da blocchi costitutivi per circuiti funzionali. Durante l’apprendimento, questi motivi si riorganizzano mediante una strategia di ottimizzazione analoga al gradient descent, cioè la riduzione graduale dell’errore tramite aggiustamenti dei pesi.

Il gradient descent è tipicamente implementato attraverso l’algoritmo di back‑propagation, ritenuto improbabile nel cervello reale. Tuttavia, confrontando la rete auto‑organizzante con reti tradizionali basate su back‑propagation, gli autori hanno trovato prestazioni simili nella classificazione di immagini e nel riconoscimento di pattern.

Implicazioni per neuroscienza e AI

Tomaso Poggio sottolinea che individuare un parallelo biologico al back‑propagation potrebbe aprire nuove strade sia per l’AI che per la neuroscienza. “Se i motivi sinaptici che proponiamo sono effettivamente usati dal cervello per fare quello che il back‑propagation fa per le reti artificiali, avremo una forte connessione a livello di meccanismi fondamentali tra reti artificiali e naturali.”

Liao aggiunge che, pur non replicando esattamente il modo in cui il cervello apprende, la capacità di auto‑organizzarsi è un passo cruciale verso la plausibilità biologica. “L’auto‑organizzazione è il primo quadro di alto livello. Una volta consolidata, possiamo passare al passo successivo.”

Benefici reciproci

Sebbene l’obiettivo principale sia comprendere il cervello, le scoperte potrebbero migliorare anche i sistemi di machine learning, consentendo la progettazione di reti più efficienti o più “umane”.

Conclusioni

Lo studio dimostra che è possibile per una rete neurale artificiale costruire i propri meccanismi di apprendimento partendo da una struttura casuale e da regole di base ispirate alla biologia. Questo approccio apre nuove prospettive per la ricerca neuroscientifica, offrendo un modello più fedele a come il cervello si auto‑organizza, e al contempo fornisce spunti per sviluppare AI più robusta e interpretabile.