PNAS：生物突触如何通过自组织实现梯度学习

导语

大脑没有预先画好的学习蓝图，负责传递误差、调整突触的回路又是如何形成的？2026年9月10日发表于 PNAS 的一项研究提出“自组装学习”：让四类突触连接从随机状态出发，遵循局部可塑性规则，逐渐形成支持近似梯度学习的回路。这为理解大脑的学习机制提供了一个新思路——不仅连接强度可以通过学习改变，支持学习的回路本身也可能在局部互动中逐渐形成。

关键词：自组装学习、异突触可塑性、局部学习规则、误差反馈、梯度下降、生物神经网络

集智编辑团队丨作者

论文题目：How biological synapses self-assemble gradient learning 论文链接：https://www.pnas.org/doi/10.1073/pnas.2606245123 发表时间：2026年9月10日 论文来源：PNAS

当你第一次学骑自行车，身体会在一次次摇晃中调整动作。但在这些调整发生之前，大脑先要解决一个更基础的问题：怎样把“哪里出了错”的信息，送到需要改变的突触？

人工神经网络通常由设计者预先安排误差回传的路径，再通过反向传播调整连接。大脑里却没有一位拿着图纸的工程师。那么，支持学习的线路，能否也在神经元与突触的局部互动中逐渐形成？

《How biological synapses self-assemble gradient learning》把目光投向了这个问题。研究者构建了一个计算模型，探索随机连接如何在局部可塑性规则下逐步协调，形成能够支持近似梯度学习的回路。它追问的不只是“回路怎样学习”，还有“支持学习的回路从哪里来”。

不是“回路怎样学习”，⽽是“回路从哪⾥来”

⼈⼯神经⽹络常⽤反向传播：先把误差沿各层送回，再调整权重。它像⼀位总设计师，预先规定前向和反馈线路怎样对应。可⽣物脑没有这张蓝图。过去的脑启发算法，仍在学习前装好回路。

这项研究把问题翻过来：不问现成回路怎样学习，⽽问学习回路怎样出现。研究者称之为⾃组装学习，也就是只靠局部互动，让系统整体涌现学习能⼒。

图 1：⽣物合理性的⾃组织阶梯。根据论⽂图 1 重绘。

两条信息流，四类可塑连接

研究团队提出⾃组装回路基元。它有两条信息流：上⾏通路根据输⼊作出预测，下⾏通路传递误差。两条通路内部各有⼀类连接，之间还有两类交叉连接，共四类可塑突触。跨流连接只调节学习，不直接改写另⼀通路的活动，避免误差和感知互相污染。

图 2：双通路及四类连接的科普化示意。根据论⽂图 2 重绘；为便于阅读，仅画出⼀个基元，真实模型可在多层中重复堆叠。

局部“邻⾥协商”，涌现整体秩序

所有连接从随机开始，统⼀听从异突触可塑性规则。这个名字的意思是：⼀个突触是否增强，不只取决于⾃⼰两端的信号，还受同⼀神经元上其他突触影响。像邻⾥协商：每户只看附近动静，却慢慢形成有秩序的道路。

关键在于，连接不再预先⼀⼀配对。学习时，对应交叉通路的错位会按理论预测指数缩⼩；两条信息流逐渐对⻬，误差通路也像⾃⼰⻓出来⼀样。这就是从随机连接到学习回路的第⼀层⾃组装。

不是照抄反向传播，⽽是近似⼴义梯度下降

把这些基元逐层堆叠后，研究者证明，在对⻬误差⾜够⼩等条件下，整体更新近似⼀种⼴义随机梯度下降。它不是照抄反向传播，连有效学习率也是由连接形成的矩阵，⽽⾮⼈⼯设定的单⼀数字。

已经证明：跨流连接错位在匹配学习率等条件下指数衰减。

仍有条件：完整通路的对⻬误差要⾜够⼩；其普遍收敛性并未由学习 规则单独保证。

七个数据集上的同级表现

实验覆盖⼿写数字、街景数字、⾃然图像和医学影像等七个数据集。⾃组装⽹络取得与反向传播同级的分类表现，在其中六个数据集上略⾼，只有⼀个低0.05%。消融实验还显示，四类连接都可塑，效果最好。

突破不只是⼜找到⼀种学习算法，⽽是把⽣物合理性从⼀张禁⽤清单，变成⾃组织程度的阶梯：权重是否⾃⼰形成？调节权重的回路是否也能⾃⼰形成？它把问题向更底层推进了⼀步。

它没有证明⼤脑就是这样学习。模型仍给定两条通路和误差⼊⼝；整体通路对⻬主要靠实验观察，深层⽹络也可能失稳；离散时间的计算顺序，也还不是完整的实时⽣物物理模型。

下⼀步，需要在真实脑组织中寻找四类可塑连接，检验反馈通路是否更多，并发展连续时间版本。若这些预测得到验证，我们或许能把脑科学与机器学习连到同⼀个基本机制上。

计算神经科学第三季读书会

从单个神经元的放电到全脑范围的意识涌现，理解智能的本质与演化始终是一个关于尺度的问题。更值得深思的是，无论是微观的突触可塑性、介观的皮层模块自组织，还是宏观的全局信息广播，不同尺度的动力学过程都在共同塑造着认知与意识。这说明，对心智的研究从最初就必须直面一个核心挑战：局部的神经活动如何整合为统一的体验？局域的网络连接又如何支撑灵活的智能行为？

继「」与「」读书会后，集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起，跨越微观、介观与宏观的视角，探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学，以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。

详情请见：

1.

2.

3.

4.

5.

6.

7.