Dans un article publié le 9 octobre dans la revue PNAS, des scientifiques du McGovern Institute for Brain Research et du K. Lisa Yang Integrative Computational Neuroscience Center du MIT avancent qu'un critère crucial de plausibilité biologique pour un réseau neuronal artificiel réside dans sa capacité à s'organiser lui-même, sans l'intervention d'un développeur. Selon eux, un ensemble d'unités reliées aléatoirement peut, à partir de consignes simples sur la manière et le moment de modifier les connexions, se restructurer en un réseau efficace de traitement de l'information.

Les chercheurs rappellent que les ingénieurs conçoivent généralement les règles de modification des connexions, une approche puissante pour l'IA mais qui, selon eux, éclaire peu l'apprentissage biologique, le cerveau ne disposant pas de concepteur externe. Leur réseau, fondé notamment sur le principe selon lequel des neurones activés simultanément renforcent leur connexion, a appris à reconnaître des motifs et à classer des images. Des motifs auto-assemblés serviraient de briques fonctionnelles, avec une optimisation proche de la descente de gradient. Le réseau a obtenu des performances similaires à celles de réseaux conçus pour apprendre par rétropropagation.

Les auteurs présentent l'auto-organisation comme un point de départ pour évaluer la plausibilité biologique, sans affirmer que ce réseau apprend comme le cerveau. Tomaso Poggio estime qu'un parallèle biologique à la rétropropagation pourrait rapprocher machines et cerveaux. L'objectif principal reste de mieux comprendre le cerveau, avec des retombées potentielles pour l'apprentissage automatique.