Нейросеть планирует и воображает как мозг: работа в Nature Machine Intelligence

Исследователи под руководством Lin с коллегами 21 июля 2026 года опубликовали в журнале Nature Machine Intelligence генеративную модель, вдохновлённую работой мозга: она планирует действия и решает задачи, опираясь на когнитивные карты и обучаясь только за счёт локальной синаптической пластичности.

На чём построена модель

Модель Lin и коллег соединяет три механизма, каждый из которых заимствован из нейробиологии. В основе — когнитивные карты, внутренние представления среды, по которым система «прокладывает маршрут» к цели ещё до реального действия.

• Публикация — 21 июля 2026 года, журнал Nature Machine Intelligence (DOI 10.1038/s42256-026-01254-4)
• Авторы — Lin и коллеги (Lin et al.)
• Три опоры модели: когнитивные карты, стохастические вычисления, композиционное кодирование
• Обучение — только локальная синаптическая пластичность, без глобального обратного распространения ошибки
• Две функции интеллекта: планирование и решение задач

Стохастические вычисления означают, что модель работает через случайную выборку (нейронный сэмплинг): она не выдаёт один жёсткий ответ, а перебирает возможные варианты будущего. Композиционное кодирование позволяет собирать новые сцены и планы из знакомых элементов — так же, как человек воображает ситуацию, в которой никогда не был.

Чем это отличается от обычных нейросетей

Модель Lin и коллег отличается от большинства нейросетей способом обучения. Современные системы учатся методом обратного распространения ошибки (backpropagation), который требует глобального доступа ко всем весам сети и биологически неправдоподобен. Здесь же каждая связь обновляется по локальному правилу — на основе сигналов ближайших соседей, как это, предположительно, происходит в живом мозге.

Локальное обучение делает архитектуру и ближе к биологии, и потенциально экономнее для нейроморфного железа, где глобальные операции дороги. По формулировке авторов, модель даёт сразу две ключевые черты интеллекта — то, что обычные генеративные системы имитируют лишь частично.

«Модель обеспечивает две ключевые черты интеллекта: планирование и решение задач», — из статьи

Lin et al. в Nature Machine Intelligence.

Что такое целенаправленное воображение

Целенаправленное воображение — это способность модели мысленно «проигрывать» пути к заданной цели. Вместо того чтобы просто реагировать на текущий вход, система сэмплирует возможные последовательности действий из когнитивной карты и выбирает те, что ведут к цели.

Такой подход сближает планирование в машинах с тем, как действует мозг: сначала воображаемый маршрут, потом реальный шаг. Именно связка из трёх элементов — когнитивная карта, стохастический сэмплинг и локальное обучение — отличает эту работу от чисто инженерных планировщиков, которые не претендуют на биологическую достоверность и обычно опираются на глобальное обучение.

Что это значит

Работа Lin и коллег — шаг к нейросетям, которые планируют и воображают по принципам мозга, а не только распознают паттерны. Сочетание локального обучения и стохастического вывода хорошо ложится на энергоэффективные нейроморфные чипы и робототехнику, где две заявленные функции — планирование и решение задач — ценятся особенно высоко.