根據 MIT News 於 2026 年 10 月 13 日的報導，一項發表於《美國國家科學院院刊》（PNAS，2026 年 10 月 9 日）的研究指出，受共享可塑性規則支配的隨機互連類神經元單元，能夠自組裝出學習模體（learning motifs），並進行模式辨識與影像分類。報導中提到的比較結果顯示，該方法在測試中的表現與經反向傳播訓練的神經網路相似。該研究的核心區別在於：並非直接設計學習電路，而是指定局部規則，讓學習機制從中自行組織。作者明確警告，這種自組織現象並不代表大腦使用此機制；其動機在於生物合理性，而非作為大規模模型中反向傳播的替代品證據。評估該結果時，除了分類準確率外，模體在不同初始連接下的穩定性，以及超出已展示任務的擴展能力，仍是值得關注的問題。

事件背景

原始來源僅提供 MIT News 報導連結及 PNAS 論文連結，未提供關於標準深度學習反向傳播機制細節、回饋對齊或其他生物合理性學習替代方案的具體文字描述。因此，無法從提供的來源文字中證實背景段落中關於「反向傳播需要精確全域誤差信號」、「生物神經元中不存在非局部信用分配」或「回饋對齊試圖模擬突觸調整」等具體技術定義與比較細節。