Comece com um emaranhado de conexões feitas ao acaso. Nenhuma delas sabe o que é um gato, uma fronteira entre regiões numa foto ou um padrão que se repete. Depois aplique apenas regras simples sobre quando cada conexão deve se fortalecer ou enfraquecer. Ao fim do processo, esse bolo de fios desorganizado virou uma rede capaz de reconhecer padrões e classificar imagens, com desempenho parecido ao das redes neurais que sustentam a inteligência artificial atual.
É o que descreve um estudo publicado na PNAS (abre em nova aba) em 9 de outubro de 2026 por cientistas do McGovern Institute for Brain Research e do centro K. Lisa Yang Integrative Computational Neuroscience (ICoN), ambos do MIT. A alegação central é forte: uma rede neural artificial pode construir sozinha a própria "maquinária" de aprendizado, sem que um projetista desenhe essa maquinaria antes.
O problema que o grupo atacou é outro, e talvez mais fundo. Os modelos existentes explicam como um circuito já pronto aprende, mas não como a biologia montou esse circuito em primeiro lugar. Os autores deram a essa questão um nome, Self-Assembling Learning (aprendizado por auto-montagem): o estudo de como sistemas que aprendem podem surgir de interações locais e distribuídas, em vez de um projeto global.
Quem fez o estudo e como ele foi avaliado
O artigo tem como primeiros autores Qianli Liao, pesquisador de pós-doutorado do centro ICoN, e Liu Ziyin, cientista pesquisador do MIT, junto com a estudante de doutorado Yulu Gan. Assinam também Brian Cheung, o neurocientista Mark Harnett e Tomaso Poggio, professor do MIT e figura de longa data da área. O trabalho passou pela revisão por pares da PNAS: foi submetido em 20 de fevereiro de 2026 e aceito em 18 de agosto, com edição de Terrence Sejnowski, do Salk Institute. Uma versão anterior circulava no servidor de pré-publicações arXiv (abre em nova aba) desde dezembro de 2024, então sob outro título.
Isso importa porque distingue o achado de um anúncio solto. O resultado central vem acompanhado de demonstração matemática: os autores provam que redes compostas desses blocos implementam, dentro de um erro de aproximação mensurável, uma forma generalizada da descida de gradiente estocástica, o método matemático por trás da retropropagação. A prova vale nas condições declaradas no artigo, não em qualquer configuração imaginável.
O que a rede faz na prática
O bloco de construção do sistema recebe o nome de Self-Assembling Motif (SAM), ou motivo de auto-montagem. Cada SAM é um pequeno circuito com quatro vias de conexão entre dois fluxos de informação que interagem entre si. Tudo é governado por regras locais de plasticidade heterossináptica, um termo que vale explicar.
Plasticidade é a capacidade das conexões entre neurônios (as sinapses) de mudar de força com a experiência. A regra popular "neurônios que disparam juntos, conectam-se" é o exemplo clássico, mas ela é homossináptica: olha para uma sinapse de cada vez. Na plasticidade heterossináptica, a mudança de uma sinapse depende do que acontece nas sinapses vizinhas, como se cada ponto da rede sentisse o movimento dos vizinhos antes de se ajustar.
A auto-montagem acontece em duas escalas. Na menor, o SAM emerge de uma conectividade inicialmente aleatória sob essas regras. Na maior, quando muitos SAMs são compostos em camadas hierárquicas, o conjunto se reorganiza até produzir dinâmicas que aproximam a descida de gradiente estocástica. Em termos práticos: a rede inventa, por conta própria, um método de aprendizado equivalente ao que os engenheiros costumam programar.
Nas demonstrações, redes governadas por regras como "neurônios que disparam juntos, conectam-se" aprenderam a reconhecer padrões e classificar imagens. Em comparação com redes projetadas para aprender por retropropagação, o desempenho ficou em patamar semelhante, segundo o próprio artigo.
A ponte com o cérebro: fato, analogia ou hipótese?
Aqui é preciso separar camadas. O que está demonstrado é matemático e experimental: nas condições do estudo, regras locais e simples bastam para que circuitos aleatórios se organizem em máquinas de aprendizado eficientes. O que é hipótese é a extensão disso ao cérebro.
Os autores argumentam que o aprendizado no cérebro teria de surgir de processos locais, nas sinapses e nos circuitos, e não de uma planta baixa desenhada de fora. Se isso estiver certo, o SAM oferece um modelo de como a natureza poderia ter construído essas máquinas, além de previsões testáveis sobre a organização de circuitos no córtex cerebral. Poggio resume o tamanho do prêmio em questão:
"Se os motivos sinápticos que propomos forem de fato usados pelo cérebro para fazer o que a retropropagação faz para as redes neurais artificiais, então teremos uma conexão forte, no nível dos mecanismos fundamentais, entre redes artificiais e naturais."
O próprio Liao, porém, faz a ressalva central: o fato de uma rede auto-organizada aprender não significa que ela aprenda da mesma forma que o cérebro. O paralelo é uma pista de pesquisa, não um resultado confirmado sobre biologia.
O que ainda não se sabe
As informações publicadas vêm do grupo do MIT. Não há, nas informações publicadas até agora, replicação independente por outros laboratórios do mecanismo completo, embora a parte matemática da prova seja verificável por terceiros. A confirmação de que o cérebro usa algo parecido dependeria de experimentos em sistemas biológicos, que ainda não existem.
Há também uma condição declarada pelos autores: o SAM não é livre de premissas. Ele pressupõe a existência de dois fluxos de informação em interação, com efeitos moduladores (que regulam, mas não carregam o sinal principal) entre eles. Em biologia, essa arquitetura é plausível, mas o estudo não demonstra que ela esteja lá funcionando assim.
Mesmo com as ressalvas, o resultado muda um ponto de referência para o campo. Até agora, a resposta padrão à pergunta "como o cérebro aprende sem retropropagação?" era procurar mecanismos alternativos desenhados um a um. O estudo sugere que a pergunta pode estar mal formulada: talvez o mecanismo não precise ser desenhado, porque regras locais suficientemente simples o montam sozinhas. Para quem constrói inteligência artificial, é uma pista sobre sistemas que se configuram com menos engenharia explícita. Para quem estuda o cérebro, é um alvo concreto para testar em circuitos reais.
O próximo passo é saber se sinapses de verdade obedecem a regras heterossinápticas organizadas o bastante para montar motivos como o SAM. Se alguém encontrar isso dentro de um córtex, a analogia entre redes artificiais e naturais deixa de ser poesia e vira mecanismo. Se não encontrar, a descoberta continua válida como engenharia, e o cérebro guardará seus segredos por outros caminhos.
Perguntas frequentes
O que exatamente a rede neural fez de novo?
Ela partiu de conexões aleatórias e, guiada apenas por regras locais de mudança sináptica, se reorganizou em um sistema que aprende por um método equivalente à retropropagação. Ou seja, não aprendeu só: construiu o próprio mecanismo de aprendizado, algo que antes era definido pelos projetistas.
A rede "inventou" a retropropagação sozinha?
Ela produziu dinâmicas que, segundo a demonstração matemática dos autores, aproximam uma forma generalizada da descida de gradiente estocástica, o cálculo por trás da retropropagação. Não é cópia idêntica do algoritmo convencional, mas um equivalente funcional emergido da auto-organização, dentro das condições declaradas no estudo.
Isso prova que o cérebro aprende assim?
Não. O paralelo com o cérebro é hipótese, como o próprio coautor Qianli Liao adverte: uma rede auto-organizada não necessariamente aprende da mesma forma que o cérebro. O estudo oferece um mecanismo plausível e previsões testáveis sobre circuitos cerebrais, mas não demonstrações biológicas.
Onde é possível ler o artigo original?
O trabalho "How Biological Synapses Self-Assemble Gradient Learning" foi publicado em 9 de outubro de 2026 na PNAS, revista científica revisada por pares, e uma versão em texto completo está disponível no arXiv. O que resta saber é se o córtex, no fim das contas, joga pelo mesmo manual.