Realistic depiction of a rhesus macaque in a Princeton lab with brain overlay showing prefrontal cortex assembling reusable cognitive 'Lego' modules for flexible learning.
Realistic depiction of a rhesus macaque in a Princeton lab with brain overlay showing prefrontal cortex assembling reusable cognitive 'Lego' modules for flexible learning.
Gambar dihasilkan oleh AI

Studi Princeton ungkap 'Lego kognitif' otak yang dapat digunakan kembali untuk pembelajaran fleksibel

Gambar dihasilkan oleh AI
Fakta terverifikasi

Neuroscientist di Universitas Princeton melaporkan bahwa otak mencapai pembelajaran fleksibel dengan menggunakan kembali komponen kognitif modular di berbagai tugas. Dalam eksperimen dengan monyet rhesus, peneliti menemukan bahwa korteks prefrontal merakit 'Lego kognitif' yang dapat digunakan kembali ini untuk menyesuaikan perilaku dengan cepat. Temuan tersebut, yang diterbitkan pada 26 November di Nature, menekankan perbedaan dengan sistem AI saat ini dan pada akhirnya dapat menginformasikan pengobatan untuk gangguan yang merusak pemikiran fleksibel.

Peneliti di Universitas Princeton menyelidiki mengapa otak biologis beradaptasi dengan tugas baru lebih efektif daripada banyak sistem kecerdasan buatan. Dalam studi baru, mereka melaporkan bahwa otak berulang kali menggunakan kembali pola saraf bersama, atau 'blok' kognitif, untuk membangun perilaku kompleks daripada mempelajari setiap tugas dari awal.

Menurut laporan Princeton tentang pekerjaan tersebut, yang diterbitkan pada 26 November 2025 di jurnal Nature, tim melatih dua monyet rhesus jantan untuk melakukan tiga tugas kategorisasi visual terkait sambil merekam aktivitas otak.

Dalam tugas-tugas tersebut, monyet melihat gumpalan berwarna seperti balon di layar dan harus menilai apakah setiap bentuk lebih mirip kelinci atau huruf 'T' (kategorisasi bentuk) atau apakah tampak lebih merah atau lebih hijau (kategorisasi warna). Untuk menunjukkan pilihan mereka, hewan-hewan tersebut melaporkan keputusan dengan melihat ke salah satu dari empat arah di layar. Dalam satu tugas, misalnya, melihat ke kiri menandakan bahwa gumpalan itu mirip kelinci, sementara melihat ke kanan menunjukkan bahwa itu lebih mirip 'T'. Beberapa gambar jelas satu kategori atau lainnya, sementara yang lain ambigu dan memerlukan penilaian lebih halus.

Fitur kunci dari desain tersebut adalah setiap tugas memiliki aturan berbeda tetapi masih berbagi elemen dengan yang lain. Salah satu tugas warna dan tugas bentuk memerlukan pemetaan yang sama antara gerakan mata dan pilihan, sementara kedua tugas warna menggunakan aturan yang sama untuk menilai warna (lebih merah vs lebih hijau) tetapi memerlukan respons gerakan mata yang berbeda. Struktur ini memungkinkan peneliti untuk menguji apakah otak menggunakan kembali pola saraf yang sama – blok bangunan kognitifnya – setiap kali tugas berbagi komponen spesifik.

Analisis aktivitas otak menunjukkan pola berulang di korteks prefrontal, wilayah di depan otak yang terlibat dalam kognisi lebih tinggi dan pengambilan keputusan. Pola ini muncul ketika kelompok neuron bekerja sama menuju tujuan bersama, seperti membedakan warna, dan dapat dikombinasikan secara fleksibel dengan pola lain untuk mendukung tugas berbeda.

«Model AI tercanggih dapat mencapai kinerja manusia, atau bahkan super-manusia, pada tugas individu. Tetapi mereka kesulitan belajar dan melakukan banyak tugas berbeda», kata Tim Buschman, Ph.D., penulis senior studi dan direktur associate Princeton Neuroscience Institute. «Kami menemukan bahwa otak fleksibel karena dapat menggunakan kembali komponen kognisi dalam banyak tugas berbeda. Dengan menyambungkan 'Lego kognitif' ini, otak mampu membangun tugas baru».

Buschman membandingkan blok kognitif dengan fungsi dalam program komputer: satu set neuron mungkin menentukan warna gambar, dan keluarannya kemudian dapat masuk ke blok lain yang memandu aksi seperti gerakan mata tertentu. Untuk salah satu tugas warna, misalnya, otak merakit blok yang mengevaluasi warna dengan blok lain yang mengendalikan arah pandangan. Ketika hewan beralih ke menilai bentuk sambil menggunakan gerakan mata serupa, otak justru mengombinasikan blok pemrosesan bentuk dengan blok gerakan yang sama.

Penulis utama Sina Tafazoli, Ph.D., peneliti pascadoktor di lab Buschman, mengatakan korteks prefrontal juga tampak menekan blok tidak relevan, membantu hewan fokus pada tujuan saat ini. «Otak memiliki kapasitas terbatas untuk kontrol kognitif», kata Tafazoli. «Anda harus mengompresi beberapa kemampuan Anda agar dapat fokus pada yang saat ini penting. Fokus pada kategorisasi bentuk, misalnya, sementara mengurangi kemampuan mengkode warna karena tujuannya adalah diskriminasi bentuk, bukan warna».

Peneliti menafsirkan organisasi komposisional ini – merakit perilaku baru dari komponen saraf yang dapat digunakan kembali – sebagai alasan utama mengapa manusia dan hewan lain dapat belajar tugas baru dengan cepat. Sebaliknya, banyak sistem pembelajaran mesin menderita 'gangguan katastrofik', di mana memperoleh keterampilan baru menimpa yang lama. «Ketika mesin atau jaringan saraf belajar sesuatu yang baru, mereka lupa dan menimpa ingatan sebelumnya», kata Tafazoli.

Menurut laporan Princeton dan liputan terkait studi, memahami bagaimana otak menggunakan kembali dan menggabungkan blok kognitif ini dapat membantu insinyur merancang sistem AI yang belajar tugas baru tanpa menghapus pengetahuan sebelumnya. Prinsip yang sama mungkin pada akhirnya memandu pendekatan klinis untuk kondisi seperti skizofrenia, gangguan obsesif-kompulsif, dan beberapa bentuk cedera otak, di mana orang sering kesulitan mengubah strategi atau menerapkan keterampilan yang ada dalam konteks baru.

Pendanaan untuk penelitian disediakan oleh National Institutes of Health AS, termasuk hibah R01MH129492 dan 5T32MH065214.

Apa yang dikatakan orang

Diskusi di X memuji penemuan studi Princeton tentang 'Lego kognitif' yang dapat digunakan kembali di korteks prefrontal yang memungkinkan pembelajaran fleksibel pada primata, lebih unggul dari AI saat ini. Reaksi menekankan implikasi untuk meningkatkan AI menghindari pelupaan katastrofik dan terapi potensial untuk gangguan kognitif. Postingan berengagement tinggi dari sumber resmi, neuroscientist, dan outlet berita menyatakan kegembiraan tanpa skeptisisme yang mencolok.

Artikel Terkait

Illustration of glowing whole-brain neural networks coordinating efficiently, representing a University of Notre Dame study on general intelligence.
Gambar dihasilkan oleh AI

Study points to whole-brain network coordination as a key feature of general intelligence

Dilaporkan oleh AI Gambar dihasilkan oleh AI Fakta terverifikasi

University of Notre Dame researchers report evidence that general intelligence is associated with how efficiently and flexibly brain networks coordinate across the whole connectome, rather than being localized to a single “smart” region. The findings, published in Nature Communications, are based on neuroimaging and cognitive data from 831 Human Connectome Project participants and an additional 145 adults from the INSIGHT Study.

Researchers at the Institute of Science and Technology Austria have found that the brain's memory center, the hippocampus, begins life with a dense, seemingly random network of connections rather than a blank slate. This network refines itself through pruning, becoming more organized and efficient over time. The discovery challenges the traditional tabula rasa concept.

Dilaporkan oleh AI

Three rhesus macaque monkeys equipped with brain-computer interfaces navigated virtual environments using only their thoughts. Researchers implanted around 300 electrodes in motor and premotor cortex areas to enable this control. The experiments aim to improve intuitive control for people with paralysis.

Researchers at Korea University have developed a dual-output artificial synapse to boost the energy efficiency of multitasking AI systems, the university announced. The device emits both electrical and optical signals simultaneously to enable parallel processing. Tests showed up to 47 percent faster computation and energy use reduced by as much as 32 times compared to conventional GPU hardware.

Dilaporkan oleh AI Fakta terverifikasi

A new model from linguists Richard Futrell and Michael Hahn suggests that many hallmark features of human language—such as familiar words, predictable ordering and meaning built up step by step—reflect constraints on sequential information processing rather than a drive for maximum data compression. The work was published in Nature Human Behaviour.

Situs web ini menggunakan cookie

Kami menggunakan cookie untuk analisis guna meningkatkan situs kami. Baca kebijakan privasi kami untuk informasi lebih lanjut.
Tolak