Google專長人工智慧的姊妹公司DeepMind Technologies執行長Demis Hassabis，透露該公司的遠大計畫是藉由解密人腦使用的演算法、架構、功能以及表徵(representation)，來解決目前開發人工智慧技術遭遇的問題。

目前沒有人對人工智慧(AI)神經網路的基本原理提出質疑，也就是透過突觸(synapse)連結的大腦神經元有不同的連線「權重」(weights)，當神經元經常被使用、其權重就會更強勁成長(即學習)，反之如果很少用就會萎縮(於是會遺忘)。舉例來說，歐盟的Blue Brain專案就是試圖在超級電腦上鉅細靡遺模擬人類大腦運作，期望藉此揭開例如帕金森氏症、阿茲海默症(失智症)等疾病的幕後成因，以及打造AI系統。

Hassabis認為，若我們想要看到AI晶片(總之不是活的有機體)，工程師就得搞懂人腦所使用的演算法、架構、功能與表徵。「從工程的角度來看，以上是最終解決方案；而為了達到我們的目標，生物贊同性(biological plausibility)只是指導，並非嚴格的要求；」Hassabis在同儕審查學術期刊《Cell》與共同作者發表的「神經科學啟發之人工智慧」(Neuroscience-Inspired Artificial Intelligence)一文中寫道：「我們感興趣的是對人腦在系統神經科學層面上的理解，也就是所利用的演算法、架構、功能以及表徵。」

Hassabis表示：「透過聚焦運算與演算層面，我們取得對大腦功能內部大致機制的可轉移見解，同時留下空間以容納在晶片內打造智慧機器時會出現的機會與挑戰。」舉例來說，在睡眠期間，大腦的海馬迴(hippocampus)會重播並重新關聯每天曾經發生過的、特別成功的學習經驗，讓長期記憶體能取得學習教訓，甚至只從單一實例。

簡單的機器學習演算法會用雜亂無章的不重要細節洗掉單一學習實例；而DeepMind則聲稱，能夠打造模仿實際人腦功能的機器學習演算法；如Hassabis與其他論文作者所言：「儲存在緩衝記憶體中的經驗，不只能被用來逐步調整深度網路參數以符合最佳化策略，也能支援根據個人體驗產生的快速行為變化。」

因為學習演算法傾向於以新知識覆蓋現有知識，使得讓神經元電腦學習多級(multistep)任務成為工程師們的棘手挑戰；對此上述論文的作者指出，最近的研究透過協同神經科學與工程的方法來解決這個難題。神經科學家對人腦突觸不穩定性(lability，也就是變化的變異率)的發現，為AI工程師提供了一種實現多級學習的新工具──他們在打造學習演算法時，設定了較早期任務的不穩定性，以防止較新的任務將之覆寫。

「神經科學的發現啟發了AI演算法的開發，透過設置一種具彈性的權重固化(consolidation)，克服了深度神經網路持續學習的挑戰；這種固化機制是透過減緩一組被定義為對先前任務很重要的網路權重子集中的學習來達成，因此能將那些參數固定在先前發現的解決方案。」論文作者表示：「這能允許在不增加網路流量的情況下進行多個任務的學習，而擁有相關聯架構的任務之間可有效分享權重。」

Hassabis與其他論文作者並指出：「要填補機器智慧與人類智慧之間的鴻溝，還有很多工作得做；在這方面，我們相信來自神經科學的一些想法，將會越來越不可或缺。」他們舉例了工程師透過重現生物機制實現AI多級學習的成功，並呼籲神經科學家與AI工程師並肩作戰，攜手解決或許可說是AI研究中最困難的挑戰──打造能進行分層規劃的代理(agent)，要真正具備創造性，而且能為目前人類也無解的挑戰提供解決方案。

然而也不是所有人都同意，只要能理解人腦的演算法、架構、功能與表徵，就能揭開人類擁有智慧的奧秘；有人認為，人腦的「編碼」(code)跟所有宇宙中的生命智慧都是相同的，就如同化學擁有通用的編碼，因此大腦的智慧編碼會是類似化學與物理學，在人體中交織的通用原理。

「我們需要透過對人類智慧的真實理解，才能破解人腦的編碼，這不能只靠電腦軟體；」身為神經科學家的瑞士AI軟體公司Starmind International創辦人Pascal Kaufmann表示：「就像物理學是宇宙中所有物理現象的編碼，人腦的編碼也會是根據自然界的通用原理。」他指出，在自然界有相同的原理一再出現，例如樹木的分枝與人體血管的靜脈/動脈就非常相似：「我們只需要問正確的問題。」