精确指出神经活动如何随着学习而变化不是黑白分明的。最近，一些人认为大脑中的学习或生物学习可以从优化的角度来考虑，这就是在计算机或机器人等人工网络中学习的方式。由卡内基梅隆大学和匹兹堡大学的研究人员共同撰写的一篇新观点文章将机器学习与生物学习联系起来，表明这两种方法不可互换，但可以用来为大脑如何工作提供有价值的见解。
“我们如何量化我们在大脑中看到的变化以及学习过程中受试者行为的变化，”生物医学工程、电气和计算机工程教授 Byron Yu 说。“事实证明，在机器学习和人工智能中，有一个完善的框架，可以在其中学习一些东西，称为优化。我们和该领域的其他人一直在思考大脑如何与这个框架进行比较，这是开发用于训练人工智能体进行学习。”
优化观点表明活动在学习过程中，大脑应该以数学上规定的方式发生变化，这类似于人工神经元在被训练驾驶机器人或下棋时，其活动如何以特定方式发生变化。
“我们有兴趣了解的一件事是学习过程如何随时间展开，而不仅仅是查看学习发生前后的快照，”最近获得博士学位的 Jay Hennig 解释说。毕业于卡内基梅隆大学神经计算和机器学习专业。“在这篇观点文章中，我们提供了三个主要的要点，这对于人们在思考为什么神经活动可能会在整个学习过程中发生变化的背景下很重要，而这些要点无法用优化来轻易解释。”
要点包括整个学习过程中神经可变性的不灵活性，即使在简单任务中也使用多个学习过程，以及存在与任务无关的大型活动变化。
匹兹堡大学生物工程教授亚伦·巴蒂斯塔 (Aaron Batista) 表示：“从人工学习代理的成功例子中汲取灵感，并假设大脑必须做任何事情，这很诱人。” “然而，人工学习系统和生物学习系统之间的一个具体区别是人工系统通常只做一件事，而且做得非常好。大脑中的活动完全不同，许多过程同时发生。我们和其他人已经观察到大脑中发生了一些机器学习模型尚无法解释的事情。”
卡内基梅隆大学和神经科学研究所生物医学工程教授 Steve Chase 补充说：“我们看到了一个主题建筑和未来的方向。通过关注神经科学可以为机器学习提供信息的这些领域，反之亦然，我们的目标是将它们联系起来到优化视图，最终在更深层次上了解学习如何在大脑中展开。”
这项工作是与匹兹堡大学生物工程研究教员 Emily Oby 和 Darby Losey 博士合着的。CMU神经计算和机器学习专业的学生。该小组的工作正在进行并与认知神经基础中心合作完成，这是卡内基梅隆大学和匹兹堡大学之间的跨大学研究和教育计划，利用每个机构的优势来研究导致认知和神经机制生物智能和行为。
