精確指出神經活動如何隨着學習而變化不是黑白分明的。最近，一些人認為大腦中的學習或生物學習可以從優化的角度來考慮，這就是在計算機或機械人等人工網絡中學習的方式。由卡內基梅隆大學和匹茲堡大學的研究人員共同撰寫的一篇新觀點文章將機器學習與生物學習聯繫起來，表明這兩種方法不可互換，但可以用來為大腦如何工作提供有價值的見解。
「我們如何量化我們在大腦中看到的變化以及學習過程中受試者行為的變化，」生物醫學工程、電氣和計算機工程教授 Byron Yu 說。「事實證明，在機器學習和人工智能中，有一個完善的框架，可以在其中學習一些東西，稱為優化。我們和該領域的其他人一直在思考大腦如何與這個框架進行比較，這是開發用於訓練人工智能體進行學習。」
優化觀點表明活動在學習過程中，大腦應該以數學上規定的方式發生變化，這類似於人工神經元在被訓練駕駛機械人或下棋時，其活動如何以特定方式發生變化。
「我們有興趣了解的一件事是學習過程如何隨時間展開，而不僅僅是查看學習發生前後的快照，」最近獲得博士學位的 Jay Hennig 解釋說。畢業於卡內基梅隆大學神經計算和機器學習專業。「在這篇觀點文章中，我們提供了三個主要的要點，這對於人們在思考為什麼神經活動可能會在整個學習過程中發生變化的背景下很重要，而這些要點無法用優化來輕易解釋。」
要點包括整個學習過程中神經可變性的不靈活性，即使在簡單任務中也使用多個學習過程，以及存在與任務無關的大型活動變化。
匹茲堡大學生物工程教授亞倫·巴蒂斯塔 (Aaron Batista) 表示：「從人工學習代理的成功例子中汲取靈感，並假設大腦必須做任何事情，這很誘人。」 「然而，人工學習系統和生物學習系統之間的一個具體區別是人工系統通常只做一件事，而且做得非常好。大腦中的活動完全不同，許多過程同時發生。我們和其他人已經觀察到大腦中發生了一些機器學習模型尚無法解釋的事情。」
卡內基梅隆大學和神經科學研究所生物醫學工程教授 Steve Chase 補充說：「我們看到了一個主題建築和未來的方向。通過關注神經科學可以為機器學習提供信息的這些領域，反之亦然，我們的目標是將它們聯繫起來到優化視圖，最終在更深層次上了解學習如何在大腦中展開。」
這項工作是與匹茲堡大學生物工程研究教員 Emily Oby 和 Darby Losey 博士合著的。CMU神經計算和機器學習專業的學生。該小組的工作正在進行並與認知神經基礎中心合作完成，這是卡內基梅隆大學和匹茲堡大學之間的跨大學研究和教育計劃，利用每個機構的優勢來研究導致認知和神經機制生物智能和行為。
