DeepMind的远大计划是借助解密人脑使用的算法、架构、功能以及表征，来解决目前开发人工智能技术遭遇的问题。

　　Google专长人工智能的姊妹公司DeepMind Technologies执行官Demis Hassabis，透露该公司的远大计划是借助解密人脑使用的算法、架构、功能以及表征(representation)，来解决目前开发人工智能技术遭遇的问题。

　　目前没有人对人工智能(AI)神经网络的基本原理提出质疑，也就是透过突触(synapse)连结的大脑神经元有不同的联机“权重”(weights)，当神经元经常被使用、其权重就会更强劲成长(即学习)，反之如果很少用就会萎缩(于是会遗忘)。举例来说，欧盟的Blue Brain项目就是试图在超级计算机上巨细靡遗模拟人类大脑运作，期望藉此揭开例如帕金森氏症、阿兹海默症(失智症)等疾病的幕后成因，以及打造AI系统。

　　Hassabis认为，若我们想要看到AI芯片(总之不是活的有机体)，工程师就得搞懂人脑所使用的算法、架构、功能与表征。“从工程的角度来看，以上是最终解决方案;而为了达到我们的目标，生物赞同性(biological plausibility)只是指导，并非严格的要求;”Hassabis在同侪审查学术期刊《Cell》与共同作者发表的“神经科学启发之人工智能”(Neuroscience-Inspired Artificial Intelligence)一文中写道：“我们感兴趣的是对人脑在系统神经科学层面上的理解，也就是所利用的算法、架构、功能以及表征。”

　　Hassabis表示：“透过聚焦运算与演算层面，我们取得对大脑功能内部大致机制的可转移见解，同时留下空间以容纳在芯片内打造智能机器时会出现的机会与挑战。”举例来说，在睡眠期间，大脑的海马回(hippocampus)会回放并重新关联每天曾经发生过的、特别成功的学习经验，让长期内存能取得学习教训，甚至只从单一实例。

　　简单的机器学习算法会用杂乱无章的不重要细节洗掉单一学习实例;而DeepMind则声称，能够打造模仿实际人脑功能的机器学习算法;如Hassabis与其他论文作者所言：“储存在缓冲存储器中的经验，不只能被用来逐步调整深度网络参数以符合优化策略，也能支持根据个人体验产生的快速行为变化。”

　　因为学习算法倾向于以新知识覆盖现有知识，使得让神经元计算机学习多级(multistep)任务成为工程师们的棘手挑战;对此上述论文的作者指出，最近的研究透过协同神经科学与工程的方法来解决这个难题。神经科学家对人脑突触不稳定性(lability，也就是变化的变异率)的发现，为AI工程师提供了一种实现多级学习的新工具──他们在打造学习算法时，设定了较早期任务的不稳定性，以防止较新的任务将之覆写。

　　“神经科学的发现启发了AI算法的开发，透过设置一种具弹性的权重固化(consolidation)，克服了深度神经网络持续学习的挑战;这种固化机制是透过减缓一组被定义为对先前任务很重要的网络权重子集中的学习来达成，因此能将那些参数固定在先前发现的解决方案。”论文作者表示：“这能允许在不增加网络流量的情况下进行多个任务的学习，而拥有相关联架构的任务之间可有效分享权重。”

　　Hassabis与其他论文作者并指出：“要填补机器智慧与人类智慧之间的鸿沟，还有很多工作得做;在这方面，我们相信来自神经科学的一些想法，将会越来越不可或缺。”他们举例了工程师透过重现生物机制实现AI多级学习的成功，并呼吁神经科学家与AI工程师并肩作战，携手解决或许可说是AI研究中最困难的挑战──打造能进行分层规划的代理(agent)，要真正具备创造性，而且能为目前人类也无解的挑战提供解决方案。

　　然而也不是所有人都同意，只要能理解人脑的算法、架构、功能与表征，就能揭开人类拥有智慧的奥秘;有人认为，人脑的“编码”(code)跟所有宇宙中的生命智慧都是相同的，就如同化学拥有通用的编码，因此大脑的智能编码会是类似化学与物理学，在人体中交织的通用原理。

　　Starmind International创办人Pascal Kaufmann认为，人脑的编码应该不像是算法，因为人脑并不同于计算机

　　“我们需要透过对人类智慧的真实理解，才能破解人脑的编码，这不能只靠计算机软件;”身为神经科学家的瑞士AI软件公司Starmind International创办人Pascal Kaufmann表示：“就像物理学是宇宙中所有物理现象的编码，人脑的编码也会是根据自然界的通用原理。”他指出，在自然界有相同的原理一再出现，例如树木的分枝与人体血管的静脉/动脉就非常相似：“我们只需要问正确的问题。”