每當(dāng)人類(lèi)或者機(jī)器學(xué)會(huì)更好地完成一項(xiàng)任務(wù)時(shí)，都會(huì)留下一系列證據(jù)。一系列物理變化——大腦中的細(xì)胞或算法中的數(shù)值——是提高表現(xiàn)的基礎(chǔ)。但系統(tǒng)如何準(zhǔn)確地確定要進(jìn)行哪些調(diào)整可不是一件小事。它被稱(chēng)為可信度賦值問(wèn)題（credit assignment problem），大腦或者人工智能系統(tǒng)必須找出管線中哪些部分應(yīng)對(duì)錯(cuò)誤負(fù)責(zé)，然后對(duì)其進(jìn)行必要的修改。簡(jiǎn)單說(shuō)：這是一個(gè)問(wèn)責(zé)游戲，找出是誰(shuí)的過(guò)錯(cuò)。

　　AI 工程師用被稱(chēng)為反向傳播(backpropagation)的算法解決了機(jī)器的可信度賦值問(wèn)題，該算法在 1986 年由 Geoffrey Hinton、David Rumelhart 和  Ronald Williams 的工作推廣開(kāi)來(lái)。現(xiàn)在它是最成功的人工智能系統(tǒng)——深度神經(jīng)網(wǎng)絡(luò)（在輸入層和輸出層之間隱藏若干人工神經(jīng)元層）學(xué)習(xí)的主要驅(qū)動(dòng)力。根據(jù)發(fā)表在《Nature Neuroscience》期刊上的一篇論文，科學(xué)家現(xiàn)在可能終于在活著的大腦中找到了與之對(duì)等可實(shí)時(shí)工作的模型。

　　由渥太華大學(xué) Richard Naud 與麥吉爾大學(xué)和 Mila AI 研究所 Blake Richards 領(lǐng)導(dǎo)的一組研究人員發(fā)現(xiàn)了一種大腦學(xué)習(xí)算法的新模型，該模型可以模擬反向傳播過(guò)程。它看起來(lái)非常逼真，以至于引起了實(shí)驗(yàn)神經(jīng)科學(xué)家們注意，科學(xué)家現(xiàn)在對(duì)研究真正的神經(jīng)元非常有興趣，希望了解大腦是否真的這樣做。柏林洪堡大學(xué)的實(shí)驗(yàn)神經(jīng)科學(xué)家 Matthew Larkum 表示：“理論性的想法可以推動(dòng)我們進(jìn)行困難的實(shí)驗(yàn)，在我看來(lái)這篇論文已經(jīng)超越了這一標(biāo)準(zhǔn)……它具有生物學(xué)意義上的合理性，而且可能會(huì)產(chǎn)生很大的影響。”