确定神经活动如何随着学习而变化绝非非黑即白。最近，一些人提出，大脑中的学习，或生物学习，可以从优化的角度来考虑，这是学习如何在计算机或机器人等人工网络中发生的。卡耐基梅隆大学(Carnegie Mellon University)和匹兹堡大学(University of Pittsburgh)的研究人员共同撰写了一篇新的观点文章，将机器学习与生物学习联系起来，表明这两种方法是不可互换的，但可以利用它们来提供有关大脑如何工作的有价值的见解。
生物医学工程、电子和计算机工程教授拜伦·余(Byron Yu)说:“在学习过程中，我们如何量化大脑和受试者行为的变化是不断发展的。”“事实证明，在机器学习和人工智能中，有一个非常成熟的框架，可以让一些东西在其中学习，这就是所谓的优化。我们和该领域的其他人一直在思考，大脑是如何与这个框架相比较的，这个框架是用来训练人工智能的。”
优化观点认为，在学习过程中，大脑的活动应该按照数学规定的方式改变，类似于人工神经元的活动在训练驾驶机器人或下国际象棋时的特定方式变化。
“我们有兴趣了解的一件事是，学习过程是如何随着时间的推移而展开的，而不仅仅是学习发生之前和之后的快照，”卡内基梅隆大学(Carnegie Mellon)神经计算和机器学习专业的博士研究生杰伊·亨尼格(Jay Hennig)解释说。“在这篇观点文章中，我们提供了三个主要的结论，这对于人们在思考为什么神经活动可能在学习过程中发生变化时很重要，而这不能轻易地用优化来解释。”
研究发现，在整个学习过程中，神经可变性是不灵活的，即使是在简单的任务中，也会使用多个学习过程，以及存在较大的任务非特定活动变化。
匹兹堡大学生物工程教授亚伦·巴蒂斯塔表示:“从人工学习代理的成功例子中得出结论，认为大脑必须做它们所做的任何事情，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。大脑的活动则大不相同，许多过程同时发生。我们和其他人观察到，大脑中正在发生的一些事情，机器学习模型还无法解释。”
卡内基梅隆大学(Carnegie Mellon)和神经科学研究所(Neuroscience Institute)生物医学工程教授史蒂夫·蔡斯(Steve Chase)补充说:“我们看到了一个主题建筑和未来的方向。通过引起人们对这些领域的注意，神经科学可以为机器学习提供信息，反之亦然，我们旨在将它们与优化视图联系起来，最终在更深层次上理解学习是如何在大脑中展开的。”
这项工作是与匹兹堡大学生物工程研究人员艾米丽·奥比(Emily Oby)和卡内基梅隆大学(CMU)神经计算和机器学习博士生达比·洛西(Darby Losey)合作完成的。该小组的工作正在进行中，与认知神经基础中心合作完成，卡耐基梅隆大学和匹兹堡大学之间的跨大学研究和教育项目，利用每个机构的优势来研究导致生物智力和行为的认知和神经机制。
