人工智能系统最近所取得的突破使得人工智能在多种具有挑战性的游戏中战胜了人类，而这些成就的根源在于受到人类大脑对信息处理的神经网络的启发。6月14日，发表于认知科学趋势的评论表示：来自谷歌深度思维以及斯坦福大学的研究人员对最初的开发理论进行了更新，从而对人类以及其他动物的学习方式进行了解释，同时也重点强调了其作为框架对指导人工智能代理开发的潜在重要性。

该理论最初于1995年发表，该理论表明学习是两个辅助学习系统的综合产物。第一套系统通过接受体验，从而慢慢地对知识与技能进行学习，而第二套系统则对特定的体验进行储存，从而让这些体验能够进行重放，从而与第一套系统能够有效集成。该理论基于著名的英国计算神经科学家戴维.玛尔之前建立的理论以及最近在神经网络学习方法领域的发现。

“相关证据似乎让人叹服，因为大脑存在两种学习系统，同时，这两套学习系统之间相辅助充从而当大脑面对重要的学习问题时能够提供强大的解决方案，而辅助学习系统理论对两者之间的辅助关系进行了解释。”斯坦福大学心理学教授詹姆斯.麦克兰德（1995年相关文件的主要作者兼当前评论的高级作者）如此表示。

所推荐理论的第一套系统位于大脑的新皮质位置，该系统受当今深度神经网络启发。和如今的深度网络一样，这些系统在输入与输出之间包含有多个神经元层，这些网络中的知识处于神经连接中。此外，通过体验，这些连接慢慢地被编程，使其识别目标，感知语音、理解并生成语言的能力不断得到提升，甚至还能够在游戏过程中选择最佳的行为以及其他设置（当智能行为依赖于所获得的知识时）。

当需要学习新的知识时，这样的系统就会面临困境：如果相关的连接做出足够大的变化从而迫使新的知识迅速地进入到这些连接时，就会彻底地使之前储存在连接中的其他知识发生扭曲。

“这也正是辅助学习系统发挥作用的领域，”麦克兰德表示。在人类以及其他哺乳动物中，第二套学习系统位于名为海马体的结构中。“最初，新体验的相关信息被储存在海马体中，从而使其能够迅速得到利用，我们也会把这些信息保留在附近从而能够被回放至皮质，使其与正在进行中的体验以及其他相关的存储信息产生交错。”因此，两个系统组织能够实现即时学习，同时逐渐地与皮质中的结构化知识进行集成。

“受辅助学习系统理论启发的神经网络结构的组成部分在多种电脑游戏（比如太空侵略者以及越狱）成功地达到了人类级别的性能。”深度思维认识神经科学家Dharshan Kumaran（相关评论的首席作者）如此表示：“正如相关理论所述，这些神经网络利用与海马体类似的记忆缓冲来对最近游戏的情节进行储存，并交叉播放与重放。这样能够很大程度上增强对实际游戏体验的利用，同时避免相关体验的本地运行倾向，从而避免控制系统的学习。”Kumaran与麦克兰德以及深度思维的联合创始人德米斯.哈萨比（也是相关评论的联合作者）合作，根据1995年版本的辅助学习系统理论预想对海马体的作用进行拓展。

“在我看来，”哈萨比说：“辅助学习系统理论的拓展版本在神经科学方面以及开发人工一般智能方面可能会给未来研究提供框架，这也是谷歌深度思维的目标。”