每当人类或机器学习如何更好地完成一项任务时，它都会留下一连串证据。一系列物理变化——大脑中的细胞或算法中的数值——是提高性能的基础。但是系统究竟如何确定要进行哪些调整并不重要。这称为信用分配问题，大脑或AI系统必须找出管道的哪一部分对错误负责，然后根据需要进行修改。简而言之：这是一个问责游戏，找出是谁的错。 AI工程师使用称为反向传播的算法解决了将可信度分配给机器的问题，该算法于1986年因GeoffreyHinton、DavidRumelhart和RonaldWilliams的工作而得到推广。它现在是最成功的人工智能系统、深度神经网络（隐藏在输入层和输出层之间的人工神经元层）中学习的主要驱动力。根据《Nature Neuroscience》期刊上发表的一篇论文，科学家们现在可能终于在实时工作的活体大脑中有了一个等效模型。 由渥太华大学的RichardNaud和麦吉尔大学的BlakeRichards以及MilaAI研究所领导的一组研究人员发现了一种模拟反向传播过程的大脑学习算法的新模型。它看起来如此逼真，引起了实验神经科学家的注意，他们现在对研究真实的神经元非常感兴趣，看看大脑是否真的这样做。“理论想法可以驱使我们进行困难的实验，在我看来，这篇论文超越了这一点……它在生物学上是合理的，而且可能会产生很大的影响。”
