试图理解人类复杂行为的认知神经科学

和大脑一样，神经网络模型可以执行前馈和循环计算，包括多层的线性—非线性信号变换，一般有数百万个参数（连接权重），通过调参不断优化任务执行表现。

有研究将神经网络模型作为脑信息处理模型来进行验证。这些研究利用训练有素的深度卷积神经网络模型来识别图像中物体，预测了灵长类动物的腹侧视觉区在面对新异图像时的大脑表征，结果表明，深度神经网络的内部表征是当前符合人类和猴子颞下回视觉图像表征的最佳模型。

目前有三类认知模型：产生式系统，强化学习模型和贝叶斯认知模型。

产生式系统（production systems）提供了用于解释推理和问题解决的早期模型。特定的条件涉及当前的目标及记忆中知识，对应的动作能够修改目标和知识的内部状态。

强化学习模型（Reinforcement learning models）捕获agent如何通过与环境互动来学习最大化累积奖励，选择某种行动，观察环境的结果状态，在这个过程中获得奖励进而学习如何提高该行为的发生率，该agent可能学习了每种状态与其期待的累积奖励相关联的“价值函数”。强化学习理论根源于心理学和神经科学，目前已经是机器学习和人工智能的重要理论，包括动态规划（DP），蒙特卡罗学习（Monte-Carlo learning）和穷举搜索（Exhaustive Search）等算法。

贝叶斯模型（Bayesian models），指的是根据概率规则将当前数据与先前经验相结合的推理模型，它有助于我们理解基本的感知觉和运动加工过程，也提供了对判断和决策等更高的认知过程的见解，将经典认知偏差解释为先前假设的产物。

从贝叶斯认知的视角来看，人类思维从婴儿时期开始构建关于世界的心智模型。这些模型不仅可以是概率意义上的生成模型，而且可能是有因果性和组合性的，能够通过重新组合元素来将这种模拟推广到新的假设的场景，这种建模方法已经应用于我们对物理乃至社会世界的推理。

Marr等提出理解复杂生物系统需要经过三层分析：计算水平；表征和算法水平；神经生物学水平。

认知科学开始于计算水平，将认知功能分解各个成分，进而从自上而下的角度发展算法和表征。计算神经科学从自下而上的角度出发，将神经元构建块组合成表征和算法。人工智能通过建立表征和算法来将简单的成分组合成复杂的智能。这三个学科汇聚在大脑和认知的算法和表征上，进而产生了互补约束。在20瓦的电力预算下，大脑的算法将统计和计算效率结合起来，其方式超出了当前的人工智能，无论是贝叶斯算法还是神经网络算法。

对心智和大脑的研究正进入一个特别令人兴奋的阶段，如果认知科学、计算神经科学和人工智能能够结合起来，我们或许能够用神经生物学上可信的计算模型来解释人类的认知，这不仅有助于我们更深刻的理解人脑信息加工的具体过程，也能在一定程度上为人工智能算法的发展提供有益启示。