每當人類或者機器學會更好地完成一項任務時，都會留下一系列證據。一系列物理變化——大腦中的細胞或算法中的數值——是提高表現的基礎。但系統如何準確地確定要進行哪些調整可不是一件小事。它被稱為可信度賦值問題（credit assignment problem），大腦或者人工智能系統必須找出管線中哪些部分應對錯誤負責，然后對其進行必要的修改。簡單說：這是一個問責游戲，找出是誰的過錯。

　　AI 工程師用被稱為反向傳播(backpropagation)的算法解決了機器的可信度賦值問題，該算法在 1986 年由 Geoffrey Hinton、David Rumelhart 和  Ronald Williams 的工作推廣開來。現在它是最成功的人工智能系統——深度神經網絡（在輸入層和輸出層之間隱藏若干人工神經元層）學習的主要驅動力。根據發表在《Nature Neuroscience》期刊上的一篇論文，科學家現在可能終于在活著的大腦中找到了與之對等可實時工作的模型。

　　由渥太華大學 Richard Naud 與麥吉爾大學和 Mila AI 研究所 Blake Richards 領導的一組研究人員發現了一種大腦學習算法的新模型，該模型可以模擬反向傳播過程。它看起來非常逼真，以至于引起了實驗神經科學家們注意，科學家現在對研究真正的神經元非常有興趣，希望了解大腦是否真的這樣做。柏林洪堡大學的實驗神經科學家 Matthew Larkum 表示：“理論性的想法可以推動我們進行困難的實驗，在我看來這篇論文已經超越了這一標準……它具有生物學意義上的合理性，而且可能會產生很大的影響。”