和大腦一樣，神經(jīng)網(wǎng)絡(luò)模型可以執(zhí)行前饋和循環(huán)計算，包括多層的線性—非線性信號變換，一般有數(shù)百萬個參數(shù)（連接權(quán)重），通過調(diào)參不斷優(yōu)化任務(wù)執(zhí)行表現(xiàn)。

有研究將神經(jīng)網(wǎng)絡(luò)模型作為腦信息處理模型來進行驗證。這些研究利用訓練有素的深度卷積神經(jīng)網(wǎng)絡(luò)模型來識別圖像中物體，預測了靈長類動物的腹側(cè)視覺區(qū)在面對新異圖像時的大腦表征，結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)的內(nèi)部表征是當前符合人類和猴子顳下回視覺圖像表征的最佳模型。

目前有三類認知模型：產(chǎn)生式系統(tǒng)，強化學習模型和貝葉斯認知模型。

產(chǎn)生式系統(tǒng)（production systems）提供了用于解釋推理和問題解決的早期模型。特定的條件涉及當前的目標及記憶中知識，對應(yīng)的動作能夠修改目標和知識的內(nèi)部狀態(tài)。

強化學習模型（Reinforcement learning models）捕獲agent如何通過與環(huán)境互動來學習最大化累積獎勵，選擇某種行動，觀察環(huán)境的結(jié)果狀態(tài)，在這個過程中獲得獎勵進而學習如何提高該行為的發(fā)生率，該agent可能學習了每種狀態(tài)與其期待的累積獎勵相關(guān)聯(lián)的“價值函數(shù)”。強化學習理論根源于心理學和神經(jīng)科學，目前已經(jīng)是機器學習和人工智能的重要理論，包括動態(tài)規(guī)劃（DP），蒙特卡羅學習（Monte-Carlo learning）和窮舉搜索（Exhaustive Search）等算法。

貝葉斯模型（Bayesian models），指的是根據(jù)概率規(guī)則將當前數(shù)據(jù)與先前經(jīng)驗相結(jié)合的推理模型，它有助于我們理解基本的感知覺和運動加工過程，也提供了對判斷和決策等更高的認知過程的見解，將經(jīng)典認知偏差解釋為先前假設(shè)的產(chǎn)物。

從貝葉斯認知的視角來看，人類思維從嬰兒時期開始構(gòu)建關(guān)于世界的心智模型。這些模型不僅可以是概率意義上的生成模型，而且可能是有因果性和組合性的，能夠通過重新組合元素來將這種模擬推廣到新的假設(shè)的場景，這種建模方法已經(jīng)應(yīng)用于我們對物理乃至社會世界的推理。

Marr等提出理解復雜生物系統(tǒng)需要經(jīng)過三層分析：計算水平；表征和算法水平；神經(jīng)生物學水平。

認知科學開始于計算水平，將認知功能分解各個成分，進而從自上而下的角度發(fā)展算法和表征。計算神經(jīng)科學從自下而上的角度出發(fā)，將神經(jīng)元構(gòu)建塊組合成表征和算法。人工智能通過建立表征和算法來將簡單的成分組合成復雜的智能。這三個學科匯聚在大腦和認知的算法和表征上，進而產(chǎn)生了互補約束。在20瓦的電力預算下，大腦的算法將統(tǒng)計和計算效率結(jié)合起來，其方式超出了當前的人工智能，無論是貝葉斯算法還是神經(jīng)網(wǎng)絡(luò)算法。

對心智和大腦的研究正進入一個特別令人興奮的階段，如果認知科學、計算神經(jīng)科學和人工智能能夠結(jié)合起來，我們或許能夠用神經(jīng)生物學上可信的計算模型來解釋人類的認知，這不僅有助于我們更深刻的理解人腦信息加工的具體過程，也能在一定程度上為人工智能算法的發(fā)展提供有益啟示。