早期機器學習剛發展的時候，許多人工智慧工程師普遍認為，因為電腦可以有極快的運算能力和幾乎無限的記憶力，展現的運算功能必定會超越人腦，因此，他們並不需要了解人腦的原理，更不需要向人腦學習，只需要將模型當作「黑盒子」將資料餵進去，得到足夠準確的預測結果即可。這樣的想法和1920年代行為主義（behaviorism）的興起不謀而合，當時的心理學家認為，因為動物的行為都可以使用簡單的制約訓練（conditioning）來改變，因此我們並不需要研究大腦內部的機制，只要能操控動物行為就好了。然而，就如同後來行為學派的式微以及認知神經科學（cognitive neuroscience）的興起，人們開始研究並解釋大腦內的複雜認知機制一樣，近年來人工智慧工程師開始慢慢認識到，要能夠了解神經網路的運作機制，以及加入新的功能模組，擴增神經網路的功能，他們必須要跟腦科學家一起攜手合作，利用大腦迴路的架構來設計或解釋神經網路。            

大腦裡面有許多神經細胞，作為資訊處理的單元，稱為神經元（neuron）。神經元之間會互相連接形成複雜的網路，當神經元受到活化時，細胞內外離子的濃度會改變，產生非常微小的電位，因而產生對應的電流。這個電流沿著有如電線般長長的神經元纖維，往下一個神經元的方向傳遞。到了神經元相接的地方（突觸），因為電流無法直接跨越細胞，電訊號會活化神經末端釋放特定的化學分子，稱為神經傳導物質（neurotransmitter），利用轉換後的化學訊號活化下一顆神經元，繼續進行神經電訊號的傳遞。

因此，想要記錄並研究神經訊號的意義，我們可以透過單細胞神經紀錄（single unit recording）的方式，將微電擊（microelectrode）透過立體定位手術（stereotaxic surgery）的方式，放在特定神經元的旁邊，當神經細胞電位的時候，同時記錄到這樣的訊號，進而了解神經細胞之間溝通所傳遞的訊息。我們了解了大腦神經系統之間溝通所使用的語言後，可以進一步讀取神經傳遞的資訊。反過來，在了解神經訊號的編碼規則之後，我們也可以將我們想要傳達的資訊編碼成為神經訊號寫入大腦當中。當我們認識了正常的神經迴路如何運作後，我們更可以在神經迴路異常，造成神經精神症狀時，找出迴路當中異常的關鍵所在，並且將其矯正，已達到治療疾病的效果。        黃飛揚