Demis Hassabis在人工智慧方面富有經驗：他在倫敦創辦了一家名為DeepMind的人工智慧公司， 在2014年， 穀歌花費6.5億美元收購了這家公司。 在此之後， 他的公司創造了AlphaGo， 在複雜的圍棋比賽中徹底打敗了人類， 並開始進一步開發更通用的人工智慧系統。
但是， 現在他公開表示， 人工智慧要想真正實現其潛力， 唯一途徑是從人類的智力運作方式裡尋找靈感。
目前， 大多數人工智慧系統都是建立在數學層面上， 而這種層面的人工智慧系統其實也在一定程度上受到了人腦運作方式的啟發。 但是， 不同類型的機器學習， 比如， 語音辨識或圖像識別， 需要不同的數學結構， 所生成的演算法也只能執行某種特定的任務。
在機器學習領域， 構建能夠執行通用任務而不是專屬任務的人工智慧， 一直是人們的夙願。 但事實是， 要擴展特定的演算法， 使其更通用化， 仍然是非常困難的。
7月20日， Hassabis和三個共同作者在《神經》雜誌上發表了一篇論文， 他們認為， 只有當我們更好地瞭解了人類自身的智慧後， 才有希望讓人工智慧實現更多看似不可能的任務。
他們認為， 首先， 只有更好地理解大腦是如何工作的， 我們才能更好地為電子智慧創造新的結構和演算法。 其次， 通過從建立和測試尖端人工智慧系統的經驗中吸取教訓， 我們可以更好地理解：智慧到底是什麼。
該論文回顧了神經科學和人工智慧的歷史， 以闡釋兩者之間的聯繫。 該論文指出， 無論是使用“人工神經元層來理解輸入內容”的深度學習，
但論文也指出， 實際上最近人工智慧的進步並非十分依賴於生物學。 不過， 通用的人工智慧則更需要類似於人類的特性， 比如對現實世界的直覺性理解和更有效的學習方法。 Hassabis和他的同事們認為， “將人工智慧和神經科學間的思想進行互換， 以推動兩個領域共同‘良性迴圈’發展”， 這也許是一個不錯的解決方案。
Hassabis並不是唯一一個持這一觀點的人。 紐約大學的心理學教授、優步AI實驗室前主任Gary Marcus認為， 可以通過研究兒童認知的發展模式， 來改進機器學習系統。
即便如此， 要將這些想法實現仍然很困難。