Každodenní rozhodování je v přirozeném prostředí komplexní, přestože nám přijde přirozené. Co mozek v těchto situacích dělá? Jak pracuje ve chvíli, kdy má k dispozici velké množství senzorických dat a potřebuje rychlé rozhodnutí? Ke zjištění tohoto faktu využila skupina výzkumníků neočekávané médium – počítačové hry.
Studie z Caltechu porovnává snímky aktivity lidského mozku při hraní klasických videoher Atari jako ping-pong se sofistikovanou umělou inteligencí, neuronovou sítí, která dělá to samé. Výzkumníci zjistili, že aktivita umělých neuronů u AI připomíná aktivitu lidského mozku; to napovídá, že se umělá inteligence může v těchto aplikacích rozhodovat na podobném principu jako lidský mozek, minimálně představuje dobrý model pro studii toho, jak vizuální vstupy ovlivňují naše rozhodovací procesy.
S neurovědě se často používá zpětnovazební učení, které často dokáže replikovat chování člověka – má ovšem svá omezení a není vždy adekvátní při snaze napodobit rozhodovací postupy lidských bytostí u komplexnějších úkolů. Největších postupů v tomto ohledu dosáhla Deep Q Network (DQN) od DeepMind, AI společnosti vlastněné Googlem, která kombinuje framework zpětnovazebního učení s konvolučními neuronovými sítěmi.
Příklad toho, s čím se algoritmy musí potýkat, slouží třeba hra Enduro. Tam hráč řídí automobil a musí jen to nejrychleji a zároveň se vyhýbat ostatním autům. Během jízdy se střídá denní doba, což hráč dokáže jednoduše ignorovat, neboť to hru nijak neovlivňuje. Umělá inteligence se ovšem fakt, že je tento prvek irelevantní, musí naučit.
DQN se lidskému mozku podobá, ale ani zdaleka nedosahuje jeho komplexnosti ani reálnému rozhodovacímu procesu – pouze úspěšně napodobuje některé jeho části. DQN se hry učí dny nepřetržitého hraní, člověk zvládne ten stejný úkol maximálně za několik minut.