過去 20 年時間裡，深度學習（Deep Learning）已在一系列 AI 研究和商業應用中佔據了一席之地。然而典型的深度學習程序，無法在多種任務類型上表現得更好，這嚴重限制了該技術在嚴格控制的環境中的特定應用。此外有人指出，深度學習是不可信的，因為它難以給出自洽的邏輯解釋。
更確切地說 —— 即使算法確實有效，深度學習工具也可能在緩慢學習新數據庫的過程中無法做到完全理解。
如此一來，其學習記憶的任何部分，可能會遭遇突然的崩潰。在任何生死攸關的場景下（比如醫療類應用程序），深度學習應用都存在着這方面的風險。
為了讓大家更好地理解深層次的原因，IEEE 研究員 Stephen Grossberg 認為需要一種完全不同的替代方法，並在《大腦是如何形成一個意識的？》新書出給出了詳細的解釋。
書中分享了其在生物認知、神經研究、以及人工智能替代模型等領域積攢的數十年經驗，並且介紹了所謂的“自適應共振理論（ART）模型”。
作為博士頓大學認知和神經系統、數學與統計學、心理與腦科學、以及生物醫學工程領域的傑出教授，ART 建立在有關大腦是如何處理信息的理論基礎之上。
Stephen Grossberg 表示：“在充滿意外事件和不斷變化的世界中，我們的大腦學會了辨別物體和預測事件”。
基於這種動態，ART 可藉助有監督 / 無監督的學習方法，來解決模式識別和預測等方面的問題。
該理論算法已被包含在大規模應用中，例如對聲吶和雷達信號進行分類、檢測睡眠呼吸暫停、推薦影視資源、以及基於計算機視覺的駕駛輔助軟件。
Stephen Grossberg 強調 —— 得益於可解釋的特性，ART 模型可被放心使用，而不會遭遇災難性的遺忘。
此外 ART 解決了所謂的“穩定性-可塑性”困境，即大腦（或其它學習系統）如何能夠在不經歷災難性遺忘（穩定性）的情況下展開快速自主學習（可塑性）。
據悉，作為大腦意識研究的先驅，Grossberg 於 1976 年制定了 ART 模型。
他是波士頓大學適應性系統中心的創始人和主任，同時也是教育、科學與技術卓越學習中心的創始主任。兩個中心都試圖了解大腦的學習和適應過程，並根據相應的發現來打造技術應用。
2017 年的時候，Grossberg 因在理解大腦認知與行為方面的貢獻和技術模擬研究成果，而獲授 IEEE 的 Frank Rosenblatt 大獎（以康奈爾大學教授兼‘深度學習之父’而命名的獎項）。
最後，Grossberg 在近 800 頁的新書中揭解釋了大腦是如何產生思想、感覺、希望、感知、以及計劃的，並且特別描述了嘗試解釋這種情況時如何發生的生物神經模型。
值得一提的是，書中還對阿爾茲海默病、自閉、健忘、以及創傷后應激障礙（PTSD）等疾病展開了追根溯源。
與此同時，了解大腦是如何產生思想的，對於計算機科學、工程技術、AI 機器人等領域的智能系統設計也至關重要。