زمینه تحقیقاتی "نوروهوش مصنوعی"، که ترکیبی از "علوم اعصاب" و "هوش مصنوعی" است، به سرعت توجهات را به خود جلب کرده است. این حوزه که چند سال پیش ناشناخته بود، اکنون در کارگاه‌ها، کنفرانس‌ها و برنامه‌های آموزشی، از جمله کارگاه BRAIN-Initiative، برجسته شده است. این حوزه هدف هوش مصنوعی برای شبیه‌سازی هوش را با دیدگاه‌های علوم اعصاب در مورد محاسبات شبیه به مغز ترکیب می‌کند. هوش مصنوعی از شبکه‌های عصبی برای مدلسازی مغز استفاده می‌کند و نظریه‌های مربوط به محاسبات عصبی را آزمایش می‌کند، که ایده ریچارد فاینمن را منعکس می‌کند که درک واقعی از طریق خلق به دست می‌آید. همزمان، علوم اعصاب الهام‌بخش هوش مصنوعی برای ایجاد سیستم‌های قادر به انجام کارهای انسانی است و چرخه بازخوردی ایجاد می‌کند که هر دو زمینه را شتاب می‌بخشد. در کاربردهای هوش مصنوعی مانند DeepLabCut، هوش مصنوعی تحلیل داده‌ها در علوم اعصاب را سرعت می‌بخشد، مشابه نقشش در برش پروتئین یا شناسایی تصویر، اما این کار به طور دقیق "نوروهوش مصنوعی" نیست. ارتباط بین هوش مصنوعی و علوم اعصاب به گزارش 1945 جان فون نویمان درباره معماری کامپیوتر EDVAC برمی‌گردد که از مقاله 1943 مکلچ و پیتز درباره شبکه‌های عصبی الهام گرفته بود.

پرسپترون فرنک روزنبلات در سال 1958 ایده یادگیری مبتنی بر داده‌ها در شبکه‌ها را با تأثیر از کارهای دونالد هب در مورد پلاستیسیته سیناپسی پیش برد. اگرچه پرسپترون‌های تک‌لایه با محدودیت‌هایی روبرو شدند، اما مفهوم سیناپس‌ها به عنوان عناصر یادگیری تطبیق‌پذیر همچنان حیاتی مانده است. پیشرفت‌های همزیستی شامل شبکه عصبی کانولوشن (CNN)، که از مدل‌های قشر بینایی الهام گرفته شده، و یادگیری تقویت، که توسط AlphaZero گوگل مثال زده شده است، می‌شود. تکنیک‌هایی مانند "درپ‌اوت" مشابه اشتباهات نورونی عمل می‌کنند تا مقاومت شبکه‌های عصبی را افزایش دهند. این رابطه متقابل به طور متقابل هوش مصنوعی و علوم اعصاب را غنی‌تر می‌کند؛ شبکه‌های عصبی درک ما از محاسبات مغزی را پیش می‌برند و مدل‌ها و الگوریتم‌های جدیدی را الهام می‌بخشند. با پیشرفت نوروهوش مصنوعی، درک ما از هوش در زمینه‌های زیستی و مصنوعی عمیق‌تر می‌شود و وعده می‌دهد که این زمینه‌ها را بیشتر یکپارچه و گسترش دهد. این سری مقالات به بررسی این ارتباطات تحول‌آفرین و سوالات عملی و اخلاقی که ایجاد می‌کنند، خواهد پرداخت.