Четох за едно невробиологично изследване (малко старо 29.Nov.2001 )
(http://ucsdnews.ucsd.edu/newsrel/science/mccell.htm). Бил е направен пробив при наблюдението на единичен неврон. Според това изследване кратковременната памет е резултат от отделянето на actin от невронната клетка и разпоространението му по пътеките на невронната активация. Това отделяне на actin трае около 10-на минути (е в статията няма конкретни данни от експеримента) и според изследователите е част от нормалната сигнализация между невроните. Дълговременната памет е свързана с изграждане на нови синапси между невроните.

Традиоционно изследванияат по ИИ са били свързани с директно моделиране на най- висшите когнитивни процеси и както знаем до сега успехите не са много големи, особено в изработването на универсални решения. Това се отнася особено за традиционните символни подходи.
Във конекционистките подходи обаче, и особено във невронно-мрежовите идеологии се разчита на по локални подходи: т.е. там поведението на цялата система е резултат от моделиране на характеристиките на по- малки и прости елементи(невроните например). Ефекта от това е че системата като цяло демонстрира характеристики, които не са били първоначално заложени в модела. Теорията по върпоса е доста тежка ... и не пълна за съжаление.
Напоследък обаче има все повече факти подкрепящи този тип подход и аз съм привърженик на идеята , че ако изобщо има решение на проблема с ИИ, то опредлено ще бъде силно свързано с моделирането на локални характеристики (пример за такова нещо е правилото на Хеб свързано с обучението).
Класическите алгоритми за обучение (Backpropagation,BPPP,и т.н.) опредлено са свързани с феномени на глобално ниво и както знаем проблемите свързани с тях нарастват (качествено и колочествено) с нарастване сложността на системата