شبکه های عصبی مصنوعی نسل دوم تاکنون پیشتازان عرصۀ هوش مصنوعی بوده اند و در کارهایی نظیر بازشناسی اشیا، تشخیص دست نویسه، تبدیل گفتار به متن، تولید آثار هنری و انجام بازی های رایانه ای عملکردی قابل رقابت با انسان دارند. جدیدترین مدل های مبتنی بر این نوع از شبکه های عصبی که تحت عنوان مبدل ها شناخته می شوند، در کنار روش یادگیری خودنظارتی عملکرد بسیار خوبی را در بسیاری از کاربردها از خود به نمایش گذاشته اند. مبدل ها تبلوری از ساختار نوقشر در شبکه های عصبی مصنوعی کلاسیک است؛ چراکه بن مایۀ این شبکه ها نیز یک ساختار تکرارشونده دارد و ساز و کار توجه نقشی کلیدی در این شبکه ها ایفا می کند. با وجود عملکرد فوق العادۀ آن ها، این شبکه ها بسیار بزرگ بوده، مصرف انرژی بالایی داشته و نشان داده شده است که در بسیاری از موارد از مشکل بیش برازش رنج می برند و نسبت به داده های مشاهده شده جانب دارانه عمل می کنند. علاوه بر چالش های اخلاقی و فلسفی که امروزه به شدت مورد توجه قرار گرفته اند و هشدارهایی را در رابطه با مسیر فعلی هوش مصنوعی مطرح می کنند، همچنان چالش های زیادی در طراحی و به کارگیری این شبکه ها در کاربرد های پیچیده تر وجود دارد. یکی از این چالش ها، تک منظوره بودن مدل های توسعه یافته بر اساس این شبکه هاست. برای مثال، یک شبکۀ عصبی که به منظور انجام بازی ها آتاری آموزش داده شده است، نمی تواند شطرنج بازی کند، یا حتی ساده تر شبکه ای که جهت بازشناسی اشیا در محیط خانه آموزش دیده است، قادر به بازشناسی وسایل حمل و نقل در محیط بیرون از خانه نیست. این مشکلات در سال های اخیر مورد توجه بسیاری از دانشمندان حوزۀ هوش مصنوعی بوده است و راه حل هایی نیز برای رفع آن ها ارائه شده اند؛ ولی همچنان، کاربرد های این راه حل ها محدود بوده و عملکرد بسیار پایین تری نسبت به مدل های تک منظوره یا عملکرد انسان دارند.
کلید حل این مسائل در شناخت بیشتر مغز موجودات زنده و به ویژه پستانداران نهفته است. از آنجایی که نوقشر به عنوان مرکز اصلی عملکرد هوشمندانه در پستانداران شناخته می شود، مطالعه و مدل سازی محاسباتی ساختار و سازوکار آن می تواند نقش مؤثری در مسیر توسعۀ سیستم های هوشمند و شبکه های عصبی مصنوعی ایفا کند.