Geïnspireerd door neurowetenschappen en biologie, stelt het project SoundStreams voor om de meest veelbelovende elementen van
modellen voor auditieve waarneming en leren te combineren om de uitdaging aan te gaan om artificiële intelligentie te creëren op basis van blootstelling aan een continue geluidsstroom. In tegenstelling tot de meeste kunstmatige intelligentiesystemen, zal het voorgestelde model interne representaties gebruiken die nauwkeurig het verloop van tijd verklaren; het zal alleen leren wat relevant is, gestuurd door aandacht; het zal net genoeg leren en daarbij negeren wat het helemaal niet kon voorspellen; en het zal episodisch en semantisch geheugen combineren en consolideren afhankelijk van een algemene activeringsstatus. Vergeleken met populaire diepe kunstmatige neurale netwerkarchitecturen zal het model naar verwachting robuuster zijn tegen catastrofaal vergeten, een groter vermogen tot overdracht tussen context en taken vertonen en grotendeels verklaarbaar zijn. Het project voorziet in validatie op uitgebreide datasets die de prestaties van het model op klassieke metrieken aantonen, maar het zal ook de biologische plausibiliteit van het model beoordelen door het gedrag ervan te vergelijken met experimentele gegevens voor respons van mensen die beschikbaar zijn bij de onderzoeksgroep. Het resultaat van het project zal toepassingen vinden in smart city sensornetwerken, contextbewustzijn in robots en mens-machine interacties.