以行为主义为主导的语言学习理论认为，语言学习是学习者对外界刺激作出反应的结果。据此，语言环境和刺激强化对语言学习起着决定性的作用。这是因为，人脑能对外界语言刺激形成记忆，从而掌握语言。如上所述，强化学习的基本理念是使用奖励期待（类似刺激）强化正确的行为。此外，当奖励预测误差趋近于零时，强化学习达到最优状态。在此意义上，强化学习也可以说是通过试错，归纳得出最小化的预测误差。更引人注目的是，哈萨比斯等最近在《自然》杂志上尝试以强化学习算法阐释人脑学习过程时指出，人工智能视角下的分布式强化学习，似乎可以依靠多巴胺这类能够促进实现奖励预期的神经递质，在人脑中实现。简而言之，如果行为达到奖励预期，获得正向的多巴胺信号，则促成正确的学习决策。
然而，人类学习语言就如乔姆斯基语言习得理论主张的那样，是一个演绎性过程。学习者在学习语言结构时提出某种假说，然后依据原始语言数据输入进行假设检验，修正或证实有关目标语言结构的假说，完成语言习得。这一过程看似与强化学习中的试错归纳学习有类似之处，但它是对先前假说的验证过程，而非归纳学习过程。尤其对于儿童获得母语而言，类比归纳学习是否奏效一直受到质疑，而从内在语言机制生物性成熟的角度解释语言习得，则得到了更多神经生物以及经验研究的证实。
但这并没有具体说明儿童快速习得母语的具体过程。换句话说，语言本身作为一个非常复杂的自足系统，有关这一复杂系统的习得理论，必须严肃阐释儿童怎样快速、一致地获得诸如结构层级性之类的语言本体属性。虽然多巴胺此类神经递质在语言习得过程中的确促成相关神经实现，但这只是语言习得的神经生物基础的具体表现。更重要的问题是，怎样立足语言的神经生物基础妥当解答语言习得的具体过程。
再次，虽然强化学习亦有从心理学角度考察语言学习的过程，但人脑有限的计算加工能力是否能够像机器及其算法模型一样，具有超高的容量与超强的计算能力，是值得仔细斟酌的。从有关大脑的神经生物属性研究来看，人脑的认知计算加工能力远不及机器。因此，人类语言学习与基于算法的机器学习之间的区别一时难以消弭。