人类大脑或是高度并行的计算系统，与人工神经网络无本质差别。

近日，普林斯顿大学的研究人员就指出，生物神经网络和人工神经网络竟然出奇的相似，人脑可能也是一个高度并行的计算系统！

虽然我们还没有了解大脑到底是如何工作的，但我们的大脑仍在不断自我创造。经过几十年的开发，研究人员创建了深层神经网络，在特定的任务达到甚至超过了人类的表现。
但是，用于深度学习的人工神经网络是否类似于我们大脑中的生物神经网络？这个问题困扰着无数人工智能的研究者。

许多人认为人工神经网络是对大脑结构的粗略模仿，人工神经网络只是个统计推理引擎，大脑的许多功能都没有。他们相信，大脑中充满了奇迹，而这些奇迹不仅仅是神经元之间的联系。

人类大脑是一个强大的大数据处理器，它的参数与跟人的经验相匹配，而这种描述通常用于深层神经网络。

人类的脑活动是可解释的。然而，人工神经网络常常被认为是无法解释的黑盒子。因为人工神经网络无法解释他们的决策过程，尤其是那些几千万甚至过亿参数的复杂深层神经网络。

在训练阶段，深度神经网络会检查数百万张图像及其相关标签，然后他们无意识地将数百万个参数调整到他们从这些图像中提取的模式。然后，这些经过调优的参数允许它们确定新的图像属于哪个类别。他们并没有理解人类才有的更高层次的概念 ，只是寻找像素之间的共性。

相比人类，人工神经网络的预测是建立在蛮力直接拟合的基础上的，它依赖于过度参数化的优化算法来提升预测能力，而没有对世界的潜在生成结构进行明确的建模。

人类大脑可以依赖于内隐的生成规则，而无需接触到来自环境的丰富数据，而人们普遍认为人工神经网络没这种能力。

人类的大脑是非常节省资源的。大脑是一个三磅重的物质，只消耗10瓦多一点的能量，而深层神经网络通常需要兆瓦级功耗的服务器。

虽然大脑受到线路和新陈代谢的限制，但我们还没明白大脑的计算机制，所以我们不能简单地认为人脑计算资源匮乏

有一件事是不可否认的，人类确实从环境中提取规则，用来处理和分析新的信息。这种复杂的符号操作使人类拥有了迁移学习的能力。
理解和应用因果关系仍然是人类大脑的独特优势。现在的人工智能科学家也在极力寻找这种理解机制，一旦被找到将会是人工智能的重大突破。

人类可以超越现代人工神经网络的方式学习抽象的规则，并推断出新的情境。微积分就是在复杂环境中抽象出普适规律的最好例子。这些能力并非来自单个神经网络的激活和交互作用，而是许多头脑和几代人积累的结果，这是直接拟合的模型无法做到的。

一个有趣的建议，给神经网络一个身体，让它像其他生物一样体验和探索世界。
将一个网络整合到一个身体中，使其能够与世界上的物体进行互动，这对于促进在新环境中学习是必要的。