比想象的要少。現在熱炒的AI（人工智慧artificial intelligence的縮寫）概念，基本上等同於機器學習（machine learning）。機器學習有五大流派，分別是符號學派，連線學派，貝葉斯學派，進化學派，類推學派。其中只有連線學派是直接借鑑了大腦神經元之間的連線，開發出神經網路。其它學派即使用到神經網路的概念，也都是直接從連線學派繼承而來。

但需要注意的是，機器學習基於的是數字計算機（digital computer），物理上就是一個個半導體電晶體組成積體電路來處理一個個數字電脈衝，即用脈衝高低電平分別代表0和1，用電晶體的組合實現二進位制的各種邏輯運算。

而人腦在物理上的和積體電路完全不同，神經脈衝雖然很像數字訊號，但神經元進行的並不是二進位制邏輯運算，而且大腦還存在腦電波等大量模擬（analog）訊號對大腦的記憶和學習過程至關重要。

所以真正完全基於大腦功能的AI還沒有出現，因為人類對大腦處理資訊方式的認識還不夠全面和深入，這應該是真正的AI研究方向，和理解大腦同步進行。

比想象的要多，之前與清華北大教授聊天，他們一直都在強調機器目前處於學習階段，但是目前可以進行自主學習還是比較喜人的。

人工智慧系統的設計通常是由問題驅動的。設計一個機器學習的系統，不是為了儘可能地去模擬人類的大腦，而是為了要能真正解決問題。人類的智慧儘管存在一些優勢，然而卻未必適合解決一些特定的問題。在解決問題時，計算機很可能與人類採用完全不同的解決方法。我們很難評價到底哪一種解決方法「更好」。

人類在學習時，從小樣本中就已經可以提取到了很多資訊，這是計算機所難以實現的。在缺乏標籤的無監督學習方面，人類的大腦也遠超計算機，Facebook AI 的負責人 Yann LeCun 就說：在無監督學習方面，大腦遠好於我們的模型，這意味著我們的人工智慧學習系統對許多生物機理學習的基本原理還沒有掌握。 另一方面，人類可以對資訊實現更好的整合，而不僅僅只是做一些簡單的單一面向的預測。同時，人類大腦最為顯著的優勢莫過於其超低的能耗了，人腦的功耗大約只有 20 W，而一臺計算機的功率大概是 200~300 W，一臺 GPU 伺服器的能耗至少是2000 W。從這一角度看起來，人工智慧距離人類的大腦還有著遙遠的距離，畢竟人類的大腦可是幾十億年自然選擇的產物。只有對現有的硬體和計算機架構做出本質的變革，人工智慧的效能才有可能真正意義上與人類的大腦接近甚至超過人類的大腦。