尽管我们脆弱的大脑似乎与计算机处理器中的芯片大相径庭，但科学家们对它们进行比较的历史由来已久就像艾伦一样图灵在1952年说，我们对大脑的一致性不感兴趣，就像冷粥一样换句话说，媒体不重要，重要的是计算能力
目前最强大的人工智能系统采用基于深度学习的机器学习方法，通过调整数据隐藏层中大量相互连接的节点来拟合数据这些节点形成的网络称为深度神经网络根据20世纪50年代神经科学家对神经元的理解，当时有影响的神经元模型叫做感知器从那以后，我们逐渐加深了对单个神经元计算复杂性的理解人们已经了解到生物神经元比人工神经元更复杂，但复杂到什么程度呢不知道
一个生物神经元可以和5到8个人工神经网络竞争。
为了找到答案，耶路撒冷希伯来大学的大卫贝尼格夫，伊丹塞格夫和麦克伦敦训练了一个人工深层神经网络来模拟生物神经元的计算研究表明，一个深度神经网络需要5到8层相互连接的人工神经元来表达单个生物神经元的复杂性
我以为它会更简单，更小，贝尼格夫说贝尼格夫也没有预料到这种复杂性他原本预计三四层就足以捕捉到单元中执行的计算
在谷歌旗下AI公司DeepMind设计决策算法的Timothy Lillicrap表示:新的结果表明，可能有必要重新思考大脑中神经元和机器学习背景下神经元之间不精确比较的旧传统，他认为这篇论文确实有助于人们更仔细地思考这个问题，并找出我们可以在多大程度上进行类比。
基本的相似之处在于他们处理输入信息的方式两个神经元都接收输入信号，并根据信息决定是否将自己的信号发送给其他神经元人工神经元依靠简单的计算做出决策，但几十年的研究表明，生物神经元的这一过程相对更为复杂
计算神经科学家利用输入输出函数模拟生物神经元长枝接收的输入信息与神经元发送的信号之间的关系。
最后，深度神经网络成功预测了大脑神经元输入输出功能的行为结果表明，深度神经网络至少有5层互连的人工神经元，但不超过8层在大多数网络中，一个生物神经元相当于大约1000个人工神经元
神经科学家现在知道，单个神经元的计算复杂性取决于树突分支，它们受到输入信号的轰击在神经元决定是否发出自己的信号尖峰之前，会导致局部的电压变化，这种变化表现为神经元的颜色变化，红色代表高电压，蓝色代表低电压这个峰出现三次，如图右侧各枝的轨迹所示，这里的颜色代表了枝晶从上到下的位置
——大卫贝尼格夫
安德烈亚斯，贝勒医学院的计算神经科学家安德烈亚斯托利阿斯说:在生物神经元和人工神经元之间架起了一座桥梁
伦敦说:我们尝试了各种不同深度和不同单元的建筑，但大多数都失败了。
Lillicrap认为，这一研究成果可能为图像分类网络与大脑的连接提供一种新的方法图像分类网络通常需要50层以上如果每个生物神经元类似于一个五层人工神经网络，那么一个50层的图像分类网络相当于一个生物网络中的10个真实神经元
Segev指出，我们建议可以尝试用一个代表生物神经元的单位来代替深层神经网络中的简单单位，使其更接近大脑的工作模式在这种替代方案中，人工智能研究人员和工程师可以插入一个五层深度网络作为迷你网络，以取代每个人工神经元
有怀疑和肯定。
/p>
但有些人怀疑这一研究是否真的对人工智能有益。
冷泉港实验室 的神经学家安东尼扎多尔 说，我认为，在这种对比中是否存在实际的计算优势，还是一个悬而未决的问题但是该研究为检验这一点奠定了基础
一些人认为，这一结果意味着神经科学家应该把对单个生物神经元的研究放在更重要的位置。
宾夕法尼亚大学 的计算神经学家康拉德科尔丁 说:这篇论文使得我们对树突和单个神经元的思考变得比以前重要得多
还有 Lillicrap 和 Zador，他们认为关注一个回路中的神经元，对于学习大脑如何使用单个神经元的计算复杂性同样重要。
无论如何，人工神经网络的研究可能会提供对生物神经元以及大脑奥秘的新见解。
伦敦大学学院 的计算神经科学家格蕾丝林赛 说:从层次，深度和宽度的角度思考，这项工作让我们对计算的复杂性有了直观的认识
可是，Lindsay 也警告说，这项新研究仍然只是在对模型进行比较不幸的是，目前神经科学家不可能记录真实神经元的完整输入—输出功能，所以可能有更多生物神经元模型没有捕捉到的东西换句话说，真正的神经元可能更加复杂
London 说:我们不确定，5 到 8 层是否真的是最终的极限。