报道称，该研究表明，人工神经网络与人脑的运作非常接近。
10年前，科学家们已经培训了许多最先进的人工智能系统，让它们学会使用巨大的数据存储，以“训练”人工神经网络学会正确区分事物。
这种“监督型”的训练需要通过人工来对数据进行分类，这件事情是非常费力的。而神经网络往往会使用捷径来学会如何利用最少的信息将事物相互联系起来。
例如，人工神经网络（一组相连的计算机）可能通过草的存在来识别牛的图像，因为牛通常都是在田野中被拍到的。
据《量子杂志》网站中提到的，加州大学伯克利分校的计算机科学家阿列克谢·埃弗罗斯曾表示：“计算机和人工智能程序并没有真正学习课程，但在考试中也能考得很好。”
此外，在那些对生物和人工智能的交叉感兴趣的研究人员看来，这种“监督型学习”可能仅限于能够揭示生物大脑运作的本质。因为动物和人类并不会使用标记数据组作为唯一的学习来源，而是依靠自己对环境的探索所获得的经验，这种方式能使其获得关于世界的丰富而充分的了解。
如今，计算神经科学（即根据神经系统结构的信息处理特性研究大脑的功能）的一些专家开始探索通过由人类来分类的少量数据进行训练的自动神经网络。
报道指出，机器“自我学习”算法已被证实在学习人类语言方面很成功，并且最近成功做到了识别和区分图像。
在最新的一项研究中，使用人工智能程序的自我监督学习模型构建的模拟哺乳动物视觉和听觉系统的计算模型，显然比监督学习模型构建的计算模型更接近大脑的功能。
对于一些神经科学家而言，人工神经网络似乎开始在慢慢揭示出人类和动物大脑的一些实际的学习方法。
通过向猴子与人工神经网络展示相同的图像来进行研究，神经科学家使用人工神经网络开发了视觉系统的简单计算机模型。
比如，对比真实神经元和人造神经元的活动，可以发现这两者表现出了非常相似且有趣的对应关系。科学家还发现了用以检测声音和气味的机器之间的一个通信模型。
通过对人工智能程序及其连接的人工神经网络进行反复的试验，科学家们开始观察到了一种接近人类大脑学习方法的独特学习模型。
AICebic研究所的计算神经科学家布莱克·理查兹表示：“我认为，大脑所做的学习活动毫无疑问90%都是自我监督学习。”
大脑也会从自己的错误中进行学习。在我们大脑的反应中只有一小部分源自于外部，而这一部分会告诉我们答案是错误的。
理查兹及其团队为帮助回答各种问题的机器创建了一个自我监督模型。他们训练了一个人工智能，该人工智能结合了两种不同神经网络：一个名为卷积神经网络，负责处理图像；另一个被称为循环神经网络，专门关注移动物体。
理查兹的团队发现，使用卷积神经网络训练的人工智能擅长识别物体，但不擅长对运动进行分类。
但是，科学家们将通信网络分成了两部分，然后就创建出了两条路径（不改变神经元的总数）。即人工智能开发了分别用于识别静态物体以及移动物体的两个部分，这样最终就能够对呈现给它的场景进行分类。科学家认为，这也是我们人类大脑所使用的方法。
为了进一步对人工智能进行测试，研究团队分别向人工神经网络和一组老鼠展示了一些
视频。值得一提的是，老鼠的大脑中也存在专门处理静态图像和运动特征场景的区域。
