形式和功能
神经网络是运行在计算机上的软件，人工智能的“神经元”没有物理实体。它们以位数和字符串的形式编码在硬盘或硅芯片上，它们的物理结构和真正的神经元一点也不像。相反，在人脑中形式和功能是同时存在的。
大小
人类大脑大约有1000亿个神经元，目前的神经网络通常有几百个左右。
连接
在神经网络中，每一层通常与上一层和下一层完全连接。但人脑并没有所谓的层，相反，它依赖于许多预定义的结构。并不是人类大脑的所有区域都是同样连接的，区域是专门用于特定目的的。
能量消耗
人脑在能量消耗方面，比现存的任何人工智能都更为节能。人脑大约耗费20瓦能量，这与现在标准笔记本电脑耗费的差不多。但有了这些能量，大脑处理的神经元数量多一百万倍。
体系
在神经网络中，这些层是整齐有序的一个接一个地处理。而另一方面，人脑会进行很多并行处理，没有任何特定的顺序。
激活状态
在人脑中，神经元要么是激活状态，要么非激活状态。在神经网络中，激活是由连续值模拟的。因此人造神经元可以平稳地从上到下运行，这是人脑做不到的。
速度
人类的大脑比任何人工智能系统都要慢得多。一台标准计算机每秒执行大约100亿次操作。另一方面，人的神经元激活频率为每秒最多一千次。
学习方式
神经网络通过输出来学习。如果根据损失函数，这个输出是低性能的。然后，网络通过改变神经元的权重和它们之间的连接做出反应。没有人知道人类学习的细节，但肯定不是这样的。
结构
神经网络每次都是从零开始的。而人脑呢？很多结构已经连接到它的连接处，而且利用的模型，这在进化过程中被证明是有用的。
精度
人脑的干扰因素更多，而且不如计算机上运行的神经网络精确。这意味着大脑基本上不能运行与神经网络相同的学习机制，它可能使用完全不同的机制。
这些差异的结果是，如今的人工智能需要大量的训练，需要大量精心准备的数据。这与人脑的运行方式是很不一样的。
局限性
神经网络不会建立世界中模型，相反它们会学习对模式进行分类。这种模式识别只需要很小的变化就会失败。
一个著名的例子是，你给图片添加少量影响因素，这些因素小到肉眼无法识别。但人工智能系统可能会被骗，错认为物品A认为是物品B。
目前，神经网络也不善于从它们所学习的情况推广到另一种情况。
它们的成功很大程度上取决于定义正确的“损失函数”。如果你没有谨慎思考损失函数，你最终会优化你不想要的东西。比如本被训练以恒定的高速行驶的自动驾驶汽车，很可能变成只会原地旋转。
但是神经网络擅长于一些内容。比如对图像进行分类，或者推断出没有明显趋势的数据。
