認知科學家霍夫斯特（Douglas Hofstadter）曾經說過人工智慧真正的挑戰是去辨識字母A。當然這句話有點誇張，但是仔細去想是有點道理：即使在這最少的情境資訊之下，人類也能發揮他抽取抽象概念或原則的能力（譯註：為什麼說極少的情境資訊，因為情境〔context〕資訊越豐富，越容易辨認出目標）。這是為什麼有些網站要你去辨識如CAPTCHA這種字串來證明你是人而不是機器。很多年來，CAPTCHA抵擋了機器，但是電腦科學也演化得很快：二○一七年一個人工智慧系統可以像人類一樣（幾乎）的辨識CAPTCHA了。4不意外的，這個演算法是模仿人類大腦的好幾個地方，它先設法抽取出每一個字母的骨架，如字母A最重要的內在本質，再用統計推理去確認這個抽象的概念是否能應用到目前這個影像上，然而不管這個電腦演算法多麼的精密複雜，它還是只能應用到CAPTCHA，而我們的大腦卻可以把這個抽象的能力應用到日常生活中的每一個角落上。
有效率的數據學習。每一個人都同意，目前的類神經網路學得太慢了：他們需要百萬、千萬、甚至億萬的數據才能發展出一個領域的直覺。DeepMind的類神經網路花了九百個小時才學會雅達利（Atari console），而人類兩個小時就達到了同樣程度。另一個例子是語言學習。語言心理學家迪蒲（Emmanuel Dupoux）估計在大部分的法國家庭中，孩子每年聽到五百到一千小時的說話語（speech），這就足以讓他們學會笛卡兒的語言，包括soixante–douze或s’il vous plaît。然而，在玻利維亞（Bolivian）亞馬遜流域的土著Tsimane，他們的孩子一年只有聽到六十小時的語音—即使這麼少的經驗也沒有防礙他們成為流利的Tsimane語言者。比較起來，目前最好的電腦系統，從蘋果（Apple）、百度（Baidu）和谷歌，都需要二十倍到幾千倍的數據才能達到少量的語言能力。就語言來說，人腦的學習效率是機器遠遠趕不上的：機器渴求數據，而人腦是有效率的數據使用者，它能夠使最少的數據發揮出最大的功效。
社會學習。人類是所有動物中唯一能自動分享資訊的物種，我們透過語言，從別人身上學到很多。這個能力是目前所有類神經網路都還做不到的。在這些模式中，知識是加密的，因千百萬個突觸不同的加權而稀釋它的價值（譯註：即因為突觸量太大，你不知道是哪些突觸才是關鍵知識的連接），在這種隱藏、內隱的形式中，知識不容易被抽取出來，選擇性的與他人分享。相反的，在我們大腦中，到達我們意識界的最高層次資訊是可以外顯的說明給別人聽的，有意識的知識是可以被口語報告出來的：當我們充分了解一件事時，它會在我們思想的語言中形成一個心智方程式，我們就可以用語言的字把它報告出來（譯註：這就是我們做老師的常常對學生說的，假如你真的懂了，你就可以說的出來），我們用這個方法很有效地跟別人分享我們的知識，用最少的字（從教堂後面那條小路右轉就到市場了）把資訊分享出去，這個能力不論在動物世界或電腦世界都是只有人類才有的。
