我們可以從人工神經網絡中了解人類大腦的哪些信息？
我知道我的問題/標題不是很具體，所以我會嘗試澄清它：
人工神經網絡具有相對嚴格的設計。當然，一般來說，他們會受到生物學的影響，試圖建立真實神經網絡的數學模型，但我們對真實神經網絡的理解不足以建立精確的模型。因此，我們無法設想精確的模型或任何“接近”真實神經網絡的東西。
據我所知，所有人工神經網絡都與真正的神經網絡相去甚遠。生物學中不存在標準的、經典的全連接 MLP。循環神經網絡缺乏真正的神經可塑性，RNN 的每個神經元都具有相同的“反饋架構”，而真正的神經元則單獨保存和共享它們的信息。卷積神經網絡是有效且流行的，但（例如）人腦中的圖像處理僅包含幾個卷積層，而現代解決方案（如 GoogLeNet）已經使用了數十層……儘管它們為計算機產生了很好的結果，他們甚至沒有接近人類的表現。尤其是當我們想到“每層性能”時，因為與真正的神經網絡相比，我們需要相當多的層和數據減少。
此外，據我所知，與真實神經網絡的巨大適應性相比，即使是模塊化、自擴展/自重構的人工神經網絡也相當“固定和靜態”。生物神經元通常有數以千計的樹突將神經元連接到大量不同的區域和其他神經元。人工神經網絡更加“直截了當”。
那麼，我們可以從人工神經網絡中了解人腦/真實神經網絡嗎？還是只是嘗試創建比經典的靜態算法性能更好的軟件（或者甚至做這些算法失敗的事情）？
有人可以提供有關此主題的（最好是科學的）資源嗎？
編輯：高度讚賞更多答案（：
正如您所提到的，大多數神經網絡都是基於大腦的一般簡單抽象。它們不僅缺乏可塑性等模仿特徵，而且不像真正的神經元那樣考慮信號和時間。
最近有一次採訪，我覺得它適合您的具體問題，機器學習大師邁克爾喬丹談大數據的錯覺和其他巨大的工程努力，我引用：
但確實，對於神經科學來說，理解深層原理需要幾十年甚至幾百年的時間。在最底層的神經科學方面取得了進展。但是對於更高認知的問題——我們如何感知、我們如何記憶、我們如何行動——我們不知道神經元如何存儲信息、它們如何計算、規則是什麼、算法是什麼、表示是什麼，以及類似。因此，我們還沒有進入一個可以利用對大腦的理解來指導我們構建智能係統的時代。