短答案：關鍵區別是 機器的使命是解決一個問題，答案可以有無數個，只要做到最好、最快、最省就好；而大腦的使命是，在未出生之前，就用一個答案去面對無數未知的問題。 這也是 生物與非生物 之間的最後界限。
啟示是 教育人類後代的過程中，關鍵不是在於 教會其完成一個已知的工作，而應是培養他們適應未來未知工作的能力。
下面展開來說。
先做個直觀的比較，直接上表格：
*備註：flops 是一個用來估算電腦效能的單位，指的是每秒所執行的浮點運算次數。megaflops =每秒一百萬次的浮點運算。
從硬件上來看 人類和機器之間 有兩個非常令人註意在意的區別： 能耗 和 資訊處理速度 。
第一，能耗。如果大腦的處理速度可以疊加，那只需要四個燈泡的耗能，就達到超級電腦的處理速度。這是現在的人類科技想都沒法想的。
這一點，之前 @Summer Clover 的答案就很好了，在此不重復了（https://www. zhihu.com/question/4998 5162/answer/152099091 ）。
除此之外， @傅渥成 在這個答案（https://www. zhihu.com/question/4998 5162/answer/152123806 ）中還提到了另外的三點：
（1）人類似乎可以很好的解決小樣本的學習問題。（2）從錯誤中學習和從別人的錯誤中學習。
（3）對復雜計算問題的直觀感受能力。
第二，資訊處理速度。其實大腦的處理速度到底多少，這個數據是很不準確的，我這裏參照的是最常見的一個數據。大腦真實的資訊處理速度應該比現在的估算更高。因為現在越來越多地發現，無論你在做什麽、註意力在哪兒，大腦也會一直自動地分析來自四面八方（各種感官）的資訊。這些資訊不僅不吸引註意力，甚至都不會到達你的意識。但大腦會自動將聲、光、溫度、觸感這些感知資訊處理成我們一直習以為常的「真實世界」。這個感知過程發生地毫無痕跡、無知無覺、無時無刻。
如果要把這些創造「現實」的資訊流也算進去，那肯定會超過22億 megaflops 這個數碼。
之前針對這個問題，和劉看山一起做了個動畫影片： 「腦補」是如何產生的？| 好奇的北極狐 ；或是看之前的一篇專欄： 大腦無時無刻不在「預測」世界 。
但，這麽比肯定是不公平的，畢竟我們不可能讓大腦都放在一個足球場一般大的房間裏，用 22億 megaflops 的速度做高速運算——地球上所有人一起計算都達不到這個速度。
那機器有哪些方面有絕對優勢呢？有三點。
其實這三點都來源於大腦的同一個缺陷：它同時要做的事情太多了，而且我們對大腦並沒有完整的控制權。無論我現在在做什麽，無論是工作、遊戲還是睡覺，我的大腦大多數的能量其實都用在了其他任務上面，包括維持對身邊環境的警覺性。
在給病例做診斷的這個幾分鐘的任務中，如果突然發生了地震，人會立馬做出合理反應，背棄正在做的任務，立馬逃跑，但做疾病診斷的機器，卻不可能產生逃跑的念頭。
說到這裏，我們還沒有給智能下一個定義。
咱們形容一個事物有智能，無非是說它/他在面對一個或者多個問題時 能夠及時做出合理的反應，給出一個答案。所以，從本質上來講，智能就是面對問題給出答案。
而在這一點上，機器和大腦有根本性的區別： 機器的使命是解決一個問題，答案可以有無數個，只要做到最好、最快、最省就好；而大腦的使命是，在未出生之前，就用一個答案去面對無數未知的問題。
這就是關鍵，也是 生物與非生物 之間的最後界限。
這對我們思考自己的人生，或是培養後代都有很重要的啟示。我們在培養機器的時候，就是以「如何完成一份已知的工作」為目標的，那是不是應該用同樣的目標來培養人呢？
相比於這個快速變化的世界，我們的大腦相當古老。這過去的幾萬年，我們的大腦就沒怎麽變過。那是什麽讓我們能夠勝任幾萬年前的人想都想不到的工作呢？
我在申請大學的時候 那是8,9年前了，看到一個數據讓我對選擇專業有了個新的認識。
我們這一代的工作崗位，百分之八十都是在我們讀書時候 父母和老師沒有想象不到的。同理，我們也無法預知下一代人會做怎樣的工作。
這讓我意識到 教育的本質 不應該是告訴一個人如何完成一份已知的工作，而是應該培養 TA 有能力去勝任 甚至創造出教育者本身都不知道是怎樣的一份工作。
那應該怎樣才能辦到這一點呢？
人天生總是會「想要」什麽，機器再能幹，也沒有「想要」。這「想」就是好奇心，「要」就是動機。
給 好奇心 提高權重。不只給做出正確答案的人以肯定，更應該激勵那些提出新問題的人。
透過激勵，激發人產生內在的驅動力，使之能夠自主地朝著目標前進。更重要的是，培養能夠維持追求這一單一目標的行為（堅持）還要維持心理上對這個目標的渴望（熱情）。
我想要吃上肉，但我拳頭不夠硬，那就找個石頭扔，誒，綁個繩子再扔，就不用擔心扔出去就找不到了。誒？先甩一下，扔出去會更有殺傷力誒。
我想要跑的更快，但人的肌肉就這樣了，那就發明輪子、發現燃料，創造車這一工具。
我想要舒舒服服地躺著也把錢掙了，那就發明不知疲倦、沒有自由意誌、而且工作做得快又準的機器來幫我完成。
這就是人與機器的不同，這就是為什麽人與機器之間的關系並不是「先有雞還是先有蛋」那樣的關系，而是簡單明了的，肯定是先有人才有機。
最令人好奇的是好奇本身。人之所以為人，就是因為我們有好奇心。我們對火的好奇，讓我們吃上了熟食；我們對天空的好奇，讓我們在發明飛行器後僅用了半個世紀就登上了月球；我們對大腦的好奇，讓我們對千百年來的「靈魂」的理解有了更加靠近真相的機會。
最後，還是說回「智能」。在「智能」這個問題上，大腦是一個已知的高分答案。對於已有的AI技術，如果我們能在大腦中找到類似的結構、演算法，那麽便能夠認可這個技術在修建「通用人工智能系統」（強AI）中的一席之位。
在離 強AI 的完成還有一定距離的當下，學界需要一個長期研究計劃，如何篩選研究方向則是一個復雜的問題。現在有很多演算法和結構，它們都有可能是強AI雛形的零件。
如果一個演算法，雖然它在現階段並不是最優的，但如果我們發現在大腦這個寸土寸金的地方它都有核心位置，那麽說明它至少本質上有適合強AI的地方（這麽說有點怪怪的），優先最佳化它、深入了解它，會是個減少繞彎路的策略。
當然，強AI並不一定需要擁有和生物體一樣的智能系統。條條大路通羅馬。但，大腦是一個很好的精靈。
