因此，視覺是一項資訊處理任務，但視覺和處理並不完全相同。
David Marr, Vision
David Marr 可能是許多做計算神經科學，甚至一些電腦視覺的科研工作者的偶像。當回顧上世紀七十年代，在MIT的人工智能實驗室的開創之時，無數年輕的科學家（現在的大牛們）都投身於一項在他們眼中不復雜的工作：如何用機器來 「復現」 人類的視覺。很可惜，直到現在，電腦才在一些特定的視覺工作中達到了人類的水平。
當然，隨著電腦算力的提升，演算法的升級；終有一天，電腦可以像人一樣處理視覺資訊。亦或者就像Marr所言，未來的一天，一位科研工作者，就可以用一台普通網絡攝影機配以算力足夠的電腦，模擬出 「看」 的過程。但是電腦的 「看」，和人類的 「看」 一樣麽？電腦的 「智能」 與人類的 「智能」 一樣麽？
正如Marr 對於視覺過程的總結一般，視覺過程可以分為三個層次（David Marr’s Three Level’s of Analysis ）：計算層面，演算法層面，與實作層面。便於理解的例子（以及圖）就是Krakauer et al. （2016） 的一個例子。倘若我們研究鳥類運動時候，鳥飛就是計算層面問題；飛行的演算法就是鳥的振臂拍翅；而具體的實作，就依靠於鳥類輕盈的骨骼， 豐滿的毛發以及強健的胸肌。
那麽，萊特兄弟在制作飛機的時候，肯定是達到了飛行這計算層面的問題。但是，哪怕仿生，他們也沒有鉆研如何做出巨大的強健的翅膀（你看，伊卡洛斯不就失敗了），而是用了截然不同的演算法（空氣動力學）以及不一樣的實作方法（發動機+飛機結構+材料科學的套用）。
就如同自然語意辨識一樣，視覺早期的研究都基於模仿人類本身的處理過程。沒準電腦復現果蠅的視覺系統還算簡單，但是復現人類的視覺系統太過難了。好比，處理物體辨識（object recognition）的下顳葉皮層（inferior temporal cortex）的神經元有著極為復雜的感受野。直接表達特別困難。
也正如自然語意辨識一樣，科學家們發現模擬人類（的演算法）不是最佳路線，其中兩項巨大的原因：1. 演算法本身難以描述（神經科學亟待突破），2. 人類與電腦的硬件結構不同（實作層面不同）。正如Marr所言，視覺的確是計算，但是不是計算而已。用不同的硬件實作一樣的計算，不妨使用不一樣的演算法。統計以及機器學習正是方子。
所以說，簡單而言，電腦的 「智能」 與人類的 「智能」 在一定領域達到了同樣的計算層面（比如都能辨識面孔），但是由於完全不同的硬件（視覺處理區域 v.s. 電腦的GPU+CPU），辨識演算法截然不同。
正如演化一樣，並沒有高低之分，只有適合與否。目前的電腦的 「智能」 走出了截然不同的道路，達到了很好的作用。對於科研也有著很大作用。
隨著機器學習不斷突破前沿，神經科學也收到了不少反哺。比如最新在 Nature Neuroscience的論文，無論是核磁共振數據還是neurobiology的實驗，都在機器學習的幫助下 （哪怕就是 SVM），更好地理解神經系統的執行過程。
甚至，手機中的機器學習芯片都可以學習我們使用過程，提供個人化甚至獨一無二的體貼服務。
而在教育角度，電腦的 「智能」 由於可以達到一些人類難以達到的高度 （速度和效率，甚至類似棋類軟件的強大算力），其實可以給人類一些幫助：學習機器的演算法。是的，機器的演算法雖然有時候基於電腦本身，但是拆分開一項巨大工作，裏面不少演算法可以為我們所用。獨特的角度，而且超脫了人類智力本身的電腦的 「智能」，沒準能讓我們更快地達到 我們想要的目的本身啊。
