神經網路學習技術源自於大腦的動態。然而，腦學習和深度學習這兩個場景有著本質上的差異。最顯著的差異之一是每個人擁有的層數。

深度學習架構通常由多個層組成，這些層可以增加到數百個，從而能夠有效學習複雜的分類任務。相比之下，腦由很少的層組成，儘管其架構較淺且動態嘈雜且緩慢，但它可以有效地執行複雜的分類任務。

推動新研究的關鍵問題是大腦高效淺層學習的可能機制，使其能夠以與深度學習。在發表於的一篇文章中物理學A：統計力學及其應用以色列巴伊蘭大學的研究人員展示了這種淺層學習機制如何與深度學習競爭。

巴伊蘭物理與貢達系(Goldschmied) 的伊多·坎特(Ido Kanter) 教授表示：「大腦不是像摩天大樓那樣由深層結構組成，而是由寬而淺的結構組成，更像是一座非常寬的建築物，只有很少的樓層。

「正確分類物體的能力隨著建築變得更深，有更多層。相較之下，大腦的淺層機製表明更廣泛的網絡可以更好地對物體進行分類。大學生也是這項工作的主要貢獻者之一。「更寬和更高的架構代表了兩種互補的機制，」她補充道。

儘管如此，實現非常廣泛淺層架構，模仿大腦的動態，需要改變先進 GPU 技術的屬性，該技術能夠加速深度學習建築學，但未能實現寬淺的。

更多資訊：Ofek Tevet 等人，高效的淺層學習機製作為深度學習的替代方案，物理學A：統計力學及其應用（2024）。DOI：10.1016/j.physa.2024.129513