對人類認知最基本層面的研究，稱為基本認知加工，也稱為認知科學。心理學、神經(jīng)學和認知神經(jīng)科學是認知科學的主要研究領域，其的很多發(fā)現(xiàn)對AI有著重要的應用，即機器學習學科。

有趣的是，神經(jīng)生理學和微觀測繪的研究支持這樣一個觀點:復雜的心理操作可以在系統(tǒng)層面上解釋。AI系統(tǒng)以多種方式運作，就像我們大腦的簡化版。

AI每天都在變得更加智能。假如AI達到與人類相似的智力水平，其將受到與人類相同的限制。人類對人類層次認知的解釋和形成使AI系統(tǒng)在機器學習中的計算復雜化。直覺和大腦研究的原理表明，人們在表達事實之前就有特定的解釋偏好。但假如我們過度依賴AI，就有可能會低估人類行為的重要性。另外，即使AI系統(tǒng)在以無數(shù)種方式改進，我們仍然不完全了解人類怎樣在這些領域完成類似但更困難的任務。即使我們試圖定義什么是“人”，區(qū)別也變得愈來愈模糊。

可用性啟發(fā)法斷言，人們通常更依賴于確認他們當前想法的數(shù)據(jù)，當其觸及到AI選擇時，是一個顯著的認知偏差。當面對相互沖突或模棱兩可的數(shù)據(jù)時，我們通常傾向于對給定證據(jù)做出最相關或最符合邏輯的解釋。這種策略在某些情況下可能有效，但在很多情況下，可能會招致無法打破的失敗循環(huán)。當算法嚴重依賴啟發(fā)式進行決策，并最終依賴于無關或過時的信息時，就會發(fā)生內存泄漏。這就是一個典型的例子。

人類在做決定時更喜歡使用啟發(fā)式方法，這很容易觀察，但這些偏見是自動的和無意識的，使之難以識別。我們有充分的理由認為，自狩獵采集文化的時代以來，人類在日常生活中就一直在運用偏見。人類今天擁有的很多技能，譬如語言和數(shù)學，都是在各種學習策略的幫助下獲得的，譬如鏡像。學習信息并不難，我們的大腦可以迅速解碼。

斷言偏見在人類決策中仍然起著很小的作用是不正確的。盡管不斷開發(fā)改進的過濾方法，但如今還沒有一個解決AI進步的單一方案。我們知道AI和人類的思想都很容易出錯。這意味著，任何AI系統(tǒng)都不會在任何計算中完全取代一個人，無論神經(jīng)網(wǎng)絡在預測下一步行動過程中的發(fā)展程度怎樣。

考慮到認知偏見根植于人類本性，不太可能消失，AI系統(tǒng)將需要考慮它們。完美的AI系統(tǒng)是無法制造出來的。如今正在使用的方法只能加強、優(yōu)化和改進，同時使系統(tǒng)的其他部分具有類似于人的質量。越是了解認知偏差，就愈能有效地使用機器學習和AI。