10 Important Differences Between Brains and Computers

 

 

“A good metaphor is something even the police should keep an eye on.” – G.C. Lichtenberg 

Although the brain-computer metaphor has served cognitive psychology well, research in cognitive 

neuroscience has revealed many important differences between brains and computers. Appreciating 

these differences may be crucial to understanding the mechanisms of neural information processing, 

and ultimately for the creation of artificial intelligence. Below, I review the most important of these 

differences (and the consequences to cognitive psychology of failing to recognize them): similar 

ground is covered in this excellent (though lengthy) 

lecture

. 

Difference # 1: Brains are analogue; computers are digital 
It’s easy to think that neurons are essentially binary, given that they fire an action potential if they 
reach a certain threshold, and otherwise do not fire. This superficial similarity to digital “1’s and 0’s” 

belies a wide variety of continuous and non-linear processes that directly influence neuronal 

processing. 

 

For example, one of the primary mechanisms of information transmission appears to be the rateat 

which neurons fire 

– an essentially continuous variable. Similarly, networks of neurons can fire in 

relative synchrony or in relative disarray; this coherence affects the strength of the signals received 

by downstream neurons. Finally, inside each and every neuron is a leaky integrator circuit, 

composed of a variety of ion channels and continuously fluctuating membrane potentials. 

Failure to 

recognize these important subtleties may have contributed to Minksy & Papert’s infamous 

mischaracterization of perceptrons, a neural network without an intermediate layer between input 

and output. In linear networks, any function computed by a 3-layer network can also be computed by 

a suitably rearranged 2-layer network. In other words, combinations of multiple linear functions can 

be modeled precisely by just a single linear function. Since their simple 2-layer networks could not 

solve many important problems, Minksy & Papert reasoned that that larger networks also could not. 

In contrast, the computations performed by more realistic (i.e., nonlinear) networks are highly 

dependent on the number of layers 

– thus, “perceptrons” grossly underestimate the computational 

power of neural networks. 

Difference # 2: The brain uses content-addressable memory 

In computers, information in memory is accessed by polling its precise memory address. This is 

known as byte-addressable memory. In contrast, the brain uses content-addressable memory, such 
that information can be accessed in memory through “spreading activation” from closely related 
concepts. For example, thinking of the word “fox” may automatically spread activation to memories 

related to other clever animals, fox-hunting horseback riders, or attractive members of the opposite 

sex. 

The end result is that your brain has a kind of “built-in Google,” in which just a few cues (key words) 

are enough to cause a full memory to be retrieved. Of course, similar things can be done in 

computers, mostly by building massive indices of stored data, which then also need to be stored and 

searched through for the relevant information (incidentally, this is pretty much what Google does, 

with a few twists). 

Although this may seem like a rather minor difference between computers and brains, it has 

profound effects on neural computation. For example, a lasting debate in cognitive psychology 

concerned whether information is lost from memory because of simply decay or because of 

interference from other information. In retrospect, this debate is partially based on the false 

asssumption that these two possibilities are dissociable, as they can be in computers. Many are now 

realizing that this debate represents a 

false dichotomy

. 

Difference # 3: The brain is a massively parallel machine; computers are modular and serial 

An unfortunate legacy of the brain-computer metaphor is the tendency for cognitive psychologists to 

seek out modularity in the brain. For example, the idea that computers require memory has lead 
some to seek for the “memory area,” when in fact these distinctions are far more messy. One 

consequence of this over-simplification is that 

we are only now learning that “memory” regions (such 

as the hippocampus) are also important for 

imagination

, the 

representation of novel goals

, 

spatial 

navigation

, and other diverse functions. 

Similarly, one 

could imagine there being a “language module” in the brain, as there might be in 

computers with natural language processing programs. Cognitive psychologists even claimed to 

have found this module, based on patients with damage to a region of the brain kno

wn as Broca’s 

area. More recent evidence has shown that language too is computed by widely distributed and 

domain-

general neural circuits, and Broca’s area may also be involved in other computations 

(see 

here for more on this

). 

Difference # 4: Processing speed is not fixed in the brain; there is no system clock 

The speed of neural information processing is subject to a variety of constraints, including the time 

for electrochemical signals to traverse axons and dendrites, axonal myelination, the diffusion time of 

neurotransmitters across the synaptic cleft, differences in synaptic efficacy, the coherence of neural 

firing, the current availability of neurotransmitters, and the prior history of neuronal firing. Although 
there are individual differences in something psychometricians call “processing speed,” this does not 

reflect a monolithic or unitary construct, and certainly nothing as concrete as the speed of a 

microprocessor. Instead, psycho

metric “processing speed” probably indexes a heterogenous 

combination of all the speed constraints mentioned above. 

Similarly, there does not appear to be any central clock in the brain, and there is debate as to how 

clock-

like the brain’s time-keeping devices actually are. To use just one example, the cerebellum is 

often thought to calculate information involving precise timing, as required for delicate motor 

movements; however, recent evidence suggests that time-keeping in the brain bears more similarity 

to 

ripples on a pond

 than to a standard digital clock. 

Difference # 5 

– Short-term memory is not like RAM 

Although the apparent similarities between RAM and short-

term or “working” memory emboldened 

many early cognitive psychologists, a closer examination reveals strikingly important differences. 

Although RAM and short-term memory both seem to require power (sustained neuronal firing in the 

case of short-term memory, and electricity in the case of RAM), short-term memory seems to hold 
only “pointers” to long term memory whereas RAM holds data that is isomorphic to that being held 

on the hard disk. (See 

here

 

for more about “attentional pointers” in short term memory). 

Unlike RAM, the capacity limit of short-term memory is not fixed; the capacity of short-term memory 

seems 

to fluctuate with differences in “processing speed” (see Difference #4) as well as with 

expertise and familiarity. 

Difference # 6: No hardware/software distinction can be made with respect to the brain or 

mind 

For years it was tempting to imagine that the 

brain was the hardware on which a “mind program” or 

“mind software” is executing. This gave rise to a variety of abstract program-like models of cognition, 

in which the details of how the brain actually executed those programs was considered irrelevant, in 

the same way that a Java program can accomplish the same function as a C++ program. 

Unfortunately, this appealing hardware/software distinction obscures an important fact: the mind 

emerges directly from the brain, and changes in the mind are always accompanied by changes in 

the brain. Any abstract information processing account of cognition will always need to specify how 

neuronal architecture can implement those processes 

– otherwise, cognitive modeling is grossly 

underconstrained. Some blame this misunde

rstanding for the infamous failure of “

symbolic AI

.” 

Difference # 7: Synapses are far more complex than electrical logic gates 

Another pernicious feature of the brain-computer metaphor is that it seems to suggest that brains 

might also operate on the basis of electrical signals (action potentials) traveling along individual 

logical gates. Unfortunately, this is only half true. The signals which are propagated along axons are 

actually electrochemical in nature, meaning that they travel much more slowly than electrical signals 

in a computer, and that they can be modulated in myriad ways. For example, signal transmission is 
dependent not only on the putative “logical gates” of synaptic architecture but also by the presence 

of a variety of chemicals in the synaptic cleft, the relative distance between synapse and dendrites, 

and many other factors. This adds to the complexity of the processing taking place at each synapse 
– and it is therefore profoundly wrong to think that neurons function merely as transistors. 

Difference #8: Unlike computers, processing and memory are performed by the same 

components in the brain 

Computers process information from memory using CPUs, and then write the results of that 

processing back to memory. No such distinction exists in the brain. As neurons process 

information they are also modifying their synapses 

– which are themselves the substrate of memory. 

As a result, retrieval from memory always slightly alters those memories (usually making them 

stronger, but sometimes making them less accurate 

– see 

here

 for more on this). 

Difference # 9: The brain is a self-organizing system 

This point follows naturally from the previous point 

– experience profoundly and directly shapes the 

nature of neural information processing in a way that simply does not happen in traditional 

microprocessors. For example, the brain is a self-repairing circuit 

– something known as “trauma-

induced plasticity” kicks in after injury. This can lead to a variety of interesting changes, including 

some that seem to unlock unused potential in the brain (known as 

acquired savantism

), and others 

that can result in profound cognitive dysfunction (as is unfortunately far more typical in traumatic 

brain injury and developmental disorders). 

One consequence of failing to recognize this difference has been in the field of neuropsychology, 

where the cognitive performance of brain-damaged patients is examined to determine the 

computational function of the damaged region. Unfortunately, because of the poorly-understood 

nature of trauma-induced plasticity, the logic cannot be so straightforward. Similar problems underlie 
work on developmental disorders and the emerging field of “cognitive genetics”, in which the 

consequences of neural self-organization 

are frequently neglected

 . 

Difference # 10: Brains have bodies 

This is not as trivial as it might seem: it turns out that the brain takes surprising advantage of the fact 

that it has a body at its disposal. For example, despite your intuitive feeling that you could close your 

eyes and know the locations of objects around you, a series of experiments in the field of 

change 

blindness

 has shown that our visual memories are actually quite sparse. In this case, the brain is 

“offloading” its memory requirements to the environment in which it exists: why bother remembering 

the location of objects when a quick glance will suffice? A surprising set of 

experiments by Jeremy 

Wolfe

 has shown that even after being asked hundreds of times which simple geometrical shapes 

are displayed on a computer screen, human subjects continue to answer those questions by gaze 

rather than rote memory. A wide variety of evidence from other domains suggests that we are only 

beginning to understand the importance of embodiment in information processing. 

Bonus Difference: The brain is much, much bigger than any [current] computer 

Accurate biological models of the brain would have to include some 225,000,000,000,000,000 (225 

million billion) interactions between cell types, neurotransmitters, neuromodulators, axonal branches 
and dendritic spines, and that doesn’t include the influences of dendritic geometry, or the 

approximately 1 trillion glial cells which may or may not be important for neural information 

processing. Because the brain is nonlinear, and because it is so much larger than all current 

computers, it seems likely that it functions in a completely different fashion. (See 

here

 for more on 

this.) The brain-computer metaphor obscures this important, though perhaps obvious, difference in 

raw computational power. 

 

 

I have to disagree with you on a number of these points (namely, the first half). While they are all 
generally true regarding the computers we work with during 

our daily blogging activities, I don’t think they 

are entirely true when taking into account a more sophisticated understanding of what a “computer” is. 

Difference # 1: Brains are analogue; computers are digital 

Calling something a computer doesn’t necessarily mean that it must have digital circuits, though analog 
circuits clearly are rare. So this is good to point out, but there is interest in analog circuitsespecially 
in 

building artificial neural networks

,. 

Also, I fail to see how rate of firing is significant in digital versus analog. If the importance of the continuity 
of firing is the average signal strength over a given time period then a signal sent digitally in intervals 
should be eq

uivalent in its ability to cause the next set of neurons to fire. There might be something I’m 

missing here, but as you stated it I don’t see how this necessitates analog circuitry. 

Also, I think the Minsky & Papert reference is off the mark. It certainly was a sad day for AI, but again I 
don’t see what this has to do with analog versus digital. What you mentioned demonstrates their 
fallacious thinking about how one can structure neural networks and what they can compute, but what 
does that have to do with whether they are analog or digitial? 

Alan Turing firmly believed it was possible to simulate the continuous nature of the brain on a digital 
machine; however I think this is still an open question. At any rate, I think the more important question is, 
given that one can build a machine using analog circuits and call it a computer, whether the entire brain 
can be described using math equations. 

Difference # 2: The brain uses content-addressable memory 

I think this is really only a superficial distinction. If you implement a neural network on a computer, then all 
of the inner workings of the CPU and its methods of memory allocation become irrelevant. If a neural 
network can be simulated digitally, then where or how it is implemented is a non-issue, as any 
implementation will be equivalent. (So the question is then analog versus digital.) 

On the other hand, I can see how this architectural difference can be important to point out to people who 
have no idea how the brain or computers are constructed. 

Difference # 3: The brain is a massively parallel machine; computers are modular and serial 

In the same way that implementation wasn’t an issue before, it isn’t here either. Parallel processing can 
be implemented equivalently on a serial machine. Also, this isn’t even true anymore, as most if not all 
supercomputers used for research have dozens, hundreds, or even thousands of processors. And even 
consumer level machines are becoming parallel, with dual-core CPUs coming out in the past few years. 

The modularity issue I’m intrigued by. Clearly the areas of the brain are not as discrete as those in our 
computers, but don’t we still refer to experience occurring in the neocortex? Although I really don’t know 
enough about this (and I want to know more!) there must be some level of modularity occurring in the 
brain. My gut instinct is telling me here that a brain based completely on spaghetti wiring just wouldn’t 
work very well… 

Difference # 4: Processing speed is not fixed in the brain; there is no system clock 

You might call 

me out for nitpicking here, but CPUs don’t require system clocks. Asynchronous 

processors are being actively researched and produced. 

A key advantage is that clockless CPUs don’t consume energy when they aren’t active. Machines based 
on synchronous process

ors, on the other hand, constantly have the “pulse” of the clock traveling through 

the system (and the frequency at which it “beats” determines the speed of the CPU). The pulse of the 
clock continuously coursing through all of the circuits also results in 

“wasted cycles,” meaning power is 

being used when the CPU isn’t doing anything, and heat is being dissipated for no reason. 

Difference # 5 

– Short-term memory is not like RAM 

Again, this seems to be a superficial architectural difference. I think that if your intent is to simulate the 
brain using artificial neural networks, then the how the RAM or hard drive works is inconsequential. 

I’ll admit that it is something worth pointing out to someone who does take the brain/computer analogy too 
far (which is I gu

ess exactly who you’re targeting here) or doesn’t know much about computers or brains. 

Difference # 6: No hardware/software distinction can be made with respect to the brain or mind 

This one I completely agree with. I always get the feeling when I read philosophy of AI papers that some 
of the philosophers take the sentiment “the mind is the program being executed on the machine that is 
the brain” too far. Consequently, and I feel this is actually a central problem with philosophy of AI, they 
pay too little attention to how the brain actually operates and try to think about how to implement 
consciousness on a computer without considering how the activities of the brain relate to the mind. 

… 

Anyway, I think it would be fair to describe the brain as an asynchronous, analog, and massively parallel 
computer where the hardware itself is inherently mutable and self-organizing.