斯科特·阿特兰（Scott Atran）：法国国家科学研究中心（CNRS）人类学家；著有《与敌人对话》（Talking to the Enemy）
让机器完美模拟人类思维的某些特定方面很简单，让机器在某些特定思考任务中完胜人脑也不难。但让传统意义上的计算机器以人脑的模式思考难如登天，因为一旦涉及创造性领域，它们处理信息的方式便与人脑南辕北辙。
机器能够做到精确无误地模拟那些结果固定（如记住最喜欢的电影、识别熟悉的物品）或动态（驾驶飞机、下国际象棋）的人类思维。此外，机器还能在消耗少得多的时间与能量的情况下，在简单（如记住无限多电话号码）或复杂（从全球数以万亿计的通信联络中发掘出诸多人际关系网，有些人甚至身在网中却浑然不觉）的任务中完胜人脑。
即便目前，机器智能的发展还是没多少头绪，但我并没发现有什么理论上的壁垒，在阻止那些脱离人类控制、独立运行的机器从人类（甚至其他机器）犯的错中汲取经验并进化自身，继而创造新形式的艺术作品或建筑、称霸体育界（大概是“深蓝”和“刀锋战士”的某种完美结合体）、发明新药物、挖掘人才并合理分配教育资源、把关质量监督，甚至是制造武器并用其消灭碍事的人类，而不是其他机器同类。
然而，如果目前在人工智能与神经科学领域中的关注点（即通过准确地识别事物之间的连接与传导模式，来判断其过去的联系和前进的概率）不发生点改变的话，我觉得未来的机器大概永远无法完全获得（或仿效）人类的创造性思维过程，包括新科学假说的形成，甚至一般语言的产生。
无论是牛顿的运动学三大定律，还是爱因斯坦的相对论，都是基于想象的理想化世界。诸如没有摩擦的环境、在真空中追逐一束光，都是本无先例、再无可能的假设。这些思想的形成，需要一定程度的抽象化和理想化能力，需要我们忽视而不是竭力整合所有次要信息的能力。
借助日益复杂与高效的信息输入输出模式，以及那些拥有海量数据组权限，并不断以贝叶斯概率及其他统计手段（基于自然状态的置信度）优化的超级计算机，机器很可能会说出更好的语句、作出更准确的翻译，或者更悦耳的旋律以及更新颖的科技创新。通过这种方式，机器可能以类似逆向工程的途径达到一种近似——近似于儿童或专家依靠构造精妙的先天内部结构毫不费力就做到的事情：从这个世界嘈杂无比的信息输入中破译出重要的部分。人类从一开始就知道自己在这些噪声中该寻找什么。从某种意义上讲，人们总是在事情开始之前就已经在做事了。计算机器永远无法确认自己在做什么。
脱离人类直接控制而独立运行的机器能否与人类长期互动，并让这些人类认为自己在与另一个人类交流？机器能够在许多领域无限接近我们、在另外一些领域显著超越我们。然而，正如再高超的骗子也总有失手被捕的那天（即便概率很小）、从不撒谎的诚实人则永远不会被抓一样，那些不采用“结构依赖”原则，反而基于随机运转的“联想主义-联结主义”机器大概永远无法理解、无法感受一切。
从原则上讲，结构更加复杂（带有内部构造，超越了“读”“写”“地址”功能）的机器可以被制造出来（实际上早期的人工智能拥护者还加上了“逻辑句法”），能在带着一定出错率（因为如果没有错误，就没有学习的可能）的情况下参与互动，并能产生文化上的进化。然而，眼下在诸多人工智能与神经科学领域的重点，实则是将假想的抽象心理学结构替换为在物理上可触及的神经网络之类，他们似乎恰好走了完全相反的错误方向。
实际上，心理学家假想的那些认知结构（假设它们描述上充足、解释上合理，并且经过了其他方案与零假设的实证检验）才应该是我们的出发点——这才是神经科学与思维机器模型应该寻找的地方。如此一来，只要发现不同的抽象结构通过同样的物理基础运行，或者相似的结构通过不同的基础运行，我们就有了一个崭新而有趣的问题，这个问题可能会引导我们对结构和基质的概念进行反思。如此简单而基础的事情也被弄得疑云重重（或者甚至是被谜题的先验所排除）的现实告诉我们，现在的心智科学仍然处于多么原始的阶段——无论是人脑还是机器。
