研究人类认知的最基本层次，称为基本认知加工，也称认知科学。心理学、神经学和认知神经科学是认知科学的主要研究领域，其许多发现对机器学习学科人工智能具有重要应用。有趣的是，神经生理学和显微绘图研究支持这样一种观点，即复杂的心理操作可以在系统层面进行解释。人工智能系统以多种方式发挥作用，就像我们大脑的简化版一样。人工智能每天都变得越来越聪明。如果人工智能达到与人类相似的智能水平，它将受到与人类相同的限制。人类对人类水平认知的解释和形成使机器学习中人工智能系统的计算复杂化。直觉原理和大脑研究表明，人们在表达事实之前有特定的解释偏好。但如果我们过分依赖人工智能，我们就有可能低估人类行为的重要性。此外，尽管人工智能系统正在以多种方式改进，但我们仍然不完全了解人类如何在这些领域完成类似但更困难的任务。即使我们试图定义“人”的含义，这种区别也变得越来越模糊。可用性启发式断言，人们通常更依赖于确认他们当前想法的数据，这是在人工智能选择方面的一个重大认知偏差。当面对相互矛盾或模棱两可的数据时，我们倾向于对给定证据做出最相关或最合乎逻辑的解释。这种策略在某些情况下可能会奏效，但在很多情况下，它可能会导致无法打破的故障循环。当算法严重依赖启发式方法做出决策并最终依赖于不相关或过时的信息时，就会发生内存泄漏。这是一个典型的例子。人类在做决定时更喜欢使用启发式方法，这很容易观察到，但这些偏见是自动的和无意识的，因此很难识别。有充分的理由认为，自狩猎采集文化时代以来，人类就一直在日常生活中利用偏见。人类今天拥有的许多技能，例如语言和数学，都是在各种学习策略（例如镜像）的帮助下获得的。学习信息并不困难，我们的大脑可以快速解码。断言偏见在人类决策中仍然起着很小的作用是不正确的。尽管不断开发改进的过滤方法，但目前还没有针对AI进步的单一解决方案。我们知道人工智能和人类思维都容易犯错。这意味着无论神经网络在预测下一步行动方面有多先进，人工智能系统都无法在任何计算中完全取代人类。由于认知偏见植根于人性，不太可能消失，因此人工智能系统需要将它们考虑在内。完美的人工智能系统是无法制造的。当前使用的方法只能得到增强、优化和改进，同时为系统的其他部分提供类似人类的质量。你对认知偏差了解得越多，你就越能有效地使用机器学习和人工智能。
