馬裡烏斯·烏爾薩凱和威廉·西姆斯·本布裡奇所描述的那種複雜的推薦系統「頭腦文件」可能以軟件形式複製我們。然而，確保將一個人按照不同於原始的方式重建的唯一真正可靠的方法是，通過提取神經元來複製大腦中的所有細胞通路。
要使上述方法成為可能，我們必須首先接受人工智能的核心原則：大腦執行的主要任務可以被視作信息處理，這與計算機執行的任務沒什麼不同。換句話說，計算機系統中所用的軟件與所謂的人腦「濕件」沒有本質區別。這種智能模式要求我們遵守「基質獨立」原則，這意味著大腦作為一種動態過程，並不一定與一組原子相關聯。如果大腦的信息處理是真正的基質獨立，那麼這就意味著某一天，它可以將智能從以蛋白質為基礎的大腦轉移到另一種更加持久的媒介中，如計算機網絡。
因此，問題就演變為我們如何建造這樣的一個大腦。最簡單的答案是，就像任何一個曾經把鬧鐘拆開想要瞭解其工作原理的人，他知道這是對它的「反向設計」。這種行為就是把現有軟件或硬件拆開，從而瞭解它的生產方式。一旦我們瞭解了它的生產方式，我們就可以用同樣的方法建立一套完全相同的模型。如果我們碰巧知道它已經建造成功，還獲取了一些輸入和輸出的數據，我們就可以訓練神經網絡，使它對本書所述的任何事做出相同的舉動。
當今時代，把大腦當作軟件最成功的嘗試是深度學習神經網絡。基於對生物大腦的簡單模仿，這些網絡已經變得越來越複雜，並且越來越成熟。當馬文·明斯基於1994年創作他的論文《機器人是否將接管地球？》時，大量神經網絡構成了約440個連接點。而在我寫本章的時候，世界最大的深度學習網絡屬於一家名為「Digital Reasoning」的美國認知計算公司，擁有約1 600億個神經連接點。儘管它與人腦的實際複雜性還相距甚遠，因為人腦約有86萬億個類神經連接，但這是幾十年來的一個巨大飛躍。每立方毫米的人腦組織竟然包含100 000個神經元，以及約900 000 000個類神經連接。
如果摩爾定律繼續有效，未來幾十年內建立一個這種規模的神經網絡不是什麼問題。不幸的是，單靠這些並不足以生成大腦般聰慧的智能。我們知道，這是因為儘管計算機科學家建立了擁有上百萬個神經元的神經網絡，但它仍然還不具備可與動物相提並論的通用人工智能。在動物界，100萬個神經元應該能讓大腦具備蜜蜂這個水平（96萬神經元）或蟑螂這個水平（100萬神經元）的智能。我們還沒有做到這點。事實上，我們離重造真正的動物中樞神經系統的「神經連接體」或接線圖最近的嘗試是分析一種被稱為秀麗隱桿線蟲的雌雄同體線蟲。早在20世紀70年代，諾貝爾獎得主、生物學家悉尼·布倫納（Sydney Brenner）和他的同事為了能夠使用功能強大的電子顯微鏡拍攝線蟲細胞，開始對秀麗隱桿線蟲進行切片。到了1986年，布倫納收集到了足夠多的信息，發佈了這種線蟲完整的神經系統連接體。至今，它依然還是我們能夠解碼的所有生物體中最完整的神經連接體。
因為秀麗隱桿線蟲的神經系統結構非常基礎，7 000個神經突觸將僅有的302個神經元連接在一起。儘管這種結構非常簡單，但是我們對其神經系統的實際工作原理仍然知之甚少。自2011年以來，用計算機為該線蟲建模的任務一直由美國、歐洲和俄羅斯的數百位科學家和程序員組成的國際團隊在進行。這個被稱為「OpenWorm」的項目試圖建立一個線蟲的仿真物理軀體和具體的仿真神經系統模型。然而，儘管花費了大量人力物力，我們依然尚未瞭解線蟲神經元處理信息的機制，而依靠這種機制我們可以複製最基本的爬蟲行為。
假設我們已經有了功能足夠強大的計算機，那麼模擬數十億互動的神經元就不再是棘手的事了。從已經展開的工作來看，我們知道在網絡裡組裝數十億個神經元並不能產生智能的人類級大腦，而把數十億個傳感器放在一起至多產生一個功能不錯的中央處理器（CPU）。秀麗隱桿線蟲這樣的神經連接體是一個靜止的環路，實際上缺乏所有的環路運行信息。這是因為，當我們查看神經網絡的時候，有些參數隱藏在我們無法進入的神經元內。換句話說，你可能查看了現有計算機的藍圖之後就建造了一台計算機，但你可能依然會對編寫微軟Word程序一頭霧水。
如果思維是大腦的軟件，為什麼我們希望它會有所不同？