大脑的潜力无限但仅能有限利用。

这就像电脑当被使用到极限的时候会死机一样，关键是大脑创造奇迹的靠的是如何处理这些极限，例如，看上去那些不可解决的类神经网络的难题却可以通过创造新的算法解决，这些算法是未来行动的计划，在这个计划里，看似不可解决的复杂性可以成功理顺。

理清地铁的网络就是这样一个例子，因为新增加的很多线路的站点，地铁网络变得奇大且复杂，对于人脑是如何理清这些线路，引起了人工智能和机器语言研究者的极大兴趣。

谷歌的一篇深度研究报告在本周发布，研究发现人类可以通过大脑层级系统梳理这些计划难题（像是寻找地铁线路），换句话说就是，通过演变自动优化。

人的认识会使自己逐渐接受挑战，像是我们对多种时间表计划，执行表现的能力。亦或是找到更有效率的途径解决难题，设想未来的职业规划，付诸实践，直到实现。Deepmind的研究者说，“虽然我们早已知道大脑与计划有关，到底这个在计划和执行中，自动机制是如何工作的，我们还是知道的太少。”

最典型的方法去计划，就是寻找未来的所有可能状态。目标是找出和评价所有可能的结果，我们开始从可能性的网络开始入手，一个行动带出新的行动，如此往复。这就是计算机解决象棋的道理：根据一个特定的动作计算所有可能发生的结果，选择最有力的。但是棋局只能代表理想的世界。

研究还写道，“因为未来的行动结果呈指数增长，这个方法在很多自然环境里不适用，例如。一个旅客可能不会通过想象每一个中转站去到达目的地，而是只到达一些主要的地区，像是机场啊或是其他旅行站点”。

这些主要地区包含很多情况，使得大脑达到完成复杂的计划，与想象一个区拉斯维加斯的旅行相比，把考虑背景换到内华达州会更简单。拿地铁来说，我们的大脑可能试着从一个站点到另一个站点，同样地，当把想象这个过程转换到背景时，会更简单些，类似这样的计划都是通过层级网络而工作。

Deepmind团队解释说，“与计划在平级系统环境不同，在层级系统环境的计划不需要将每个地点连接到当前的位置和目标，”“而是寻找到当前的背景和终止条件，允许下一个背景实现，例如，当在伦敦地铁计划一次从Maeble到King´s Cross的时候,应该选取中间线路去Oxford Circus,然后从那里.转到Victoria线路。”

研究者可通过观察大脑电子活跃性证实这个观点，最关键的发现是，神经系统对地跌线路的和连接不同站点的站点变化有回应，而不是简单地增加或是减少站点数量，总结起来大脑工作计划依赖于背景而不是寻找线路与站点之间的寻找线路。

Jan Balaguer说我们研究大脑怎么实践事物，目的是设计更好的公式 。对于机器而言，有一个层级做决定系统到底是利还是弊取决于你是否开始实行了正确的层级。