解读任何数量的能力被称为数字感。数字感在数学认知中至关重要。我们的神经系统能够轻松地将大量数据组织成小组并对数字数量进行分类，但这些数字感的出现原因尚不明确。对于数字表示如何在人脑中出现，我们需要更好地理解。
斯坦福人机协同人工智能（HAI）研究人员声称，可以使用生物启发的神经网络结构来理解数字感的出现。通过使用大脑皮层的V1、V2和V3层与顶枕沟（IPS）的神经网络结构，可以理解神经表示的变化。类似于人脑的视觉皮层；V1、V2、V3和IPS是深度神经网络中的视觉处理流。通过单元和分布式群体层面上的深度神经网络，可以研究数量出现的神经编码与学习。
HAI的研究人员发现，由于深度神经网络中图像的统计属性，视觉数量性质会出现，并且数量敏感的神经元会在经过标准化的ImageNet数据集中训练的卷积神经网络中自发地出现。他们使用了一个具有更符合生物学的可行性架构的数字-DNN（nDNN）模型，而不是使用卷积神经网络。
大多数现实生活中的图像都包含非符号刺激。通过数量训练和解释，它们被映射到数量表示上。研究人员发现，随着数量训练的进行，自发调谐的神经元会发生变化并形成层次结构。类似于大脑用于图像学习的过程，研究人员实施了表示相似性分析，以评估数值数量如何跨信息处理过程产生分布式表示。
HAI的研究人员在儿童的数字技能上进行了实验，因为儿童通常被描述为将非符号表示映射到抽象符号表示。这对于数值问题解决能力的发展至关重要。这些数字感和符号数字处理能力依赖于不同的神经系统。除了这些差异，研究发现，儿童通常倾向于通过将小数字映射到非符号表示来学习，通过计数和算术原理来学习大数字。研究还表明，符号和非符号数量之间的神经表示相似性与儿童的算术技能呈正相关，与顶叶、额叶皮层和海马体有关。
大多数神经心理学研究都是在动物身上进行的，以获得了解认知推理出现的数据。但是，动物的大脑存在局限性。目前尚不清楚理解方式是否与人类相同。解决方案类似于HAI的研究，因为它对于理解认知意义上的数字感发展和儿童通过训练深度神经网络进行类似认知和数学推理的活动来学习数量表示具有重要意义。