مدل پیشنهادی Sierreو Poggio گسترش خود به هر دو دانش هوش مصنوعی و عصب شناسی را در دانشگاه ام آی تی آغاز كرده است. Stan Bileschi به معرفی مدلی موسوم به تشخیص صحنه (scene recognition) پرداخته است كه اساس قضاوت های سطح بالای انسان محسوب می شود. Bileschi بر این باور است كه تحلیل یك صحنه برتر از عملكرد بسیاری از برنامه های پردازش تصویر ماشینی (مانند پاییدن یك شیء) است.Poggio می گوید تشخیص بی درنگ مبنا و اساس شناسایی های تصویر است، ولی آن همه چیزی نیست كه ما نیازمند آنیم.سطوح متفاوتی از شناسایی وجود دارد كه تشخیص بی درنگ یكی از ساده ترین انواع آن است.بسته به وضعیت موجود، یك شیء می تواند به عنوان یك اسباب بازی، یك عروسك، بازتابی از فرهنگ آمریكایی، یك شخصیت یا هر چیز دیگری معرفی شود. (اگر قصد خرید یك عروسك را داشته باشید، عروسك پشت ویترین برای ما، یك عروسك یا اسباب بازی است، ولی اگر آن عروسك در یك نمایشگاه تجارت و صادرات عرضه شود، به عنوان یك محصول تجاری و صادراتی معرفی می شود. یعنی وضعیتی كه در آن قرار داریم، تعریف ما از اشیا را تحت تأثیر قرار می دهد.(به طرز مشابهی در مسائل شطرنج، تشخیص حركت درست ممكن است بسته به آرایش مهره ها، به چند ثانیه، دقیقه یا ساعت زمان نیاز داشته باشد.می توان گفت هر چه مشكلات بغرنج تر می شوند، مرتفع كردن آن ها به كاركردهای مغزی پیشرفته تری نیاز پیدا می كند كه نیاز به زمان بیشتری خواهد داشت.یك مدل شناسایی یا تشخیص بی درنگ شاید بتواند مسائل بصری ای را كه مانع پیش روی توسعه و بهبود ساخت و پایداری روبات ها است حل كند. همچنین توسعه این مدل می تواند كاربردهای واقعا ارزشمند دیگری نیز داشته باشد.مانند افزودن قابلیت تشخیص پیچیدگی ها ودلایل آن ها در تصویری از یك چشم انداز یا منظره.روشن است كه این نوع از شناسایی بسیار سطح بالا محسوب می شود.
گام بعدی، ساخت مدل های تشخیص دهنده ای است كه منابع هر چه بیشتری را به سیستم خود می افزایند و بر همین اساس نیاز به زمان بیشتری برای پردازش دارند.Serre می گوید: «ما می دانیم این مدل باید چگونه تغییر یابد تا مسئله زمان هم مد نظر قرار بگیرد. این مورد می تواند ما را به چگونگی تفكر مغز نزدیك تر كند؛ البته شاید.»