Tyypillisessä tietokoneessa, joka on valmistettu niin kutsutun Von Neumann -arkkitehtuurin mukaan, muistipankit elävät eristetyssä moduulissa. On vain yksi prosessori, joka käsittelee ohjeet ja muisti kirjoittaa yksitellen sarjaarkkitehtuuria käyttäen. Erilainen lähestymistapa tietojenkäsittelyyn on hermoverkko. Neuraaliverkossa, joka koostuu tuhansista tai jopa miljoonista yksittäisistä “neuroneista” tai “solmuista”, kaikki käsittely on erittäin rinnakkaista ja hajautettua. “Muistit” tallennetaan solmujen välisiin monimutkaisiin yhteyksiin ja painotuksiin.
Neuraaliverkosto on tietotekniikka, jota eläinten aivot käyttävät luonnossa. Tämä ei välttämättä johdu siitä, että hermoverkko on luonteeltaan ylivoimainen käsittelytapa kuin sarjalaskenta, vaan siksi, että aivot, jotka käyttävät sarjalaskentaa, olisivat paljon vaikeampia kehittyä asteittain. Neuraaliverkot käsittelevät myös “meluisaa dataa” paremmin kuin sarjatietokoneet.
Ennakoivassa hermoverkossa “syöttökerros”, joka on täynnä erikoissolmuja, ottaa vastaan tietoja ja lähettää sitten signaalin toiselle kerrokselle sen ulkopuolelta saamien tietojen perusteella. Nämä tiedot ovat yleensä binäärinen “kyllä tai ei” -signaali. Joskus solmun täytyy kokea tietty kynnysmäärä jännitystä tai stimulaatiota siirtyäkseen “ei”: stä “kyllä”.
Tiedot siirtyvät syöttökerroksesta toissijaiselle ja tertiääriselle tasolle ja niin edelleen, kunnes ne saavuttavat lopullisen “tulostuskerroksen”, joka näyttää tulokset näytöllä ohjelmoijien analysoitavaksi. Ihmisen verkkokalvo toimii hermoverkkojen perusteella. Ensimmäisen tason solmut havaitsevat yksinkertaiset geometriset piirteet visuaalisessa kentässä, kuten värit, viivat ja reunat. Toissijaiset solmut alkavat abstraktoida kehittyneempiä ominaisuuksia, kuten liikettä, tekstuuria ja syvyyttä. Viimeinen “lähtö” on se, mitä tietoisuutemme rekisteröi, kun katsomme näkökenttää. Alkuperäinen syöttö on vain monimutkainen fotonien järjestely, joka merkitsisi vähän ilman neurologista laitteistoa, joka ymmärtäisi sen merkityksellisten ominaisuuksien, kuten ajatuksen kestävästä esineestä, kannalta.
Takaisinpropagatiivisissa neuroverkkoissa aikaisempien kerrosten lähdöt voivat palata näihin kerroksiin rajoittaakseen lisäsignaaleja. Suurin osa aisteistamme toimii tällä tavalla. Lähtötiedot voivat saada aikaan “koulutetun arvauksen” lopputuloksesta, jota seuraa tulevien tietojen tarkastelu kyseisen koulutetun arvauksen yhteydessä. Optisissa illuusioissa aistimme tekevät valistuneita arvauksia, jotka osoittautuvat vääräksi.
Sen sijaan, että ohjelmoitaisiin neuroverkkoja algoritmisesti, ohjelmoijien on määritettävä hermoverkko, jossa on yksittäisten neuronien koulutus tai herkkä viritys. Esimerkiksi hermoverkon kouluttaminen kasvojen tunnistamiseen vaatisi monia harjoituksia, joissa verkolle näytettiin erilaisia ”kasvomaisia” ja “epämuodollisia” esineitä, joihin liittyi positiivista tai negatiivista palautetta hermoverkoston houkuttelemiseksi parantamaan tunnistustaitoja.