En una computadora típica, fabricada de acuerdo con lo que se llama una arquitectura de Von Neumann, los bancos de memoria viven en un módulo aislado. Solo hay un procesador, que procesa las instrucciones y la memoria se reescribe una por una, utilizando una arquitectura en serie. Un enfoque diferente de la informática es la red neuronal. En una red neuronal, formada por miles o incluso millones de «neuronas» o «nodos» individuales, todo el procesamiento es altamente paralelo y distribuido. Los “recuerdos” se almacenan dentro de las complejas interconexiones y ponderaciones entre nodos.
Las redes neuronales son el tipo de arquitectura informática que utilizan los cerebros de los animales en la naturaleza. Esto no se debe necesariamente a que la red neuronal sea un modo de procesamiento intrínsecamente superior a la computación en serie, sino a que un cerebro que utiliza la computación en serie sería mucho más difícil de evolucionar de manera incremental. Las redes neuronales también tienden a manejar los “datos ruidosos” mejor que las computadoras en serie.
En una red neuronal de retroalimentación, una «capa de entrada» llena de nodos especializados toma información y luego envía una señal a una segunda capa basada en la información que recibió del exterior. Esta información suele ser una señal binaria de «sí o no». A veces, para pasar de un «no» a un «sí», el nodo tiene que experimentar un cierto umbral de excitación o estimulación.
Los datos se mueven desde la capa de entrada a las capas secundaria y terciaria, y así sucesivamente, hasta llegar a una «capa de salida» final que muestra los resultados en una pantalla para que los programadores los analicen. La retina humana funciona sobre la base de redes neuronales. Los nodos de primer nivel detectan características geométricas simples en el campo visual, como colores, líneas y bordes. Los nodos secundarios comienzan a abstraer características más sofisticadas, como movimiento, textura y profundidad. La «salida» final es lo que registra nuestra conciencia cuando miramos el campo visual. La entrada inicial es solo una disposición compleja de fotones que significaría poco sin el hardware neurológico para darle sentido en términos de cualidades significativas, como la idea de un objeto duradero.
En la retropropagación de las redes neuronales, las salidas de las capas anteriores pueden volver a esas capas para restringir más señales. La mayoría de nuestros sentidos funcionan de esta manera. Los datos iniciales pueden dar lugar a una «suposición fundamentada» en el resultado final, seguido de la observación de datos futuros en el contexto de esa suposición fundamentada. En las ilusiones ópticas, nuestros sentidos hacen conjeturas fundamentadas que resultan ser incorrectas.
En lugar de programar redes neuronales algorítmicamente, los programadores deben configurar una red neuronal con entrenamiento o ajuste delicado de neuronas individuales. Por ejemplo, entrenar una red neuronal para reconocer caras requeriría muchas ejecuciones de entrenamiento en las que se mostraran a la red diferentes objetos «parecidos a la cara» y «no parecidos a la cara», acompañados de retroalimentación positiva o negativa para persuadir a la red neuronal para que mejore las habilidades de reconocimiento.