Tipiškame kompiuteryje, pagamintame pagal vadinamąją Von Neumann architektūrą, atminties bankai yra izoliuotame modulyje. Yra tik vienas procesorius, kuris apdoroja instrukcijas ir po vieną perrašo atmintį, naudodamas nuosekliąją architektūrą. Kitoks požiūris į skaičiavimą yra neuroninis tinklas. Neuroniniame tinkle, sudarytame iš tūkstančių ar net milijonų atskirų „neuronų“ arba „mazgų“, visas apdorojimas yra labai lygiagretus ir paskirstytas. „Prisiminimai“ saugomi sudėtingose jungtyse ir svoriuose tarp mazgų.
Neuroninis tinklas yra skaičiavimo architektūros tipas, kurį gamtoje naudoja gyvūnų smegenys. Taip yra nebūtinai dėl to, kad neuroninis tinklas yra iš esmės pranašesnis apdorojimo būdas nei nuoseklusis skaičiavimas, bet todėl, kad smegenys, kurios naudoja nuoseklųjį skaičiavimą, būtų daug sunkiau vystytis laipsniškai. Neuroniniai tinklai taip pat linkę geriau susidoroti su „triukšmingais duomenimis“ nei nuoseklieji kompiuteriai.
Neuroniniame tinkle „įvesties sluoksnis“, užpildytas specializuotais mazgais, priima informaciją, tada siunčia signalą į antrąjį sluoksnį, remdamasis informacija, kurią gavo iš išorės. Ši informacija paprastai yra dvejetainis „taip arba ne“ signalas. Kartais, norint pereiti nuo „ne“ prie „taip“, mazgas turi patirti tam tikrą susijaudinimo ar stimuliavimo slenkstį.
Duomenys iš įvesties sluoksnio juda į antrinį ir tretinį sluoksnius ir t. t., kol pasiekia galutinį „išvesties sluoksnį“, kurio rezultatai rodomi ekrane, kad programuotojai galėtų juos analizuoti. Žmogaus tinklainė veikia remdamasi neuroniniais tinklais. Pirmojo lygio mazgai aptinka paprastas geometrines regėjimo lauko ypatybes, pvz., spalvas, linijas ir kraštus. Antriniai mazgai pradeda abstrahuoti sudėtingesnes savybes, tokias kaip judesys, tekstūra ir gylis. Galutinė „išvestis“ yra tai, ką mūsų sąmonė užregistruoja, kai žiūrime į regėjimo lauką. Pradinė įvestis yra tik sudėtingas fotonų išdėstymas, kuris mažai ką reikštų be neurologinės įrangos, kad būtų galima suprasti reikšmingas savybes, tokias kaip ilgalaikio objekto idėja.
Atgal sklindančiame neuroniniuose tinkluose išėjimai iš ankstesnių sluoksnių gali grįžti į tuos sluoksnius, kad apribotų tolesnius signalus. Dauguma mūsų pojūčių veikia taip. Pradiniai duomenys gali paskatinti „pagrįstą spėjimą“ dėl galutinio rezultato, o vėliau pažvelgti į būsimus duomenis šio pagrįsto spėjimo kontekste. Optinėse iliuzijose mūsų pojūčiai daro išlavintus spėjimus, kurie pasirodo esą klaidingi.
Užuot programuodami neuroninius tinklus algoritmiškai, programuotojai turi sukonfigūruoti neuroninį tinklą, mokydami arba subtiliai suderindami atskirus neuronus. Pavyzdžiui, norint išmokyti neuroninį tinklą atpažinti veidus, prireiktų daug treniruočių, kurių metu tinklui būtų rodomi skirtingi „veidą primenantys“ ir „nepanašūs“ objektai, kartu su teigiamu arba neigiamu grįžtamuoju ryšiu, siekiant įtikinti neuroninį tinklą tobulinti atpažinimo įgūdžius.