V tipičnem računalniku, izdelanem v skladu s tako imenovano Von Neumannovo arhitekturo, pomnilniške banke živijo v izoliranem modulu. Obstaja samo en procesor, ki obdeluje navodila in pomnilnik prepisuje enega za drugim z uporabo serijske arhitekture. Drug pristop k računanju je nevronska mreža. V nevronski mreži, sestavljeni iz tisoč ali celo milijonov posameznih “nevronov” ali “vozlišč”, je vsa obdelava zelo vzporedna in porazdeljena. »Spomini« so shranjeni v zapletenih medsebojnih povezavah in uteži med vozlišči.
Nevronsko mreženje je vrsta računalniške arhitekture, ki jo uporabljajo živalski možgani v naravi. To ni nujno zato, ker je nevronska mreža sama po sebi boljši način obdelave kot serijsko računalništvo, ampak zato, ker bi se možgani, ki uporabljajo serijsko računalništvo, veliko težje postopoma razvijali. Nevronske mreže se tudi bolje ukvarjajo s “hrupnimi podatki” kot serijski računalniki.
V nevronski mreži s posredovanjem posredovanja “vhodna plast”, napolnjena s specializiranimi vozlišči, prevzame informacije in nato pošlje signal drugi plasti na podlagi informacij, ki jih je prejel od zunaj. Te informacije so običajno binarni signal “da ali ne”. Včasih mora vozlišče, da se premakne z “ne” na “da”, doživeti določen prag vznemirjenja ali stimulacije.
Podatki se premikajo iz vhodne plasti v sekundarno in terciarno plast in tako naprej, dokler ne dosežejo končne »izhodne plasti«, ki prikaže rezultate na zaslonu, da jih programerji analizirajo. Človeška mrežnica deluje na podlagi nevronskih mrež. Vozlišča prve stopnje zaznajo preproste geometrijske značilnosti v vidnem polju, kot so barve, črte in robovi. Sekundarna vozlišča začnejo abstrahirati bolj izpopolnjene lastnosti, kot so gibanje, tekstura in globina. Končni »izhod« je tisto, kar naša zavest zazna, ko pogledamo v vidno polje. Začetni vnos je le zapletena razporeditev fotonov, ki bi brez nevrološke strojne opreme malo pomenila, da bi jo osmislila v smislu smiselnih lastnosti, kot je ideja trajnega predmeta.
V nevronskih mrežah, ki se širijo nazaj, se lahko izhodi iz prejšnjih plasti vrnejo v te plasti, da omejijo nadaljnje signale. Večina naših čutil deluje na ta način. Začetni podatki lahko spodbudijo “izobraženo ugibanje” o končnem rezultatu, čemur sledi pogled na prihodnje podatke v kontekstu tega premišljenega ugibanja. Pri optičnih iluzijah naši čuti ugibajo, ki se izkažejo za napačne.
Namesto algoritemskega programiranja nevronskih mrež, morajo programerji konfigurirati nevronsko mrežo z usposabljanjem ali občutljivim prilagajanjem posameznih nevronov. Na primer, usposabljanje nevronske mreže za prepoznavanje obrazov bi zahtevalo veliko treningov, v katerih so bili omrežju prikazani različni “obrazu podobni” in “neobrazni” objekti, ki jih spremlja pozitivna ali negativna povratna informacija, da bi nevronsko mrežo spodbudili k izboljšanju sposobnosti prepoznavanja.