پاسخ تمام اين پرسش‌ها در نحوه‌ي كاركرد  مغز نهفته  است.  قدرت  شگفت‌انگيز  مغز  به‌خاطر وجود تعداد زيادي
 نُرُن (Nuron) در آن و ارتباط ميان نُرُن‌ها است. اين نُرُن‌ها اصولاً با سازوكارهاي الكتروشيميايي اطلاعات را منتقل مي‌كنند.

مغز انسان حدود 10 ميليارد سلول عصبي (نُرُن) دارد. هر نُرُن با ديگر نُرُن‌ها به‌طور ميانگين از طريق 10000 سيناپس(synapses) ارتباط دارند. شبكه‌ي سلول‌هاي عصبي در مغز يك سامانه‌ي بزرگ پردازش اطلاعات موازي تشكيل مي‌دهند. اين بر خلاف نحوه‌‌ي كاركرد رايانه‌هاست كه در آن‌ها يك پردازش‌گر به‌طور منفرد مجموعه‌اي از دستور‌العمل‌ها را انجام مي‌دهد.

همان‌طور كه كامپيوتر براي پردازش اطلاعات از روش پردازش ‌اطلاعات در حافظه‌ي انسان مدل برداري كرد، فناوري نوين شبكه‌هاي عصبي مصنوعي ساختار محاسباتيِ موازي مغز او را مدل مي‌كند.

درسال 1943 دو پژوهش‌‌‌گر به‌ نام‌هاي وارن مك كالچ Waren Mc Culloch و والتر پيتز Waltter Pitts مقاله‌اي در مورد شبكه‌هاي عصبي نوشتند. اين مقاله نخستين جرقه‌ي طراحي شبكه‌هاي عصبي مصنوعي بود.

از آن زمان تاكنون انواع گوناگوني از شبكه‌ها به‌وجود آمده‌اند ولي همه‌ي آن‌ها در دو چيز مشترك‌اند: مجموعه‌اي از گره‌ها و رابطه‌هاي ميان گره‌ها. گره‌ها مي‌توانند به عنوان واحدهاي محاسبات در نظر گرفته شوند. ورودي‌ها به آن‌ها وارد مي‌شوند و پردازش مي‌شوند تا در نهايت يك خروجي به‌دست آيد. اين پردازش‌ها ممكن است بسيار ساده باشند (مانند جمع زدن ورودي‌ها) يا كاملاً پيچيده باشند (يك گره شامل يك شبكه‌ي ديگر باشد...). رابطه‌هاي ميان گره‌ها اطلاعات جاري ميان گره‌ها را تعيين مي‌كنند. تعامل ميان گره‌ها به‌وسيله‌ي اين رابطه‌ها منجر به يك رفتار سراسري در شبكه مي‌شود كه آن‌را برآيند مي‌نامند(چيزي شبيه كاركرد شبكه‌ي عصبي مغز!).

نُرُن‌هاي زيستي پيام‌ (سيگنال‌)‌هايي از ميان سيناپس‌هايي كه روي دندريت‌ها يا روي غشاي سلول عصبي جاي‌ گرفته‌اند، دريافت مي‌كنند. وقتي كه ‌پيام‌هاي دريافتي به‌اندازه‌ي‌كافي قوي باشند (يعني از يك حد آستانه قوي‌تر باشند.) نُرُن فعال مي‌شود يك پيام به اكسون مي‌فرستد. اين پيام به سيناپس ديگري فرستاده مي‌شود و نُرُن ديگري را فعال مي‌كند.

شبكه‌هاي عصبي مصنوعي تنها بخش كوچكي از ويژگي‌هاي شبكه‌هاي عصبي زيستي (طبيعي) را شبيه‌سازي مي‌كنند. در واقع از ديد متخصصان اين رشته هدف از ايجاد يك شبكه‌ي عصبي نرم‌افزاري ايجاد يك سازوكار براي حل مسايل مهندسي با الهام از الگوي رفتاري شبكه‌هاي زيستي است.

ساختار نُرُن‌هاي مدل‌شده خيلي ساده‌تر از مشابه طبيعي‌شان است. آن‌ها اساساً شامل ورودي‌هايي (مانند سيناپس) هستند كه در وزن نُرُن ضرب مي‌شوند (قدرت هر سيگنال)‌ وسپس به‌وسيله‌ي يك تابع رياضي كه فعاليت نُرُن را تعيين مي‌كند محاسبه مي‌شوند. تابع ديگري (كه ممكن است تابع هماني باشد) خروجي‌هاي نُرُن مصنوعي را محاسبه مي‌كنند. در نهايت براي پردازش اطلاعات شبكه‌هاي عصبي نتايج نُرُن‌هاي مصنوعي را با هم تلفيق مي‌كنند.

هرچه قدرت ورودي بيشتر باشد وزن نُرُن مصنوعي بيشتر خواهد بود و برعكس. با تغيير و درنهايت تعديل وزن‌هاي يك سلول عصبي مي‌توانيم براي يك ورودي‌ِ مشخص، خروجيِ دل‌خواه را به‌دست‌آوريم. ولي وقتي شبكه‌ي عصبي شامل صدها يا هزاران نُرُن باشد تغيير وزن نُرُن‌ها بدون ابزار‌ بسيار پيچيده و شايد ناممكن باشد. فرآيند تطبيق وزن‌ها آموزش يا يادگيري ناميده مي‌شود. شبكه‌هاي مصنوعي و كاربرد‌هاي آن‌ها بسيار متنوع است. تفاوت ميان آن‌ها از تفاوت ميان توابع آن‌ها، مقادير پذيرفته شده، توپولوژي، و الگوريتم يادگيري و... ناشي مي‌شود.

شبكه‌ها در مسايل متنوعي از شناخت الگوي فكر كردن گرفته تا تفسير توالي نوكلئوتيدها، طبقه‌بندي سرطان‌ها ، پيش‌بيني ژنتيك و حتا در تحليل داده‌هاي استخراج نفت و هواشناسي به‌كار مي‌آيند.

شبكه‌ها براي مدل‌سازي طيف گسترده‌اي از پديده‌ها در فيزيك، علوم كامپيوتر، بيوشيمي، كردارشناسي (Ethology)، رياضي، جامعه‌شناسي، اقتصاد، ارتباط‌هاي دور‌برد، و بسياري ديگر از زمينه‌ها استفاده مي‌شود. استفاده‌ي گسترده از اين زمينه‌ي جديد دانش و فناوري به اين دليل است كه به بسياري از سامانه‌ها مي‌توان به ‌مثابه يك شبكه نگريست. پروتئين‌ها، كامپيوتر‌ها، جوامع و ... نمونه‌هايي از اين سامانه‌ها هستند. كمي‌ فكر كنيد. چه سامانه‌هاي ديگري را مي‌توانيد به عنوان شبكه نام ببريد؟ چرا؟