Abbiamo imparato a conoscere la potenza del calcolo elettronico, capace di fare calcoli numerici complessi in frazioni di secondo e memorizzare grandi quantità di dati, e i suoi limiti, come ad esempio:

• riconoscimento di persone, oggetti, suoni (anche in presenza di rumore)
• riconoscimento del parlato e comprensione del linguaggio naturale
• apprendimento, classificazione, generalizzazione
• visione e controllo del movimento
• adattamento a nuove situazioni
• soluzione di problemi complessi in modo esaustivo (ottimizzazione combinatoria)

E quindi ci possiamo chiedere: “Perchè il cervello risulta superiore al computer per certe categorie di problemi?” e poi “I meccanismi operanti nel cervello possono essere imitati per produrre macchine più efficienti?

La differenza non sta nelle componenti (i circuiti logici elettronici hanno tempi di risposta di nanosecondi, mentre le cellule nervose di millisecondi) ma nell’architettura.

L’elaborazione è frutto di un processo altamente parallelo, e la potenza di calcolo deriva dalla cooperazione di molti processori semplici e fortemente interconnessi:

• da $10^{10}$ a $10^{11}$ neuroni
• $10^5$ connessioni per neurone

Una cosa da notare è che le connessioni si modificano con l’apprendimento. Inoltre, l’informazione non è localizzata, ma distribuita globalmente nella rete di processori (es: riconoscimento di volti in 0.1sec).

L’intelligenza deriva quindi dalla interazione tra i neuroni, non è prerogativa di un singolo neurone, e ha una notevole tolleranza ai guasti.

Vediamo dei tipici casi in cui le reti neurali funzionano bene:

• Input multidimensionale a valori reali o discreti (es: dati grezzi da sensori)
• Output di vettore di valori
• Dati rumorosi
• Forma della funzione obiettivo sconosciuta