神經網路全稱人工神經網路（Artificial Neural Network, ANN），與之相對應的是生物神經網路（Biological Neural Network, BNN），將模擬生物神經網路的數學模型統稱為人工神經網路模型。

生物神經系統與生物神經元

大量生物神經元的廣泛、複雜連線，形成生物神經網路

實現各種智慧活動

智慧（intelligence）

觀察、學習、理解和認識的能力

理解和各種適應性行為的能力

智慧是個體有目的的行為、合理的思維、以及有效的適應環境的綜合能力，也可以說是個體認識客觀事物和運用知識解決問題的能力

生物神經元(neuron)是基本的資訊處理單元

生物神經系統

生物神經元是基本的資訊處理單元。

生物神經元

樹突(dendrites)：接收來自外接的資訊

細胞體(cell body)： 神經細胞主體，資訊加工

軸突(axon)：細胞的輸出裝置，將訊號向外傳遞，與多個神經元連線

突觸 （synapsse)：神經元經突觸向其它神經元（胞體或樹突）傳遞訊號

生物神經元的基本特徵

神經元之間彼此連線

神經元之間的連線強度決定訊號傳遞的強弱

神經元之間的連線強度可以隨訓練改變：學習、遺忘、疲勞

神經網路中各神經元之間連線的強弱，按外部的激勵訊號做自適應變化

興奮與抑制

訊號可以起興奮作用，也可以起抑制作用

一個神經元接受訊號的累積效果（綜合大小，代數和）決定該神經元的狀態(興奮、抑制)

每個神經元可以有一個“閾值”

人工神經網路的組成與結構

人工神經網路是由大量處理單元經廣泛互連而組成的人工網路，用來模擬腦神經系統的結構和功能。而這些處理單元我們把它稱作人工神經元。

人工神經網路可看成是以人工神經元為節點，用有向加權弧連線起來的有向圖。在此有向圖中，人工神經元就是對生物神經元的模擬，而有向弧則是軸突—突觸—樹突對的模擬。有向弧的權值表示相互連線的兩個人工神經元間相互作用的強弱。

神經元及神經網路模型

人工神經網路的結構

人工神經網路中，各神經元的不同連線方式就構成了網路的不同連線模型。常見的連線模型有:

前向網路

從輸入層到輸出層有反饋的網路

層內有互聯的網路

網際網路絡

人工神經網路的分類

按效能分：連續型和離散型網路，或確定型和隨機型網路

按拓撲結構分：有反饋網路和無反饋網路

按學習方法分：有教師的學習網路和無教師的學習網路

按連線突觸性質分：一階線性關聯網路和高階非線性關聯網路

人工神經網路的主要特徵

能較好的模擬人的形象思維

具有大規模並行協同處理能力

具有較強的學習能力

具有較強的容錯能力和聯想能力

是一個大規模自組織、自適應的非線性動力系統

基礎概念有哪些不太清楚，但是人工智慧代替並消滅人類，這個方向基本上可以確定，不可阻擋。人工智慧結合大資料雲計算，將可以使人工智慧的知識量在幾個小時甚至幾分鐘內超越人類。一旦人工智慧能夠自我學習升級，人類的智商在他面前將會如同普通螞蟻的智商。人工智慧統治下的社會科技將是人類根本就無法想象的世界。就像讓螞蟻去想象量子物理學。人類如果試圖控制人工智慧，人類將會被清除。人類不會有任何反抗的能力和機會。而這一切，正在科學家們的穩步推進過程中。有人會說，人類只要斷電人工智慧還搞個屁呢？我只想說，全世界核電站甚至是核武器都在人工智慧的控制之下，全世界的一切裝置終端都是人工智慧的一部分，整個世界的一草一木都在人工智慧的監控之中，請問你怎麼斷電呢？

人工智慧神經網路是科技發展的產物，就像機器人一樣越來越高階，越來越人性化。簡單來說呢，神經網路是一種模擬人腦的計算架構；利用神經網路進行機器學習分析，則讓計算機不再單單是執行命令的機器而已，還具備了像人類一樣的高智商。人工智慧和大資料雲計算，網際網路的發展類似，都將會造福人類，為社會發展起到推動的力量！

人工智慧技術的重大突破已經透過對人體系統進行建模實現。雖然人工神經網路（NNs）只是與實際的人類神經元功能鬆散耦合的數學模型，但它們在解決複雜和模糊的現實世界問題方面的應用卻非常深遠。此外，在神經網路中建模大腦的建築深度已經為學習更有意義的資料表示開闢了廣泛的可能性。在影象識別和處理方面，來自CNN視覺系統複雜且空間不變的細胞的靈感也使我們的技術有了很大的改進。

只要人類的感知能力超過機器的感知能力，我們就可以透過理解人類系統的原理獲得收益。人類在感知任務方面非常熟練，人類理解與人工智慧現狀之間的對比在機器聽覺領域變得尤為明顯。考慮到人類系統在視覺處理過程中獲得的好處，我們從神經網路機器聽覺的類似過程中獲益。也許最抽象的聲音領域就是我們作為人類如何看待它。雖然訊號處理問題的解決方案必須在強度，頻譜和時間屬性的引數範圍內在較低水平上執行，但最終目標往往是認知問題：以我們對聲音感知的方式轉換訊號包含被改變。如果希望以程式設計方式改變錄製的口語聲音的性別，例如，在定義其較低階特徵之前，有必要用更有意義的術語來描述這個問題。說話者的性別可以被認為是一個認知屬性，它由許多因素構成：聲音的一般音調和音色，發音的差異，詞語和語言選擇的差異以及對這些屬性與性別之間關係的共同理解。