L'intelligence artificielle utilise des réseaux de neurones numériques pour imiter le fonctionnement du cerveau humain.

Le concept de neurone formel remonte à 1943, lorsque Warren McCulloch et Walter Pitts ont publié un modèle mathématique simulant l'activité neuronale. Ce n'est qu'en 1958 que Frank Rosenblatt a créé le Perceptron, le premier réseau de neurones capable d'apprendre par essais et erreurs. Aujourd'hui, les modèles de langage comme GPT-4 utilisent des centaines de milliards de paramètres, dépassant largement les simples millions de neurones des débuts.Le fonctionnement repose sur la rétropropagation de l'erreur, un algorithme popularisé par Yann LeCun et Geoffrey Hinton dans les années 1980. Cette méthode permet au système de corriger ses poids synaptiques numériques après chaque calcul erroné. Plus le réseau dispose de couches, plus on parle d'apprentissage profond ou « Deep Learning », une technologie qui imite la hiérarchie du cortex visuel humain.Des études menées au MIT et à l'Université de Stanford montrent que ces réseaux peuvent désormais surpasser l'humain dans la reconnaissance d'images spécifiques. Malgré cette puissance, un neurone numérique reste une simplification mathématique extrême par rapport à la complexité biochimique d'un neurone biologique. L'efficacité énergétique du cerveau humain, qui consomme environ 20 watts, demeure un objectif lointain pour les supercalculateurs actuels.