神經網路是一種模仿生物神經網路結構和功能的計算模型，由大量相互連線的人工神經元（節點）組成，能夠通過學習和訓練從數據中提取規律，完成分類、預測、識別等任務。
該模型數據從輸入層進入，經過隱藏層的處理後在輸出層得到結果。其在醫療領域可套用於醫學影像分析，如卷積神經網路在肺癌CT影像診斷中早期檢測準確率達90%以上，同時支持藥物分子結構分析和個性化治療方案制定。隨著AI模型接入神經科學研究，通用型直覺神經網路結構與功能的聯繫成為探討重點，神經科學大數據時代或將到來。未來可能通過與量子計算結合提升數據處理能力，並在醫療生態中實現實時健康分析。當前面臨數據質量、隱私保護及模型可解釋性等挑戰。
在歷史上，符號派AI曾是主角，後來神經網路崛起，用從數據中學習的範式席捲整個領域。自2021年前後開始，神經符號融合急速升溫，被視為打破單一神經網路話語權的一次反撲。
神經符號人工智慧,
神經符號人工智慧
神經符號AI試圖把統計學習與顯式推理拼接在一起，旨在實現通用人工智慧。代表性系統如AlphaGeometry可以穩定解出面向優秀中學生的數學奧林匹克競賽題，邏輯張量網路提供了一種將符號邏輯編碼進神經網路的方法。
技術路徑包括利用符號技術生成數據訓練神經網路，如AlphaGeometry利用符號程式語言生成數學題訓練神經網路；或使用神經網路最佳化符號搜尋，如AlphaGo使用神經網路預測落子方向修剪搜尋樹。
主要爭議涉及Richard Sutton的'苦澀的教訓'與Gary Marcus等支持者的觀點。Richard Sutton認為添加符號化的、更多人工構建的元素可能是一個錯誤，而Gary Marcus支持神經符號AI。
套用領域包括軍事、醫療等高風險場景。
