神经网络是许多人工智能 (AI) 系统的核心组成部分，使机器能够从数据中学习并做出决策。 人工智能是指创建执行需要类似人类智能的任务（例如推理、感知或问题解决）的系统的更广泛目标。 神经网络是机器学习的一个子集，通过模拟生物大脑处理信息的方式来提供实现此目的的方法。 它们擅长识别数据中的模式，因此特别适用于图像识别、自然语言处理和预测等任务。 虽然人工智能包含其他技术，例如基于规则的系统或遗传算法，但由于其灵活性和有效性，神经网络通常是现代人工智能的核心。
神经网络的结构（互连节点（或神经元）层）使其能够通过加权连接和激活函数处理输入数据。 例如，在图像分类中，卷积神经网络 (CNN) 使用图层来检测图像中的边缘、形状，最终检测对象。 在训练期间，网络通过反向传播调整这些权重，从而最大限度地减少预测和实际结果之间的误差。 另一种类型，循环神经网络 (RNN) 通过保留先前输入的记忆来处理文本等顺序数据，使其可用于翻译或语音识别。 转换器是一种较新的架构，它使用注意力机制来处理整个数据集中的关系，从而为 GPT 等文本生成模型提供支持。 这些架构展示了神经网络如何将原始数据转换为可操作的见解，从而构成许多人工智能应用程序的支柱。
神经网络和人工智能之间的关系是实际的：神经网络是使人工智能系统能够适应和改进的工具。 传统软件依赖于显式规则，但使用神经网络的人工智能系统从示例中学习。 例如，在用户行为数据上训练的推荐系统可以预测偏好，而无需手动编码规则。 但是，并非所有人工智能都使用神经网络。 诸如决策树或支持向量机 (SVM) 之类的技术可以使用结构化数据解决特定问题。 当处理非结构化数据（例如，图像、音频）或复杂模式时，神经网络会发光。 开发人员选择它们是为了可扩展性——更大的数据集通常可以提高它们的准确性——以及它们处理歧义的能力，例如解析聊天机器人中的俚语。 总之，神经网络是人工智能工具包中的一种关键方法，但人工智能本身是一个具有多种方法的更广泛的领域。