Neural Networks sind in den vergangenen zehn Jahren im Zug der Diskussion um künstliche Intelligenz ins öffentliche Bewusstsein gerückt, doch die Technologie ist in ihrem Kern bereits viele Jahrzehnte alt.
Überlegungen zu künstlichen neuronalen Netzen reichen bis in die frühen 1940er-Jahren zurück. Warren McCulloch und Walter Pitts beschrieben damals ein Modell, das elementare Einheiten verknüpft und im Aufbau dem menschlichen Gehirn nachempfunden war. Mit ihm sollte sich so gut wie jede arithmetische Funktion berechnen lassen. 1949 entwickelte Donald Hebb seine Hebbsche Lernregel, die bis heute in vielen neuronalen Netzen verwendet wird.
1960 wurde ein neuronales Netz entwickelt, das weltweite kommerzielle Verwendung in der Echofilterung in Analogtelefonen fand. Danach geriet die Forschung auf dem Gebiet ins Stocken. Zum einen, weil führende Wissenschaftler zu dem Schluss kamen, dass das Modell der neuronalen Netze wichtige Probleme nicht lösen konnte; zum anderen, weil für ein effektives Lernen der Systeme große digitale Datenmengen erforderlich waren, die damals nicht vorlagen. Erst mit dem Aufkommen von Big Data änderte sich das: Das Interesse an künstlicher Intelligenz und neuronalen Netzen kehrte zurück.
Seitdem geht die Entwicklung in diesem Bereich in einem rasanten Tempo voran. So vielversprechend die Ergebnisse sind, neuronale Netze sind nicht die einzige Technologie, um künstliche Intelligenz in Computer zu implementieren. Sie stellen nur eine Möglichkeit dar, auch wenn sie in der öffentlichen Debatte häufig als der einzige praktikable Weg dargestellt werden.