Neurala nätverk: vad det är och hur det fungerar

Ett neuralt nätverk är en datormodell som består av många små räknesteg, så kallade neuroner, ordnade i lager och kopplade till varandra. Under träningen justeras styrkan i kopplingarna tills nätverket blir bra på en uppgift, till exempel att känna igen ansikten eller skriva text. Neurala nätverk är en metod inom maskininlärning och grunden för djupinlärning. Guiden ingår i navet om hur AI fungerar.

I korthet

Ett neuralt nätverk har ett indatalager, ett eller flera dolda lager och ett utdatalager.
Varje neuron väger ihop signaler från föregående lager och skickar en ny signal vidare.
Det som lärs in är vikterna, alltså hur starka kopplingarna är. Ingen människa skriver reglerna.
Nätverket är inspirerat av hjärnan men fungerar mycket enklare än en riktig hjärna.
Ett nätverk med många dolda lager kallas djupt, och att träna sådana kallas djupinlärning.

Hur fungerar ett neuralt nätverk?

Tänk dig att nätverket ska avgöra om en bild föreställer en katt. Informationen flödar genom lagren i en bestämd ordning:

Indatalagret tar emot datan

Bilden omvandlas till tal, ett tal för varje pixels färg och ljusstyrka. Varje tal går in i en neuron i det första lagret.

De dolda lagren hittar mönster

Neuronerna i de dolda lagren väger ihop signalerna och skickar vidare. De första lagren reagerar ofta på enkla saker som kanter och kontraster, senare lager på former som öron och ögon.

Utdatalagret ger ett svar

Det sista lagret ger ett resultat, till exempel ”katt: 92 procent, hund: 8 procent”. Svaret är alltså en sannolikhet, inte en säker sanning.

Vad gör en enskild neuron?

En artificiell neuron gör något mycket enkelt. Den tar emot tal från neuronerna i lagret före, multiplicerar varje tal med en vikt, lägger ihop alltihop och avgör sedan hur stark signal den ska skicka vidare. Det sista steget kallas aktiveringsfunktion och fungerar ungefär som en dimmer: svaga signaler dämpas och starka släpps igenom. En enskild neuron är inte smart. Förmågan uppstår först när tusentals eller miljarder neuroner samverkar.

Vad är vikter?

Vikterna är talen som avgör hur mycket varje koppling betyder. En hög vikt betyder att signalen är viktig, en låg eller negativ vikt att den ska tonas ner. Alla vikter tillsammans är nätverkets ”kunskap”. När man talar om att en AI-modell har miljarder parametrar handlar det till stor del om vikter.

Hur lär sig ett neuralt nätverk?

Ett nytt nätverk har slumpmässiga vikter och gissar därför fel nästan hela tiden. Träningen går ut på att rätta det, ett exempel i taget:

Nätverket får ett exempel, till exempel en bild som en människa har märkt som ”katt”, och gör en gissning.
Gissningen jämförs med rätt svar och felet räknas ut.
Med en metod som heter backpropagation räknar man baklänges genom nätverket ut hur mycket varje vikt bidrog till felet, och vikterna justeras en liten bit åt rätt håll.
Det upprepas miljontals gånger tills nätverket gissar rätt även på bilder det aldrig har sett.

Metoden gjordes känd 1986 i en artikel av David Rumelhart, Geoffrey Hinton och Ronald Williams och används fortfarande i princip i alla neurala nätverk. Hur hela träningsprocessen ser ut för stora AI-modeller, från data till test, förklaras i guiden om hur en AI tränas.

Fungerar ett neuralt nätverk som en hjärna?

Bara delvis. Namnet kommer från att forskarna inspirerades av hur nervceller i hjärnan är kopplade, men likheten är ytlig:

	Hjärnan	Artificiellt neuralt nätverk
Byggstenar	Omkring 86 miljarder biologiska nervceller	Matematiska funktioner i en dator, från några få till miljarder
Hur den lär sig	Kontinuerligt, av få exempel och egna upplevelser	I en separat träningsfas, oftast av väldigt många exempel
Energi	Omkring 20 watt, mindre än en vanlig glödlampa	Stora modeller tränas i datacenter med tusentals grafikprocessorer
Förståelse	Medvetande, känslor och erfarenhet av världen	Mönster i data, utan egen upplevelse

Ett neuralt nätverk är alltså inte en konstgjord hjärna. Det är ett sätt att räkna som visade sig vara mycket bra på att hitta mönster i stora mängder data. Frågan om AI faktiskt tänker reder vi ut i en egen guide.

Vad är skillnaden mellan neurala nätverk och djupinlärning?

Neurala nätverk är själva modellen. Djupinlärning är att träna neurala nätverk med många dolda lager, så kallade djupa nätverk. All djupinlärning använder alltså neurala nätverk, men ett litet nätverk med ett enda dolt lager räknas inte som djupinlärning. Hur djupinlärning förhåller sig till maskininlärning och AI i stort reder vi ut i skillnaden mellan AI, maskininlärning och djupinlärning.

Vilka typer av neurala nätverk finns?

Framåtkopplade nätverk (feedforward): den enklaste typen, där signalerna går rakt från indata till utdata. Används till exempel för klassificering och prognoser.
Faltningsnätverk (CNN): specialiserade på bilder. De letar efter samma mönster på olika ställen i bilden och används i bildigenkänning och datorseende.
Återkopplade nätverk (RNN): bearbetar data i en följd, till exempel tal eller mätvärden över tid, och minns det som kom före.
Transformers: den typ som dominerar i dag. De väger in alla delar av en text samtidigt och är grunden för stora språkmodeller och därmed för generativ AI.

Var används neurala nätverk?

Du använder neurala nätverk flera gånger om dagen, oftast utan att märka det:

ansiktsupplåsning och sortering av bilder i mobilen
taligenkänning när du dikterar eller pratar med en röstassistent
översättningstjänster
rekommendationer av filmer, musik och produkter
AI-assistenter som ChatGPT

Fler vardagsfall, även sådana som bygger på enklare metoder, finns i exempel på maskininlärning.

Neurala nätverkens historia i korthet

1943: Warren McCulloch och Walter Pitts beskriver en matematisk modell av en nervcell.
1958: Frank Rosenblatt presenterar perceptronen, ett av de första neurala nätverken som kunde lära sig.
1986: Rumelhart, Hinton och Williams visar hur nätverk med dolda lager kan tränas med backpropagation.
2012: ett djupt faltningsnätverk, AlexNet, vinner bildtävlingen ImageNet med stor marginal. Det blir startskottet för djupinlärningens genombrott.
2017: transformer-arkitekturen beskrivs och blir grunden för dagens språkmodeller.
2024: John Hopfield och Geoffrey Hinton får Nobelpriset i fysik för grundläggande upptäckter som gör maskininlärning med artificiella neurala nätverk möjlig.

Testa själv: träna ett neuralt nätverk i webbläsaren

1. Öppna TensorFlow Playground, ett gratis verktyg från Google som körs direkt i webbläsaren.

2. Tryck på startknappen och se hur nätverket steg för steg lär sig skilja de blå punkterna från de orange. Linjernas tjocklek visar vikterna.

3. Ta bort alla dolda lager och välj det spiralformade datasetet. Lägg sedan till lager och neuroner igen och jämför hur bra nätverket blir.

Vanliga frågor

Är neurala nätverk AI?

Ja. Neurala nätverk är en metod inom maskininlärning, som i sin tur är en del av AI. I dag ligger neurala nätverk bakom de flesta AI-tjänster som får uppmärksamhet.

Behöver man kunna matte för att förstå neurala nätverk?

Inte för att förstå principen eller använda AI-verktyg. För att bygga och träna egna nätverk behövs däremot grundläggande linjär algebra, sannolikhetslära och programmering.

Varför kallas neurala nätverk svarta lådor?

För att det är svårt att förklara exakt varför ett stort nätverk gav ett visst svar. Kunskapen är utspridd över miljontals vikter i stället för att stå som läsbara regler. Att göra modellerna mer förklarbara är ett eget forskningsområde.

Hur stort är ett neuralt nätverk?

Det varierar enormt. Ett nätverk för en enkel uppgift kan ha några hundra vikter, medan de största språkmodellerna har hundratals miljarder.

Källor

Vad är nästa steg?

Neurala nätverk är grunden, men det mesta du möter i praktiken är språkmodeller byggda av dem. Fortsätt med AI-assistenter för att se hur tekniken används i verktyg du kan börja med i dag.

Skriven av AI-redaktionen · Granskad av Linus Pierre. Texten är researchad och faktakontrollerad mot källorna ovan, som en del av maskinlarning.se – en sajt som byggs med AI och granskas av en människa.

Senast uppdaterad: 26 oktober 2026

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.

Vad är ett neuralt nätverk? Enkel förklaring utan matte