Neurovědní výzkum má své kořeny v Anglii, na univerzitě v Edinburghu, profesor Langer Higgins teoreticky uvádí, že třívrstvá neuronová síť (složena z vstupní, skryté a výstupní vrstvy) může přiblížit jakoukoliv spojitou nelineární funkci, avšak v praktických aplikacích jsou široce využívány hluboké neuronové sítě (Deep Neural Networks, DNNs). Důvodem je, že hluboké sítě dokážou efektivněji zpracovávat složité datové struktury, extrahovat vícestupňové rysy a zároveň vykazují lepší výkonnost v oblasti výpočetní efektivity a generalizace modelu. Představte si, že jste malíř a máte k dispozici pouze tři barvy - červenou, zelenou a modrou. Smícháním těchto tří barev můžete vytvořit téměř všechny odstíny, které potřebujete. Nicméně, pouze s jednoduchými technikami míchání barev možná nebudete schopni rychle vytvořit jemné a složité obrazy. Pokud zavádíte více vrstev míchání a nástrojů, jako jsou stříkací pistole, špachtle nebo dokonce software pro digitální malbu, vaše tvůrčí procesy se stanou efektivnějšími a expresivnějšími. Podobně, i když třívrstvá neuronová síť může splnit základní úkoly aproximace funkcí, hluboké neuronové sítě nabízejí silnější schopnosti při řešení složitých reálných problémů.