La investigación en neurología se originó en el Reino Unido, en la Universidad de Edimburgo, el profesor Langer Higgins demostró que las redes neuronales de tres capas (que incluyen la capa de entrada, la capa oculta y la capa de salida) pueden aproximarse teóricamente a cualquier función no lineal continua, pero en la práctica, las Redes Neuronales Profundas (Deep Neural Networks, DNNs) son ampliamente adoptadas. La razón radica en que las redes profundas pueden manejar estructuras de datos complejas de manera más eficiente, extrayendo características a múltiples niveles, al mismo tiempo que muestran un mejor rendimiento en eficiencia computacional y generalización del modelo. Supongamos que eres un pintor, y solo tienes tres colores de pintura: rojo, verde y azul. Al mezclar estos tres colores, puedes crear casi todos los colores que necesites. Sin embargo, solo con técnicas simples de mezcla de colores, es posible que no puedas pintar rápidamente obras de arte delicadas y complejas. Si introduces más niveles y herramientas de mezcla, como un aerógrafo, una espátula o incluso software de pintura digital, tu creación se volverá más eficiente y expresiva. De manera similar, aunque una red neuronal de tres capas puede realizar tareas básicas de aproximación de funciones, las redes neuronales profundas ofrecen una capacidad más fuerte para abordar problemas complejos de la realidad.