La unidad computa y = f(w₁x₁ + w₂x₂ + … + wₙxₙ + b): un producto punto entre el vector de entradas y el de pesos, más un sesgo b, pasado por una función de activación f. Con f = escalón, la unidad responde sí o no; con f = sigmoide, da un número entre 0 y 1.
Un ejemplo: con pesos (1, 1), sesgo −1,5 y función escalón, la unidad se activa solo si ambas entradas valen 1, es decir, computa el AND; con sesgo −0,5, computa el OR (Witten et al., 2017, p. 263). Esa es la idea de McCulloch y Pitts: unidades de umbral que, conectadas, calculan funciones de verdad (McCulloch y Pitts, 1943). Rosenblatt agregó que los pesos podían aprenderse de ejemplos (Rosenblatt, 1958). Podés probarlo en el laboratorio del perceptrón.
La analogía biológica es explícita. M. Mitchell (2019) la explica así: una neurona suma las señales que recibe de otras y «dispara» si superan un umbral, y las conexiones más fuertes pesan más; el perceptrón imita eso con números (2019, ch. 1). Su ejemplo doméstico: decidir si ir al cine ponderando la opinión de los amigos según cuánto confiamos en su gusto. Un capítulo después, sin embargo, prefiere hablar de unidades y no de neuronas simuladas, para alivio de los neurocientíficos que la lean (2019, ch. 2).
El alivio está justificado. Una neurona biológica es un sistema electroquímico con dinámica temporal que dispara en pulsos; la unidad artificial es una función estática de una línea. Chollet (2021) advierte que no hay evidencia de que el cerebro implemente los mecanismos de aprendizaje de las redes profundas (2021, sec. 1.1.4). La palabra «neurona» hizo mucho por el prestigio del campo y bastante por la confusión: que un sistema esté hecho de «neuronas» no dice nada, por sí solo, sobre si piensa. Esa inferencia pertenece al catálogo del antropomorfismo.