神經網路的基本運算單元。人工神經元接收輸入，將每個輸入乘以一個權重，求和後加上偏差值，再通過啟動函數產生輸出。數千到數十億個這樣的神經元，按層組織並由學習到的權重連接，構成了驅動所有現代 AI 的神經網路。
神經元是深度學習的原子。理解單一神經元 — 加權求和加上啟動函數 — 能讓神經網路架構的其餘部分變得直觀。一層是一組神經元。一個網路是層的堆疊。訓練是調整權重。其他一切都是細節（重要的細節，但仍是細節）。
人工神經元大致受到生物神經元的啟發，但不應被視為精確的類比。生物神經元通過樹突接收電信號，在細胞體中整合，並通過軸突發射（或不發射）。人工神經元的計算方式為：output = activation(w1·x1 + w2·x2 + ... + wn·xn + bias)。權重（w）決定每個輸入的重要程度。偏差值移動啟動閾值。啟動函數（ReLU、GELU）引入非線性。
感知器（Rosenblatt，1958 年）是第一個人工神經元 — 一個能學習分類線性可分資料的單一單元。Minsky 和 Papert 在 1969 年證明單一感知器無法學習 XOR（一個簡單的非線性函數），這促成了第一次 AI 寒冬。解決方案：堆疊多層神經元（多層感知器 / MLP），只要有足夠的神經元就能學習任何函數。這就是通用近似定理 — 深度學習的理論基礎。
像 Llama-70B 這樣的模型大約有 700 億個參數（連接神經元的權重和偏差值）。每個前饋層有數千個神經元。但現代研究表明，個別神經元通常不對應單一概念 — 相反，概念被編碼為跨多個神經元的啟動空間中的方向（疊加）。一個神經元可能參與編碼數十個不同的特徵，使得解讀變得具有挑戰性。