Es el primer modelo matemático de neurona artificial propuesto en 1.943 por Warren Sturgis McCulloch y Walter Pitts en su artículo «A Logical Calculus of Ideas Immanent in Nervous Activity», este artículo surge de la pregunta ¿El sistema nervioso puede ser considerado un tipo de máquina de computación universal, como Leibniz decía?.


Demuestran que una máquina de Turing podría ser implementada en una red finita de neuronas formales. El modelo era muy simple, solo permitía entradas y salidas binarias, no incorporaba la ponderación de las diferentes entradas y solo utilizaba la función de activación por pasos de umbral. Además en el modelo original no se incluyó un tutor y no aprenden, por lo tanto, los valores de peso se deben determinar de antemano utilizando otros medios matemáticos o heurísticos. Sin embargo sirvieron para inspirar los modelos conexionistas durante la década de 1.950.
La neurona tiene:
- Dos entradas X1, X2
- Una salida Y.
- Cada entrada X es alterada por un coeficiente denominado peso, representado por W1, W2
- Un término aditivo b (Bias).
- Una función de activación f [ ( X1 × W1 ) + (X1 × W1) + b ]

Aplicación en funciones lógicas.
Función | Entrada x 1 | Entrada x 2 | Salida | |
Y | 0 | 0 | 0 | Al umbral se le da un valor de 2,0 lo que permite una salida 1 si se supera o alcanza el valor 2. |
0 | 1 | 0 | ||
1 | 0 | 0 | ||
1 | 1 | 1 | ||
O | 0 | 0 | 0 | Al umbral se le da un valor de 1,0 lo que permite una salida 1 si se supera o alcanza el valor 1,0. |
0 | 1 | 1 | ||
1 | 0 | 1 | ||
1 | 1 | 1 | ||
XOR | 0 | 0 | 0 | No puede resolver la función XOR (OR exclusivo) con una sola neurona. La salida es verdadera si solo una de las entradas es verdadera. |
0 | 1 | 1 | ||
1 | 0 | 1 | ||
1 | 1 | 0 | ||
XNOR | 0 | 0 | 1 | No puede resolver la función XNOR (XOR negado), es la inversa de XOR |
0 | 1 | 0 | ||
1 | 0 | 0 | ||
1 | 1 | 1 |