Hermoverkon toiminta on rinnakkaista, ja representaatiot ovat hajautettuja. Rinnakkaisen toiminnan ansiosta suuren ongelman toisistaan riippumattomia osia (esim. maiseman näkemisessä eri näkökentän osien hahmotus) pystytään käsittelemään yhtä aikaa eri puolilla verkkoa, ja tämä nopeuttaa prosessointia huomattavasti seriaaliseen tapaan verrattuna. Hajautettu representaatio voi periaatteessa taata suuren vikasietoisuuden, eli yksittäisten solujen toimintahäiriöt eivät pääse haittaamaan prosessointia kovin paljoa, koska mikään yksittäinen solu ei yksinään vastaa mistään representaation osa-alueesta. Symbolisessa prosessoinnissa taas yksittäisen faktan puuttuminen tietokannasta, jota esim. looginen päättelyohjelma käyttää, voi estää kokonaisen päättelyketjun muodostumisen, tai muuten aiheuttaa katastrofaalisia seurauksia. Hermoverkossa yksittäisten solujen häiriöt vain hieman ''sumentavat kuvaa'', ja soluja poistettaessa myös hermoverkon toimintakyky huononee vähitellen (graceful degradation). Nämä hermoverkkojen ominaisuudet muistuttavat aivojen tietojenkäsittelyä; hermosoluja kuolee jatkuvasti, mutta se ei oleellisesti vaikuta prosessointikykyymme [s. 318-322]gardner.
Vikasietoisuuden lisäksi hermoverkkojen selvä etu symbolisiin
malleihin verrattuna on niiden parempi oppimiskyky. Representaatioita
voidaan korjata vähän kerrallaan muuttamalla hiukan kytkentöjen
voimakkuuksia. Näiden muuttaminen tapahtuu paikallisesti hyvin
yksinkertaisten sääntöjen perusteella (Hebbin laki), eli sekin voidaan
suorittaa hajautetusti ilman kontrolloivaa, globaalia prosessia.
Oppimiskykynsä puolesta hermoverkot tuntuisivat olevan vastaus
Rosenblattin esittämään kysymykseen (sivulla 
),
minkälainen systeemi pystyisi kehittämään itselleen ominaisuuden
X.
Hermoverkot ovat omimmillaan hahmontunnistukseksi (pattern recognition) kutsutulla informaation prosessoinnin osa-alueella. Hahmontunnistus puolestaan on osa laajempaa hahmojen prosessointia, johon kuuluu lisäksi hahmojen täydennys (syötteenä on hermoverkolle joskus aiemmin esitetyn hahmon - esim. kasvokuvan - osa, ja verkon pitää täydentää kuva kokonaiseksi; ks. esim. Kohonen 1987, s. 284), hahmonmuunnos (annetun muodon muuntaminen joksikin siihen liittyväksi muodoksi, esim. englannin verbin come taivutus menneeseen muotoon came) sekä hahmon assosiointi (pattern association, annetun hahmon assosiointi jonkin siitä riippumattoman hahmon kanssa, esim. sana ''talo'' ja talon kuva) [s. 106]bechtel.
Kirjassaan Bechtel ja Abrahamsen demonstroivat yksinkertaisin esimerkein, kuinka hermoverkot (verrattuna esim. symbolisiin järjestelmiin) ovat erityisen sopivia toteuttamaan hahmontunnistusta. Eräs hermoverkkojen etu hahmontunnistuksessa on niiden kyky yleistää. Yleistykset tapahtuvat tavallaan ''ilmaiseksi'', ilman eksplisiittisiä sääntöjä. Yksinkertaistaen, kun hermoverkolle annetaan syötettä, joka on yhteistä kahdelle sen aikaisemmin kohtaamalle tapaukselle, verkko todennäköisesti tuottaa lopputuloksena kombinaation kahden aikaisemman tapauksen niistä piirteistä, joita sille ei syötteessä kerrottu. Tämä vastaa tapausta, jossa verkolle annetaan syötteenä vain osittainen informaatio tilanteesta, ja verkon pitää ''päätellä'' tilanteen loput ominaisuudet aiempien kokemusten perusteella [Bechtel ja Abrahamsen 1991].
Yleistäminen symbolisessa tapauksessa, jossa representaatiot ovat
diskreettejä, johtaa ns. kombinatoriseen
räjähdykseen
. Symboliset representaatiot ovat
diskreettejä, ja yleensä jokaista yleisempää luokkaa varten pitää
erikseen luoda joukko tietorakenteita ja täyttää ne ominaisuuksilla
tai piirteillä. Hermoverkkojen representaatiot taas ovat jatkuvia,
mikä takaa sen ettei kombinatorista räjähdystä tiedon haussa tai uuden
lisäämisessä synny: yleistykset tapahtuvat tiloihin, jotka ovat
''lähellä'' lähtötilaa, josta pitää yleistää. Koko tila-avaruutta ei
tarvitse tutkia, kun ''etsitään'' samankaltaisia tiloja. Riittää, kun
muutetaan yksiköiden aktivaatioita hieman, niin ollaan lähitilassa,
jolla todennäköisesti on samankaltaisia ominaisuuksia kuin
lähtötilalla. On periaatteessa mahdollista, että myös symbolisessa
mallissa hakuongelma pystyttäisiin ratkaisemaan, ja tähän onkin
pyritty erilaisten hakuheuristiikkojen avulla. Symbolisessa mallissa
nämä heuristiikat kuitenkin tulevat tutkijalta, joka siis päättää
minkälaiset heuristiikat ovat hyviä. Hermoverkon heuristiikka perustuu
maailman jatkuvuuteen, joka säilyy representaation jatkuvuutena, sekä
siihen, että hermoverkko säilyttää maailman topologian omassa
rakenteessaan, yhteyksissään.
Esimerkki: jos hermoverkolle on näytetty muutama keltainen tiikeri, ja kerrottu että ne ovat vaarallisia, ja myöhemmin sille näytetään musta tiikeri, mutta ei puhuta vaarallisuudesta mitään, verkko automaattisesti päätyy suunnilleen seuraavankaltaiseen tilaan: musta, ehkä hiukan kellertävä tiikeri, suurella todennäköisyydellä vaarallinen. Eli tieto ''tiikeri'' aktivoi aiemmilla kerroilla esiintyneet tiikerien representaatiot, jotka olivat myös keltaisia ja vaarallisia, ja ne puolestaan vaikuttavat siihen, miten tämänhetkinen tilanne tulkitaan. Juuri tämänkaltaisia yleistyksiä tekevät myös ihmiset: kun uusi olio voidaan joidenkin tuttujen ominaisuuksien perusteella luokitella kuuluvaksi tiettyyn tyyppiin, uskotaan oliolla olevan muutkin tuon tyyppin olioiden yleiset ominaisuudet, vaikkei niitä olisi tällä kertaa havaittu, tai vaikka muutamista ominaisuuksista olisi jopa päinvastaista informaatiota tarjolla. Inhimillisessä käyttäytymisessä jälkimmäistä ilmiötä kutsutaan ennakkoluuloksi.