人工智能核心：神經網絡（青少科普版）

我這些年多次下決心學習人工智能，但總是半途而廢。看了吳恩達的《機器學習》視頻課，也買了周志華《機器學習》西瓜書、姚期智的《人工智能》等教材，每次都堅持不下去，每次只能看完前幾章，停滯在梯度下降、搜索等知識點。但是由於神經網絡的知識一般在書的後幾節，所以一直想學沒有學到。 科學書籍寫作難度大。一方面，如果寫深了，篇幅就長，專業名詞就多，閱讀難度大。讀者遇到難的知識點就很容易放棄。 另一方面，如果寫淺了，就容易重複大家都知道的概念，比如列舉下頭部公司和應用場景。讀者閱讀起來容易，但感覺是在知識殿堂的門口轉了轉，沒進去，未來和別人聊這個話題的時候，聊不深入。 這本書採用了恰到好處的深度，講解了神經網絡，幫助我終於領悟到了神經網絡知識，建立了神經網絡初步直覺。 這本書可以回答下面幾個疑問。 1. 爲什麼說神經網絡有效模擬了人類的智能？ 打個比方，小美找男朋友，高、富、帥分別是三個輸入，只取0或者1。如果高的權重w＝0.6，帥的權重w＝0.3，富的權重w＝0.1。這時如果阿強高，他的最終值爲0.6。假設超過0.5小美就滿意了，於是小美在權衡利弊之後選擇了阿強。 2. 爲什麼會形成這樣的權重？ 這就是反向傳播中的梯度下降。每次找了對象，如果是高的，爸媽就表揚，如果是矮的，爸媽就罵。在表揚和罵中，高的權重的不斷提升。 Δw1=s×Δy×x1。這裏s是訓練率，如果賞罰比較狠，訓練率就大。Δy是現在對象和標準對象之間的差。x1是現在對象高的情況（就是Δy對w1求導以後，按切線方向調整。理解意思就行，不用深入推導）。 3. 爲什麼說卷積神經網絡叫“卷積”呢？ 這本書用了圈叉棋作爲例子。爲了識別圈和叉像素分佈的不同，作者用特徵矩陣和每個圈或者叉的像素矩陣點乘。如果結果是5就是叉，結果是1就是圈（理解意思就行，不用深入推導）。 類比人腦，卷積神經網絡就是用一個套路把所有輸入都套一遍。從好的方面看，人學會了一個工作方法，可以解決各類問題。從差的方面看，人也會形成思維定式，生搬硬套。 4. 爲什麼說循環神經網絡叫“循環”呢？ 書裏用了拼寫單詞作爲例子。比如一個單詞here，你知道了前三個字母her，這時要預測第四個字母。 這時，我們的先輸入第一個字母h，鏈接到第一個字母的隱藏層，產生矩陣。再把第二個字母e輸入進去，鏈接到第二個字母的隱藏層。與此同時第一個字母的隱藏層的輸出矩陣也輸入到第二字母的隱藏層上。 以此類推，每個字母都能對後一個字母的隱藏層進行調整，形成鏈式反應。這種“循環”有效地記住了序列信息，具有較強的處理文字能力。 類比人腦，這相當於“順口”，人背詩的話，看上句背下句比較容易。看下句背上句就難了。這也類似心境，一件開心，或者不開心的事會對接下來的每一件事的心情產生影響。 最後，如果你想繼續學習人工智能，我推薦我正在看的《人工智能：一種現代的方法》《Python神經網絡編程》。如果你想關聯硅基神經網絡和碳基神經網絡，研究人腦怎麼推動心理行爲，我推薦你可以看下《心理學與生活》。 歡迎互關討論拍磚！一起了解AI，馴服AI，領導AI，而不被AI領導！

哈哈哈，寫給小學生的人工智能教程，你看得懂嗎😋（2026年第12本） 神經網絡是人工智能的核心。本書以和小學生一問一答的形式，用通俗易懂的話語介紹了計算機的工作原理，以及單層神經網絡、多層神經網絡、卷積神經網絡、循環神經網絡的定義。 🦊先來看計算機的工作原理。計算機只認識0和1（二進制）。圖片的顏色都是根據紅色、綠色、藍色三色原理，再引入8個二進制位也就是256種亮度結合生成。文字根據ASCII碼和UNICODE碼生成。 🐶再來看普通神經網絡。每個神經元可以按照特徵輸入、權重計算、閾值判斷的方式輸出1或0（也就是或否），只有一個輸入層和輸出層（每層都有若干個神經元）的是單層神經網絡，輸入層和輸出層中間多了隱藏層的就是多層神經網絡。 🐰然後是卷積神經網絡。以圈叉棋爲例，每個棋子都被轉化爲3×3的9個二進制位，都要乘以圈或叉的特徵矩陣進行閾值判斷，所以就把這個圈或叉特徵矩陣卷積爲可複用的矩陣，就叫卷積。 🐷最後是循環神經網絡。實在是我表達能力有限，懂了也歸納不出來，請各位看官自行學習吧，抱歉抱歉。 每一種神經網絡都通過大量訓練樣本，對錯誤的情況按照設定的訓練率進行反向傳播，讓每個神經元自動調整輸出權重，從而實現最終輸出結果的正確率提升，這就是所有人工智能的基礎原理。看似容易，實則一點也不簡單。

看完《津巴多普通心理學》，又看過《和另一個自己談談心》，我新開始看的心理學書籍是《心理學和生活》，這本書講“心理學”之前，會先講“生物學”，其中的一個“生物學”概念叫做“神經網絡”，隸屬於神經科學(neuroscience)的研究範圍。 神經網絡的搭建基礎，是被稱作“神經元”的細胞，它分作三個類別：感覺神經元、運動神經元和中間神經元。感覺神經元將感受器細胞感受到的信息——比如眼睛看到的光、耳朵聽到的聲音——向內傳遞到中樞神經系統；運動神經元則將中樞神經系統的信息向外傳遞到肌肉和腺體；中間神經元是一種中介，它們將信息從感覺神經元傳遞到其它神經元或者運動神經元。 我們人類腦中的神經元數量，大約在一千億到一億億之間。中樞神經系統和外周神經系統，都是由神經元組成的，中樞神經系統存在於腦和脊髓之內，外周神經系統是除了中樞神經系統之外的其它神經組織。 關於“神經網絡”，書中講解的內容全面且深入，從神經元之間的信號如何傳遞（即有物理的電信號，也涉及到化學中的離子），到腦子中各個部分的功能劃分（比如小腦負責身體運動、控制姿勢並維持平衡），再到輔助神經系統的內分泌系統…… 我還做不到使用自己的語言將它們複述一遍，我理解到的，是一種工作模式，即我們平日裏的各種活動，不管“喫飯”還是“快樂的感覺”，都是神經網絡輸入與輸出的一種具體表現；神經網絡對輸入輸出的處理，並不是將所有信息都收集到一起後再由某個“總負責人”處理，而是神經元在對信息的傳遞過程中，就已經做了篩選和處理。 同一種神經遞質在一種突觸中可以產生興奮作用，而在另一種突觸中卻產生抑制作用。每個神經元整合它與1000～10 000個其他神經元之間形成的突觸所得到的信息，再決定它是否應該發出另一個動作電位。正是整合數以千計的興奮和抑制性輸入，才使得全或無的動作電位成爲所有人類體驗的基礎。 由此，對輸入信號的處理，有一個“層”的概念。以視覺舉例，光線首先通過角膜、瞳孔和晶狀體到達視網膜，接着視網膜藉助錐體細胞和杆體細胞將光波轉換爲神經信號，這些信號再傳遞給視神經，信號再經過視束變成“這東西看起來像什麼”以及“它在哪個位置”，最終，信號到達視皮層，再經由一些處理完成物體的辨認。（即便很認真看書中描述，但要將“看見”這個過程複述出來，我依然感覺好難好難。） 前幾個月，我對AI（人工智能）生出興趣，我想了解一下ChatGPT是如何做到“你想知道的，問我，我都知道”的，我找到《這就是ChatGPT》來看。整本書只是作者兩篇論文（應該一篇是論文，一篇只是一個產品的簡要介紹文章）的匯總，書中關於“學習”的一個概念叫做“神經網絡”，我不知道“神經網絡”如何工作，於是又找到《人工智能核心：神經網絡（青少科普版）》來看。 很巧合的，剛剛對生物學中“神經網絡”有些瞭解的我，再理解計算機中的“神經網絡”，有多出些優勢：我知道“神經網絡”處理信息，是一層層進行不回頭的，計算機中的“神經網絡”是一樣的處理框架，一個輸入，經由一層又一層“神經元”的處理，最終能夠高概率生成我們想要的輸出。 計算機中單個神經元，擁有多個輸入，每個輸入擁有屬於自己的權重，輸入乘以權重再求和，和與某個閾值進行比較，最後輸出結果只有是和否。 看單個神經元，是比較好理解的，整個過程只是給予一些條件，進行簡單的計算，再將結果進行簡單的分類。但當隱藏層出現時，我就開始了困惑，首先，爲什麼需要隱藏層？我在書中沒有找到答案，一番搜索之後獲得的理解有“隱藏層將上一層的輸入進行篩選或簡化，讓下一層只關注真正需要的數據”“隱藏層可以有很多層”“隱藏層屬於神經網絡的核心”。 跳過隱藏層（因爲我自己目前還理不清楚），我新搞懂的一個概念是“機器學習”。當我們構造出一個神經網絡之後，可以給予它很多很多的數據，讓它基於這些數據去“訓練”自己，當訓練成功之後，這個神經網絡就能幫助我們很——但做不到絕對——準確地去做事情。比如書中示例，當我們給予神經網絡幾張照片並告訴它照片中物體是鳥還是蝙蝠，經過訓練的它在收到新圖像時，便能判斷出新圖片中物體是鳥還是蝙蝠。 具體的訓練規則，可以是調整輸入的權重，也可以是調整輸出的閾值。以僅僅調整閾值舉例，初始神經元根據正確的數據輸入會輸出一個結果A，A與該神經元設定的正確輸出B並不一致，此時可以獲得A和B之間的差異，差異的反面，就是更靠近正確輸出的那個。基於這個規則，神經網絡於是可以自訓練。 以上，是我初次嘗試理解“神經網絡”的結果，也是看完《人工智能核心：神經網絡（青少科普版）》後逼自己輸出的只浮於表面的讀書筆記。 神經網絡很難，但並沒有難到難以理解。

數學書還是不適合用文字來描述的、 理解與記憶起來還是有點暈頭轉向的。 理解概念還是相對容易些的，算起題來是推導不明白的。 目前的神經網絡大體上是基於： 1、通過二進制01建立基礎物理規則，將現實世界邏輯規則與數字世界聯繫起來。在數字世界，現實世界就是大量的XY軸01表格。 2、通過不斷訓練，劃分信息之間的關聯度與權重值，得出數字世界與現實世界的基本規則。 2、通過統計學、分權重的基本公式，化作了卷積神經網絡。通過輸入信息去歸屬分類、加上權重排列優先級，去導出輸出概率優先級。 3、通過輸出與輸入之間的統計學權重公式，使輸入可導出輸出、輸出可導出輸入，以此形成循環神經網絡。 4、通過注意力權重，將輸入信息劃分重要性權重，得出信息主次關係，以此避免信息錯置的錯誤。 而人類如何思考的？至少除了統計學邏輯外還有跨領域的類比抽離等邏輯能力，還具備情緒能力。 AI的類比抽離歸納總結能力還是比較薄弱的，目前無法從普遍規律中得出一道萬能公式，它是不具備寫一道萬有引力定律能力的目前。 AI目前還不具備本能的情感能力也作爲計算公式之一，或者說，目前不具備真實的多模態能力 同時計算視聽嗅情緒等等。 本質差異是什麼？爲什麼？

2026年讀完的第五十七本書，早起晨跑幾公里後坐下來邊喫早餐邊寫下這本書的讀後感，真的非常適合開啓長假期前努力工作的一天。 作爲一本受衆面爲青少年的神經網絡科普書籍，它寫得非常棒，很多跟機器學習、深度學習和神經網絡相關的知識點都有簡單的涉及。作者尤其是對其中複雜的原理和組成部分做了簡單直白的舉例分析，這方便了對毫無相關知識的入門者易於理解。 但是我認爲這本書對於行業從業者來講是不太及格的，我認爲這正是這類輕科技書籍天然的“基因缺陷”。對於既希望短篇幅，又把所有涉及的底層原理知識覆蓋到位，還想對其原理深入剖析本來就是一個悖論。 這本書值得一讀，即使我在讀到其中矩陣計算，超參數，深度學習最重要的反向傳播更新矩陣權重，或者CNN、RNN的章節介紹中吐槽到“這是中學生能懂的玩意？”我後面想了一下，還是覺得中學生應該也要讀一下這類型的書籍，說不定這種書能在他們的夢想種下人工智能的種子，後面能爲這個行業添磚加瓦。

現有的二進制數據集訓練算法，借用了“神經元”這個名詞，和大腦神經網絡神經元的工作模式是不一樣的。但經過海量數據機器學習，它的數據分析能力和匯總能力很強，可以使專業知識免費化，成爲人們工作的得力助手。

《人工智能核心：神經網絡（青少科普版）》｜齊勇剛、喬媛媛、劉軍 一句話概括 這是一本面向青少年的神經網絡入門書，用圖像、文字、圈叉棋和單詞拼寫等例子，把計算機如何表示信息、訓練神經網絡、識別圖形和處理序列講得直觀易懂。 核心邏輯 全書沿着“信息表示—神經元—網絡學習—專用結構—實際任務”展開： 1. 先理解計算機如何用0和1表示數字、圖像和文字。2. 用神經元和權重解釋計算機如何組合輸入信息。3. 通過誤差反饋不斷調整參數，讓網絡從樣本中學習。4. 用卷積神經網絡處理圖像和空間結構。5. 用循環神經網絡處理文字和前後順序。6. 通過圈叉棋裁判和單詞拼寫案例，把抽象原理落實爲可理解的任務。 核心觀點是：人工智能不是計算機“突然擁有了人腦”，而是人類把信息表示、數學運算和訓練反饋組合成了能夠完成特定任務的模型。 核心內容 1. 計算機只能處理被編碼的信息 計算機底層使用0和1表示信息。數字、文字、圖像和聲音都必須先轉換爲計算機能夠處理的編碼。 圖像可以表示爲像素和顏色數值；文字可以轉換爲字符編碼或數字序列。編碼方式會影響計算機能否識別信息，也會影響後續模型的學習效果。 計算機並不是像人一樣直接“看見”一隻貓或“讀懂”一句話，而是在處理一組數字之間的模式。 2. 神經元通過加權組合處理輸入 人工神經元接收多個輸入，爲每個輸入分配權重，再加上偏置並經過激活函數產生輸出。 權重代表不同輸入的重要程度。多個神經元連接起來，就能逐漸形成單層和多層神經網絡。 單層網絡能夠處理較簡單的分類問題；多層網絡通過多次變換學習更復雜的模式。激活函數爲網絡加入非線性，使它不再侷限於簡單的線性判斷。 3. 神經網絡通過錯誤反饋學習 神經網絡開始時並不知道正確答案，參數通常是隨機的。它先根據當前參數作出預測，再將預測與真實答案比較，計算誤差。 訓練過程可以概括爲： 1. 輸入訓練樣本。2. 進行前向計算。3. 得到預測結果。4. 計算預測誤差。5. 根據誤差調整權重。6. 重複多次，逐步減少錯誤。 網絡學到的不是一條寫死的規則，而是大量參數共同構成的判斷模式。訓練數據、反饋質量和參數調整方式都會影響最終效果。 4. CNN適合識別圖像和空間結構 卷積神經網絡通過局部觀察和重複使用卷積核，識別圖像中的邊緣、形狀和組合關係。 書中以圈叉棋爲例，展示如何讓計算機： - 識別圈和叉。- 區分不同位置的棋子。- 組合棋子形成棋盤狀態。- 判斷哪一方滿足勝利條件。 CNN的優勢在於保留像素的空間關係。同一個圖形移動到不同位置時，網絡仍有機會識別它。 5. 從圖形識別到棋局判斷 識別一個圈或叉，只是視覺任務的第一步。要判斷棋局勝負，還需要把局部識別結果組合成整體結構。 這個案例說明，複雜任務通常由多個層次組成： - 先處理原始像素。- 再提取局部圖形。- 然後識別棋子類別。- 最後根據位置關係進行規則判斷。 人工智能系統不只是單個模型，還可能包含數據表示、特徵提取、分類和任務邏輯等多個環節。 6. RNN處理有順序的文字 文字不是一組可以任意打亂的字符，前面的字母會影響後面的判斷。循環神經網絡通過隱藏狀態保留此前信息，用來處理序列。 書中以單詞拼寫爲例： - 先把字母轉換成數字。- 根據已經出現的字母預測下一個字母。- 讓網絡逐步生成完整單詞。- 使用字典樣本訓練和測試模型。 RNN能夠利用上下文，但簡單循環結構在處理很長序列時可能遺忘較早信息。它仍然是理解語言模型和序列網絡的重要起點。 7. 訓練數據決定模型能學到什麼 神經網絡不會憑空產生知識，它只能從訓練數據中學習規律。 如果數據： - 數量太少，模型可能無法掌握穩定規律。- 標註錯誤，模型會學習錯誤答案。- 類型單一，模型難以處理新情況。- 與現實場景差異過大，模型可能無法泛化。- 帶有偏見，模型可能複製這些偏見。 因此，人工智能的效果不僅取決於網絡結構，也取決於數據如何收集、表示、標註和檢驗。 8. 學會不等於永遠正確 模型在訓練樣本上表現很好，不代表它能正確處理所有新輸入。 需要區分： - 訓練數據上的表現。- 未見過樣本上的表現。- 規則明確任務中的準確率。- 現實環境中的異常情況。- 單一任務能力與通用智能。 網絡可能記住訓練樣本，也可能在輸入稍有變化時判斷錯誤。實際應用需要獨立測試、錯誤分析和持續改進。 9. 人工智能是結構與任務的匹配 不同任務適合不同網絡結構： - 圖像任務重視局部與空間關係，適合CNN。- 文字和時間序列重視前後依賴，適合RNN等序列模型。- 簡單分類可能只需要較淺網絡。- 複雜任務需要更多層次和數據支持。 沒有一種網絡能夠自動解決所有問題。選擇架構時，需要考慮數據形式、任務目標、計算資源和錯誤代價。 10. 學習人工智能需要數學與實踐結合 本書儘量用基礎算術解釋權重、加法、誤差和更新過程，讓讀者理解神經網絡並不是魔法。 真正掌握神經網絡，需要同時理解： - 輸入如何編碼。- 權重如何組合信息。- 激活函數如何改變輸出。- 誤差如何傳回網絡。- 參數如何逐步更新。- 模型如何接受測試和修正。 動手實現簡單案例，有助於把“計算機像人一樣學習”還原爲可觀察的計算過程。 本書最值得關注的核心觀點 神經網絡的關鍵不是“像人一樣思考”，而是把複雜問題分解成可表示、可計算、可訓練和可檢驗的步驟。 當計算機識別圖像時，它處理的是像素數值；當它拼寫單詞時，它處理的是字符序列和概率關係。模型並不一定理解人類賦予這些信息的全部意義，卻可以在特定任務中學習穩定模式。 因此，評價人工智能不能只問“它聰不聰明”，還要問： 它處理的是什麼數據？訓練目標是什麼？在哪些條件下有效？出錯時會造成什麼後果？ 一段話總結 《人工智能核心：神經網絡（青少科普版）》從計算機用0和1表示數字、圖像和文字講起，再通過人工神經元、權重、激活函數和多層網絡解釋計算機如何組合信息並從錯誤中學習。全書以圈叉棋爲例，展示卷積神經網絡如何識別圖形、組合棋盤信息並判斷勝負；又以單詞拼寫爲例，說明循環神經網絡如何利用前後文處理文字序列。書中還強調訓練數據、模型測試和任務結構對人工智能效果的影響，提醒讀者模型只能在特定數據和目標下學習模式，並不等於擁有人的理解力。全書最核心的啓發是：人工智能的基礎不是神祕的“機器思維”，而是信息編碼、網絡結構、誤差反饋和持續訓練的組合；理解這些基本環節，才能真正理解模型爲何有效、何時會出錯，以及如何負責任地使用它。

人工智能核心：神經網絡（青少年科普完整版，無複雜公式） 一、神經網絡到底模仿了什麼？ 人類大腦裏有幾百億個神經元細胞，單個神經元只做一件簡單事：接收別的細胞傳來信號，判斷強度夠不夠標準，達標就向外發送新信號，不達標就保持靜默。 無數神經元相互連成密密麻麻的網絡，分工合作，就能完成認字、識圖、聽歌、思考所有行爲。 科學家仿照人腦結構，在電腦程序裏搭建出人工神經網絡，它就是當下所有AI（聊天大模型、人臉識別、AI繪畫、語音翻譯）最核心的基礎骨架。 二、最小單元：人工神經元（大腦的最小零件） 我們可以把單個人工神經元理解成一臺極簡小計算器，只有三步工作邏輯： 1. 接收多個輸入信號：比如識別一張圖片時，接收圖片裏每一個像素的明暗數值； 2. 自帶專屬權重：對每一個輸入賦予不同重要程度，關鍵信息權重高，次要信息權重低； 3. 做判斷輸出：把全部數值整合計算，超過設定門檻就輸出有效結果，低於門檻則輸出0（等同於“沒有觸發”）。 舉個生活化例子：判斷水果是不是蘋果，神經元會接收三個條件： 紅色（權重0.5）、圓形（權重0.3）、個頭偏大（權重0.2），綜合打分，最終給出判定結果。 三、多層組合，形成完整神經網絡 單獨一個神經元能力極其有限，只能完成最簡單的二選一判斷，多層神經元分層排布，就構成完整網絡，一共分爲三層固定結構： 1. 輸入層（信息入口） 負責接收原始素材：圖片像素、文字漢字、聲音波形、傳感器數據，只負責搬運信息，不做任何運算。 2. 隱藏層（AI的思考覈心） 這是神經網絡的精髓，一層不夠就疊加幾十、上百層，也就是大家常聽見的“深度學習”裏的“深度”。 每一層都會提煉不一樣的特徵：拿識別人臉舉例 第一層：分辨明暗線條、輪廓邊緣； 第二層：組合線條，找出眼睛、鼻子、嘴巴局部結構； 深層隱藏層：整合所有局部特徵，記住人臉獨有的整體特點。 隱藏層越多，AI能捕捉的細節越複雜，既能看懂繪畫構圖，也能理解長篇文章的深層含義。 3. 輸出層（最終答案出口） 接收隱藏層全部處理完畢的數據，給出確定結果：識別圖片物體類別、輸出一段文字、判斷股票漲跌、翻譯外文句子。 四、神經網絡怎麼“學會”知識？不靠死記硬背，靠不斷試錯修正 人類學習依靠刷題改錯，神經網絡依靠訓練+反向傳播完成自我優化，完整流程很簡單： 1. 投餵海量學習樣本：比如要訓練AI分辨貓狗，導入幾百萬張標註好的貓狗照片； 2. 初次預測：網絡隨機初始化權重，對圖片進行初次判斷，大概率錯誤百出； 3. 計算誤差：對比AI答案和正確標準答案，算出誤差大小； 4. 反向傳播糾錯：從輸出層倒着往輸入層回溯，一點點微調每一個神經元的權重，降低下一次的錯誤率； 5. 百萬次重複迭代：經過成千上萬輪訓練，權重數值穩定下來，誤差降到極低，神經網絡就牢牢掌握了分辨貓狗的能力。 關鍵點：AI沒有人類意義上的“記憶”，所有學到的知識，全部儲存在千千萬萬個神經元的權重參數之中。 五、生活裏隨處可見的神經網絡應用 1. 大語言AI：深層巨型神經網絡，學習全網海量文本，理解語言邏輯，實現聊天、寫文章、解題、策劃創作； 2. 視覺類AI：手機人臉識別解鎖、短視頻特效、自動駕駛識別紅綠燈與行人、AI修圖繪畫； 3. 日常小衆場景：輸入法智能聯想詞彙、語音轉文字、網購平臺個性化商品推薦、遊戲裏智能NPC。 六、青少年需要釐清的兩個常見誤區 1. 神經網絡擁有自我意識嗎？ 完全沒有。它只會基於訓練數據做數學運算，沒有喜怒哀樂，沒有主觀想法，所有“聰明”，都是海量數據+數學模型共同帶來的擬合效果，不會主動產生思想。 2. 層數越多的神經網絡就一定越強？ 並不是。層數過多極易出現“過擬合”：死記硬背訓練集裏所有樣本，遇到全新陌生內容就徹底判斷失誤，合適的結構、優質的數據，遠比盲目堆砌層數更加重要。 七、極簡總結 神經網絡是模仿人腦神經元結構搭建的數學運算網絡，由輸入層、多層隱藏層、輸出層構成；依靠海量數據反覆迭代修正參數完成學習，是當代所有人工智能技術的底層基石，既是AI繪畫、大模型的根基，也是未來智能科技發展的核心支柱。

個人感覺這書是值得一看的，對初學者極好。 三天閱讀完這本書，有點囫圇吞棗的感覺吧，一點點的小收穫，在這裏小結一下： 第1章介紹計算機的基礎知識，二進制、十六進制、相互之間的轉換，文字、圖形等的編碼方式，對於之前學習過計算機基礎的人來說理解起來是沒有問題的。 第2章介紹神經網絡，這是人工智能當中一大內容，人工智能是讓機器等能模擬人的語言表述、學習、推理、解決問題等能力，那麼就要對機器進行訓練，包括機器學習和深度學習等，而這一切都依靠神經網絡（神經網絡是模擬人的神經元和它們之間的連接）來實現。當中還了解了準確率、精確率、召回率的概念和計算方法。 第3章、第4章通過圈叉棋這個例子來介紹卷積神經網絡、循環神經網絡等內容，鑑於自己數學方面知識的缺乏，這兩章理解到的內容非常有限，疑問是相當多的。

一句話概括：這本書用小學加減乘除，把當今 AI 最核心的"神經網絡"從零講透——只要你會算術，就能不借助計算機，親手推演出機器"看懂圖、認出字、會思考"的全過程。 它的野心藏在書名裏：人人都會人工智能。而它真正的價值，是替你捅破那層"AI 高深莫測"的窗戶紙。 全書的一條主線 計算機眼裏只有 0 和 1 → 圖像被拆成 RGB 與亮度、文字被編成 ASCII 與 Unicode → 用"神經元"處理這些數字 → 神經元連成單層、多層網絡 → 卷積網絡學會"看"（圈叉棋）、循環網絡學會"讀"（拼單詞）。 四種網絡，層層遞進，構成了今天所有 AI 的地基。 核心洞察 一、所謂"智能"，其實是四步機械動作。 一個人工神經元做的事，拆開只有四步：特徵輸入 → 乘以權重 → 加權求和 → 與閾值比較，輸出"是"或"否"。有位書友的比喻堪稱一絕：小美相親，高、富、帥是三個輸入，權重分別是 0.6、0.3、0.1，阿強只佔一個"高"，得分 0.6，超過 0.5 的閾值，於是入選。神經元不神祕，它就是一臺會打分的篩子。 二、機器的"學習"，本質是調參。 神經網絡靠訓練樣本反覆糾錯、調整權重，這個過程叫訓練，方法叫"反向傳播"（梯度下降）。還是相親那個比喻：找了對象，高的爸媽就誇，矮的爸媽就罵——在一次次獎懲裏，"高"的權重被不斷抬高。這和人"刻意練習"提升某項能力，是同一回事。 三、卷積，就是"一個套路套遍全圖"。 書裏用圈叉棋講卷積：把識別圈或叉的"特徵矩陣"複用起來，去點乘圖上每一塊，這個可複用的矩陣就叫"卷積核"。好處是省存儲、能快速更新。有書友點破了它的另一面：卷積像人學會一套方法解決同類問題，用好了是舉一反三，用僵了就成了思維定式、生搬硬套。 四、循環，就是讓機器"順口"。 拼單詞 h-a-r-e，知道前三個字母猜第四個——每個字母的隱藏層輸出，都會傳給下一個字母的隱藏層，形成鏈式反應。這就像我們背詩，看上句接下句容易，看下句倒推上句就難。 循環網絡因此"記得住"序列信息，能處理語言和語音。 五、真正的突破，是機器自己找特徵。 書中最關鍵的一句：基於神經網絡的 AI，不再靠人去定義"什麼是貓的特徵"，而是餵給它足夠多的原始圖像，讓它自己學出每類的特徵。層數越多（深層網絡 = 深度學習），學到的概念越抽象。這，纔是 AI 爆發的真正引擎。 幾點行動啓示 給 AI 祛魅：讀完你會明白，大模型的底層不過是"特徵—權重—閾值"的海量堆疊，恐懼和神話都可以放下。 借 AI 反觀人生：有書友把它想通透了——特徵值是你看世界的維度，權重是你的價值觀排序，閾值是你的人生選擇，訓練樣本是你的社會經驗。人建立三觀，和機器訓練模型，是同一種邏輯。 打好通往大模型的地基：書裏沒講 Transformer，但真正搞懂了"卷積"和"循環"，再去理解注意力機制會順暢得多。 補一點數學會收穫更大：懂一些矩陣和二進制，很多"點乘""編碼"就從抽象變具象。 結語 馬未都有句話被書友引用得妙：我們如今已是"半碳基、半硅基生命"，因爲手機不離手。硅基的"神經元"只是借了大腦的名字，機制並不相同，但它靠海量數據訓練出的歸納能力，正在讓專業知識變得免費、觸手可及。 這本書最動人的地方，是它兌現了一個樸素的承諾——神經網絡很難，但並沒有難到無法理解。當你用鉛筆在紙上算完一遍圈叉棋，你會發現：AI 的核心，你已經親手摸到了。