人工神经网络工作原理

陌上秋草

刘桓中，2025年8月

AI要尽量模仿大脑，这出自一条基本信念：大脑是长期进化的产物，进化的本质是优化，所以大脑的结构和工作方式是高度优化的，模仿大脑大概率不会走弯路。

但科学界对大脑的认知尚不够深入，人工神经网络只能大致模仿生物神经网络，很多处理方法是科学界自定的，可以说是为实现目标的权宜之计。看眼下，这些权宜之计还能自洽。比如用简单的数学公式模拟神经信号传递，不完美，却能解决图像识别、语言翻译等问题。因此 AI 才能取得令世人瞩目的成就。

许多人对 AI 非常感兴趣，却又感觉这个门槛太高，不敢踏入。我尝试把人工神经网络简化到极致，介绍其工作原理。希望能以此把门槛大大降低，降到不令人生畏的程度。

极简神经网络实例

先看一个极简神经网络实例。它简化到只有一个神经元，但可以演示神经网络做决策规划的基本方法。

假设要根据天气来决定是否出门，只考虑气温和风力两个参数。将两个参数值导入神经元，按以下公式整合后得到计算结果：

是否适合出门 = 气温 X 权数1 + 风力 X 权数2 + 偏置值

假如权数1 = 0.8，权数2 = 0.3，偏置值 = 0.5，此公式可以写成

是否适合出门 = 气温 X 0.8 + 风力 X 0.3 + 0.5

极简神经网络实例

当计算结果超过某个设定阈值后，最终决策是不适合出门。

从公式中不难看出，两个权数用来设定气温和风力这两个参数的权重。权重较大者对计算结果影响也大。如果更看重风力的影响，可以减小权数1，增大权数2。偏置值没有特别意义，就是用来微调计算结果，使其更适合设定的阈值。

动态调整神经网络

神经网络的初始状态不一定适合实际需要。每次导入参数完成计算后，系统会自动核查。如果发现问题，系统将自动调整权数1、权数2和偏置值。前面的计算过程称为前向传播，后面的核查过程称为反向传播。

反向传播并不传播数据，只是从后向前一步步核查，找到问题的根源。如同会计账目发现问题，会从总账到明细账再到记账凭证，按此路径反向核查。反向核查会很快发现问题根源。

神经网络的反向传播就是一个自学习过程。神经网络是通过海量数据的训练一步步建成的。训练之初，很多设定值都是暂定值，有些就是随机设定的。

训练神经网络之前，开发者会把海量数据分成许多批次，每次前向传播用一个批次。前向传播完成后自动开启反向传播，对设定数值做调整，然后用下一批次数据开始新循环。经过多次循环，反复调整，设定数值一步步趋向合理，整个神经网络也随之走向成熟。

扩展的极简神经网络

再看一个稍微复杂些的实例。假定上面的例子增加一个输入参数，共有三个参数：气温、风力和降雨概率，情况要复杂些。为判断是否出门，更需要综合权衡。为此引入了一个中间层，行话叫做隐藏层。它就是个预处理器，先做一番计算，然后把计算结果交给输出层去整合。

增加隐藏层的极简神经网络

输入层就像个分流电路，它将输入参数值分别送到隐藏层的相关神经元。例如，隐藏层的三个神经元可分别按下述不同公式运算：

结果1 = 气温 X 0.8 + 风力 X 0.5 + 降雨概率 X 0.1 + 偏置值1
结果2 = 气温 X 0.1 + 风力 X 0.8 + 降雨概率 X 0.6 + 偏置值2
结果3 = 气温 X 0.7 + 风力 X 0.1 + 降雨概率 X 0.8 + 偏置值3

稍微留意下公式中的权数，不难发现，三个神经元的侧重点不同。第一个侧重气温和风力，第二个侧重风力和降雨，第三个侧重气温和降雨。把各自计算结果交给输出层去处理。输出层也有自己的考虑，例如，输出层可按以下公式计算：

最终结果 = 结果1 X 0.7 + 结果2 X 0.5 + 结果3 X 0.3 + 偏置值

隐藏层也可以简化下，只用两个神经元计算，留一个神经元备用。这样就增加了系统的弹性。如果输入层有更多参数进来，备用神经元就能派上用场，无需大幅改变系统结构。

真正的大脑神经网络如何工作？

以上只是人工神经网络的极简版，所处理的也不过是一个简单决策。不难想到，若是处理复杂问题，势必会涉及大量数学运算。大脑神经网络也是这样工作吗？

自然界的产物看上去非常复杂，生命就是个例子。然而这只是假象，世界的复杂是由于我们尚无足够认知。一旦看透一件事，它会变得简单明了。自然界的复杂现象追到底往往包含简单的底层机理。生命的底层机理就是DNA（脱氧核糖核酸）。一旦DNA编码被破译，复杂的生命结构和生命形式将大白天下，看上去十分简单。

大脑神经网络的工作方式

大脑神经网络也是这样，它本质上就是神经元相互连接组成的网络，一切概念一切思维均由神经元的连接构成。“天气热”这个抽象概念是由若干具体概念共同形成，如“烈日当空”、“汗流浃背”和摄氏30度以上。这些概念相互关联，便构成了“天气热”概念。

“不宜出门”在大脑中是另外一个概念。生活经历会将“天气热”和“不宜出门”相关联，多次经历会使二者形成强连接，在大脑中成为强化记忆，也就是常说的“经验”。有了这种强连接，只要出现“天气热“这种前提条件，立即会激活”不宜出门“这种反应。

人工神经网络把事情搞复杂了

人工神经网络要依托价格昂贵的硬件系统，还要像大型制造业那样吞吃电力。比起人的大脑来，实在是太落后了。人工系统唯一优势就是计算速度。利用这一点，可以设计出精巧的计算机算法，利用较少算力资源实现强大功能。人工神经网络包含很多人为设计成分，其结构和工作程序都比大脑神经网络复杂得多。

这些人为设计只是权宜之计。本来那些硬件只能搞出猿猴智能，非得搞成人的大脑，不得不这样做。看长远，从微观层面仿真人的大脑是一条更有前途的路径。

随着微电子技术的进步，已有研究者利用类脑计算机在做这件事（关于类脑计算机，可参阅我另一篇文章： 《人造大脑正向我们走来》）。不难预测，AI 的生成和运行机制会越来越像人的大脑，加上 其速度优势和网络协同优势，AI 全面超越人类大脑已为期不远。