AI 术语表 · 入门 · 语言模型
人工神经网络
人工神经网络是一种计算结构：它把接收数字并进行计算的小单元（神经元）分多层连接起来，在观察数据的过程中自行调整连接强度，从而学会规律。它是当今深度学习和 LLM 的基本骨架。
通俗解释 它类似于一家公司：众多员工一层层坐着，把前面的人递来的便条稍作加工后传给后面的人。每位员工都会根据经验调整“该在多大程度上相信谁的话”，从而学会工作。不过，它并不像真正的脑细胞那样思考，只是名字借自大脑的数学计算。
工作原理
神经网络由输入层、一个或多个隐藏层（Hidden Layer）和输出层组成。每个神经元把从前一层接收到的数字分别乘以各自的权重（连接强度）并求和，再经过名为激活函数的规则传给下一层。一开始权重是随意设定的，因此会给出离谱的答案，但模型会朝着缩小与正确答案之间差距的方向反复微调权重，从而完成学习。这些权重就是人们常说的“参数”。
为什么重要
即使人不逐条写出规则，它也能仅凭数据学会照片中的物体、语音、句子含义等复杂模式。研究深层堆叠的神经网络的领域就是深度学习，用于图像识别的 CNN、用于句子处理的 RNN 和 Transformer 也都是神经网络的一种形式。如今使用的大多数生成式 AI 都建立在这种结构之上。
注意事项
神经网络为什么给出某个答案，人很难看清，因此有时被称为“黑箱”，试图解开这一问题的研究就是可解释性。训练需要大量数据和计算资源（如 GPU）。如果模型把训练数据记得太死，在没见过的数据上性能就会下降，即出现过拟合。
示例
智能手机相册应用把照片自动分类为“美食”“风景”“人物”，或语音助手把语音转成文字，这些功能大多由人工神经网络完成。ChatGPT、Claude 等 LLM 也是采用 Transformer 结构的巨大神经网络。