人工智能的神經網絡是如何工作的

工业原理
9粉絲
2026年6月26日
到底是人工智能還是人工智障?神經網絡起到關鍵性作用
那什麼是神經網絡呢?這是大腦的神經元
神經元上的束突受到刺激,會將信號通過細胞體傳遞到軸突
接着再通過軸突傳遞到另一個神經元
需要注意的是,如果束突受到的刺激太小,刺激就無法傳遞到下一個細胞
只有刺激達到一定值,才能傳到下一個細胞,這個值就稱爲閾值
那神經網絡是如何工作的呢?現在這裏有一群人
如何設計一個人工智能來區分裏面的人是大人還是小孩呢?
我們正常的思維是,如果這個人又高又重就是大人,如果又矮又輕就是小孩
所以大人和小孩的概率分佈是這樣的
對應神經網絡中,當我們輸入身高和體重,如果二者相加的和比較大,就輸出大人
如果小,就輸出小孩,現在我們再加入一個身高和體重的權重值
然後分別相乘,得到的值再相加,如果結果超過閾值,則輸出1,代表大人
否則輸出0,代表小孩
現在我們收集一些身高和體重的數據,爲了便於計算
身高和體重的值設置爲0和1之間的值,閾值設置爲0.5
身高和體重大的是大人,小的是孩子
我們現在往神經網絡中輸入一組大人的數據
一開始身高和體重的權重值是隨機的,分別爲0.3和0.2
然後身高和權重值相乘,體重再和權重值相乘,得到的值再相加得到0.37
這個值比閾值0.5要小,所以輸出爲0,也就是小孩
問題是,我們明明輸入的是大人的身高和體重,但是這裏顯示卻是小孩
如果計算小孩的數據,小孩的結果都是正確的,該如何解決這個問題呢?
我們可以嘗試將權重值提高到0.5,還是依舊輸入0.7和0.8
計算結果得到0.75,大於閾值0.5,可以看到最終結果輸出1
大人的計算結果也正確了
所以這個例子中,0.5是最佳權重值
問題是計算機不可能憑直覺直接找到權重值,計算機需要不斷地學習
通過權重值的一點點變化,最終找到最佳權重
這個過程被稱爲機器學習,找到權重值後,無論你輸入大人或者小孩的數據,最終結果都是正確的
大人和孩子的數據分佈可以用一條線來區分,問題是世界上大部分數據都是複雜的
很難用單條線或單個神經區分,需要使用神經堆疊的方式進行復雜處理
這被稱爲深度學習
神經網絡的輸入值的這一層稱爲輸入層,計算輸入值的中間層稱爲隱藏層,輸出結果的層稱爲輸出層
數據先來到輸入層,經過隱藏層處理,最終到輸出層進行輸出
如果輸出值出現誤差,則需要修改權重
但是神經網絡過於複雜,根本不知道從哪裏修改
所以最好的修改方式是從輸出層開始,修改最近的權重
然後往前傳播,當權重都被修改時,數據再從輸入層向後傳播並計算
然後不斷地重複這個過程,直到找到最佳權重
人工智能運用非常廣泛,其中最重要的一個應用就是識別圖像或文本
那它到底是如何做到的呢?這是一張比較模糊的數字圖片
當圖片輸入到神經網絡後,神經網絡的過濾器會提取圖片的特徵
爲了計算方便,會重複縮小圖片大小,然後反覆提取圖片的特徵
最後對特徵進行排列和分析,預測出是什麼數字並輸出最終結果
如果將該方法應用於自動駕駛,就可以通過分析道路的面貌來決定方向盤該如何轉動
並通過識別信號燈來判斷是否需要剎車
除了識別圖片,文本識別也是最常用的,並因此誕生了重量級產品
那就是ChatGPT,早期的聊天機器人只能機械地回答預先輸入的句子
但是ChatGPT通過學習海量的數據,已經能理解語意的上下文
並很好地回答任何問題,並表現出與人相似的創造力和解決問題的能力
