![[笑cry]](https://face.t.sinajs.cn/t4/appstyle/expression/ext/normal/4a/2018new_xiaoku_thumb.png "[笑cry]")
，毕竟我是看着GPT-2一路走过来的。但是当GPT的API大规模开放之后，大家开始疯狂基于GPT模型开发插件时，各种脑洞确实吓到我了！我从来没设想过，通过套娃和拼接实现的Auto-GPT，babyAGI，hugging-GPT的这些组合模型，居然能够直接摸到通用人工智能（AGI）的下限。…
眼下最热门的技术，绝对是人工智能。
人工智能的底层模型是"神经网络"（neural network）。许多复杂的应用（比如模式识别、自动控制）和高级模型（比如深度学习）都基于它。学习人工智能，一定是从它开始。
什么是神经网络呢？网上似乎缺乏通俗的解释。
前两天，我读到 Michael Nielsen 的开源教材《神经网络与深度学习》（Neural Networks and Deep Learning），意外发现里面的解释非常好懂。下面，我就按照这本书，介绍什么是神经网络。
这里我要感谢优达学城的赞助，本文结尾有他们的《前端开发（进阶）》课程的消息，欢迎关注。
一、感知器
历史上，科学家一直希望模拟人的大脑，造出可以思考的机器。人为什么能够思考？科学家发现，原因在于人体的神经网络。
- 外部刺激通过神经末梢，转化为电信号，转导到神经细胞（又叫神经元）。
- 无数神经元构成神经中枢。
- 神经中枢综合各种信号，做出判断。
- 人体根据神经中枢的指令，对外部刺激做出反应。
既然思考的基础是神经元，如果能够"人造神经元"（artificial neuron），就能组成人工神经网络，模拟思考。上个世纪六十年代，提出了最早的"人造神经元"模型，叫做"感知器"（perceptron），直到今天还在用。
上图的圆圈就代表一个感知器。它接受多个输入（x1，x2，x3...），产生一个输出（output），好比神经末梢感受各种外部环境的变化，最后产生电信号。
为了简化模型，我们约定每种输入只有两种可能：1 或 0。如果所有输入都是1，表示各种条件都成立，输出就是1；如果所有输入都是0，表示条件都不成立，输出就是0。
近期评论