不是找到正确答案。是每次错了改一点改到不错为止。问题你面前有一堆蓝点和橙点怎么分开它们给你20个点。蓝色希望分开在左边橙色希望分开在右边。你随手画了一条线发现有的蓝点跑到了线右边有的橙点落在左边——猜错了。你想调整这条线让它把两种颜色完美地切开。一个神经元做的就是这件事。神经元就是一道门想象一个门卫。访客进门时只有一个特征值时间——几点几分到达。门卫心里有两个东西一个标准权重时间重不重要如果来访时间很重要门卫就把时间数字放大。如果不重要就缩小。一个倾向偏置门卫本身是严格还是宽松天然倾向于放行还是拦下所有访客进来时间数字被标准放大或缩小再加上门卫的倾向得出一个总分。然后——门打开。总分够高就放行不够就拦下。神经元就是这个门卫。输入是数据权重和偏置是门卫的判断工具开门是激活函数。公平地说GPT-4 只是 1.7 万亿个这样的门卫叠在一起工作。门是怎么开的激活函数听起来吓人但本质上就是一句话总分够了就亮不够就灭。就像一盏声控灯。你拍手声音震动传到灯的内部电路电路计算音量够不够大——够了灯亮。不够不亮。神经元在收到 w·x b 的结果后走的就是这个逻辑超过门槛 → 输出 1亮不到门槛 → 输出 0灭。这个门槛是零。总分为正就亮为负就灭。简单到不值得被称作函数。学习反复拧两个旋钮一开始权重和偏置是随机给的。相当于门卫被蒙上眼睛随便设了一个标准和倾向。喂一个数据点猜一次。猜错了朝错得少一点的方向拧一小步。再喂再猜再拧。这就是训练的全部。你不需要事先知道正确答案是什么权重。没有人告诉神经元w 应该设为 10b 应该设为 -5。它不知道也不需要知道。它只需要知道刚才猜错了偏了多少往哪边偏然后拧一点点。反复拧几万次。权重停在 10偏置停在 -5。此时输入 0.49 输出 0输入 0.51 输出 1——线把两种点分开了。学习不是一次找到对的参数。学习是每次错一点就改一点改到不错为止。为什么这件事如此重要一个神经元能处理的问题简单到可笑——它只能画一条直线。数据集稍微复杂一点它就抓瞎了。但核心机制是通用的拿到输入用参数对输入做加权计算过一个门槛函数猜错了就反向调整参数重复直到猜对这个五步循环就是今天所有大型语言模型的底层引擎。ChatGPT 的 1750 亿个参数——每一个都是这样被拧出来的。不是谁设计了正确的值不是哪位天才数学家算出了最优解。是无数次猜错→调整→再猜→再调整的迭代。知道这一点很重要。因为它意味着 AI 的能力不是被给予的而是被试出来的。模型不是在记忆中存储了完美的答案而是在反复试错中找到了一个恰好管用的参数组合。一个反直觉的观察很多人以为自己学习的方式和 AI 完全不同。人类学习需要理解AI 只是机械调参。但仔细想想最早学会骑自行车的时候我们理解了重心偏移与角动量守恒的关系吗没有。我们只是摔了几十次每次摔完身体自动调整了平衡感。反复摔反复调突然有一天——会了。这个过程和一个神经元学画线没有本质区别。区别只在于人类能同时处理大量输入视觉、触觉、平衡感而一个神经元只有一个输入。但底层的试错→调整→试错→调整循环是一样的。这就是为什么一个神经元值得单独讲一篇。它不是最强大的计算单元——恰恰相反它弱到令人发笑。但它的学习机制是所有强大模型的最小公约数。理解了这一个神经元怎么学习就理解了 GPT-4 在一万亿倍规模上做的是同一件事。下一步一个人搞不定的事一个神经元只能画一条直线。但现实世界中的数据很少能用一根直线分开。下一篇文章我们在一个神经元的基础上增加一个搭档。两个神经元一起工作——不是每个人变得更聪明而是多了一个视角。两个普通视角的组合能做到任何单一视角做不到的事。从零学习 AI 系列 · 第一篇下一篇一层神经元——为什么两个人比一个人聪明