正文共：3071 字 7 圖
預計閱讀時間： 8 分鐘
大家都知道人工智能，什麼是人工智能？通俗來講，就是讓機器能像人一樣思考。
（小白都知道這個好吧，還需要你來解釋？）
（呃~）
那為什麼要像人一樣思考呢？
（因為愚蠢的人類覺得自己是已知的智力水平最高的。如果狗的智能最高，那麼就叫狗工智能了）
這也是生物仿生學上研究的問題，人腦大約包含10的12 次方（1加12個0）個神經元，分成約1000 種類型，每個生物神經元大約與102至104個其它生物神經元相連接，形成極為錯綜複雜而又靈活多變的生物神經網絡。每個生物神經元雖然其結構都十分簡單，但是如此大量的生物神經元之間、如此複雜的連接卻可以演化出豐富多彩的行為方式。同時，如此大量的生物神經元與外部感受器之間的多種多樣的連接方式也蘊含了變化莫測的反應方式。
人體神經系統各部分的功能概括如下：
如果要機器向人一樣思考，那麼機器就要達成這樣的程度。目前來看是不現實的，所以我們將複雜的系統進行拆分最小顆粒度——神經元。
神經元
神經元通常是由一個神經細胞都有樹突、軸突、細胞核等等。樹突可以接受其他神經元傳來的信號，然後對這些信號進行一下處理傳遞給下一個神經元。
樹突（Dendrite）之所以枝繁葉茂，是因為每個神經元都要與大量的同類進行交流。神經系統中沒有微信朋友圈的功能，只能通過這種方式來發展“神”際關係。
軸突（Axon）因為要負責神經元內部的信號傳遞，就像古代斥候通風報信一樣，信號傳遞的戰線必須拉的很長；為了節省材料和空間，戰線又必須很細。又細又長的戰線就很容易被敵軍切斷，必須得有保護措施，而香腸狀的髓鞘（Myelin sheath） 則正是起到了保護戰線的作用。
（表騙我，我吃火鍋腦花的時候，沒有發現長長軸突，也沒用香腸~）
其實你看到的是神經膠質細胞（Ganglia）。神經膠質細胞則是構成神經系統的另一種“根”，其數量甚至比神經元更為龐大。 實際上它是膠質的（果凍知道吧，就類似那個，或者你可以把它想象成豆花）。
神經膠質細胞主要是支撐大腦結構、為神經元輸送營養、清理受傷神經元和隔離不同神經元，膠質細胞還把不同軸突粘在了一塊。
所以你吃到就是煮熟後像豆腐一樣的神經膠質細胞。正是膠質細胞給予了腦花以豆腐般的柔嫩口感，否則腦花一旦下鍋，全散做蓮藕絲了。
神經脈衝
說遠了，我們再來說說，傳輸的問題，神經元之間到底是怎樣進行交流的呢？
（人工智能怎麼實現信息的交流與傳輸的呢）
中學生物告訴我們，神經信號分為『電信號 』和『化學信號，兩者各有所長。
電信號就像是家教，特點是快狠準，因材施教所以效率很高，例如肌肉的收縮就是有電信號主導；
化學信號則更像大班授課，影響範圍廣，作用力持久，但是每個“聽眾”理解力不同，而且需要花時間課後消化，所以化學信號準確度不及電信號，且反應時間較長。
正是兩種信號的相輔相成，編碼了我們的一顰一笑，喜怒哀樂。
電信號又稱為神經脈衝，電線如果又長又細，電阻就會很大。如果像電線那樣傳遞脈衝，怕是一個脈衝還沒跋涉完成，軸突就因電阻過大而被脈衝的熱情 （產生的電熱） 給燒燬了。很顯然，神經元需要想辦法讓脈衝“冷靜”地走完全程。
和電腦不同，神經脈衝不會產生多餘的熱量，牛x吧。
（那人體熱不是熱量麼？）
（這位同學，人體發熱是另外一回事，人體CPU超了只會餓）
神經元是怎樣解決這一難題的呢？答案只有一句話：依靠神經元內外電勢差 。形成神經脈衝進行信息的交流與傳輸。
這圖至上到下看
神經元的功能：種經元受到刺激後能產生興奮，並且能把興奮傳導到其他神經元。轉化成計算機語言就是輸入信息，樹突感知到信息。
1、鍵入信息（上圖的加減號）
2、神經脈衝的產生，靠的是細胞膜內外（鉀和鈉）離子的交替性出入。
內部：鉀（黃色）；
外部：鈉（藍色）。
3、鉀離子和鈉離子的內外不均，給予了神經元細胞膜一個-70毫伏的電勢差 。當受到刺激後，神經元細胞膜的內外電勢差發生了變化，從而一個脈衝開始了全新的征途。
醫學上很多的檢查原理都是基於此
計算神經科學
說到這個就不得不提著名的HH模型，用以描述神經脈衝的產生和傳導，並因此獲得了1963年的諾貝爾醫學或生理學獎。由此，計算神經科學 （Computational Neuroscience） 這個新興學科走上歷史舞臺，神經科學正式進入量化分析的時代。
一個數學模型也能獲得諾貝爾生理學獎？聽起來有些不可思議。事實上HH模型的偉大之處，正是在於把一個同物理學 （電勢差變化和脈衝的產生） 、化學 （離子通道的閉合） 和生物學都有關的複雜生命現象，精確而簡練地用一個數學方程組概括了起來：
看不懂沒關係，你只要知道這個公式很牛x就對了
這個方程組囊括了脈衝產生的全過程。你現在的一舉一動，都掌握在這個方程中。
（好怕怕，但是完全沒有感覺到啊~）
（你不能我思故我在，不是你沒感覺到，它就不厲害了）
紅色曲線表示神經元受到刺激，藍色曲線表示正常狀態。電流單位是毫安。紅色曲線是不是和我們平常看到的神經脈衝很相似？如果我們再加上一個更加複雜的週期性刺激，那麼就能觀察到更符合實際的腦電圖了：
腦電圖繪製原理
之所以HH模型能獲得諾貝爾獎，還在於這個模型 對離子通道閉合過程對精確刻畫 。著名的 動電位理論 （Action Potential Theory） 正是通過HH模型描述出來的。 從數學角度看來，HH模型只是千千萬萬非線性方程的一種，它產生的解是週期解 （神經脈衝具有周期性）。
由神經元到人工智能
智能來源於單一的算法(One Learning Algorithm)，我們分析了單個神經元的原理。我們用數學流程來抽象這個過程：
通過一個數學模型來描述一下神經元：
+1代表偏移值(偏置項, Bias Units)；來避免輸出為零的情況，並且能夠加速某些操作，這讓解決某個問題所需要的神經元數量也有所減少。
X1，X2，X2代表初始特徵；
w0，w1，w2，wi3代表權重(Weight)，即參數，是特徵的縮放倍數。特徵經過縮放和偏移後全部累加起來，此後還要經過一次激活運算然後再輸出。激活函數有很多種，後面將會詳細說明。
這個數學模型有什麼意義呢？我將每個元素進行簡化處理：
這時我們把激活函數改為Purelin(45度直線)，Purelin就是y=x，代表保持原來的值不變。這樣輸出值就成了 Y直線點 = b + X直線點*k，即y=kx+b。看到了吧，只是換了個馬甲而已。
下一步，對於每個點都進行這種運算，利用Y直線點和Y樣本點計算誤差，把誤差累加起來，不斷地更新b、k的值，由此不斷地移動和旋轉直線，直到誤差變得很小時停住(收斂)。這個過程完全就是前面講過的梯度下降的線性迴歸。
一般直線擬合的精確度要比曲線差很多，那麼使用神經網絡我們將如何使用曲線擬合？答案是使用非線性的激活函數即可，最常見的激活函數是Sigmoid(S形曲線)，還有一種S形曲線也很常見到，雙曲正切函數(tanh)。
Sigmoid：邏輯迴歸(Logistic Regression)，簡稱logsig。
雙曲正切函數(tanh)：或稱tansig，可以替代logsig。
下面是它們的函數圖形，從圖中可以看出logsig的數值範圍是0~1，而tansig的數值範圍是-1~1。
又有童鞋會疑問，公式中的e是什麼？
公式中的e叫自然常數，也叫歐拉數，e=2.71828…。e是個很神秘的數字，它是“自然律”的精髓，其中暗藏著自然增長的奧秘，它的圖形表達是旋渦形的螺線。比如你看到的花朵綻放、蝴蝶紋身圖案曲線就是e。
e是怎麼來的？
e = 1 + 1/1! + 1/2! + 1/3! + 1/4! + 1/5! + 1/6! + 1/7! + … = 1 + 1 + 1/2 + 1/6 + 1/24 + 1/120+ … ≈ 2.71828 (!代表階乘，3!=1*2*3=6)
還不明白？那麼我舉個栗子：
從前有個財主，他特別貪財，喜歡放債。放出去的債年利率為100%，也就是說借1塊錢，一年後要還給他2塊錢。有一天，他想了個壞主意，
要一年算兩次利息，上半年50%，下半年50%，這樣上半年就有1塊5了，下半年按1塊5的50%來算，就有1.5/2=0.75元，加起來一年是：上半年1.5+下半年0.75=2.25元。用公式描述，就是(1+50%)(1+50%)=(1+1/2)^2=2.25元。
可是他又想，如果按季度算，一年算4次，那豈不是更賺？那就是(1+1/4)^4=2.44141，果然更多了。
他很高興，於是又想，那乾脆每天都算吧，這樣一年下來就是(1+1/365)^365=2.71457。然後他還想每秒都算，結果他的管家把他拉住了，說要再算下去別人都會瘋掉了。不過財主還是不死心，算了很多年終於算出來了，當x趨於無限大的時候，e=(1+1/x)^x≈ 2.71828。
（結果，這個財主成了數學家）
好了，前面花了不少篇幅來介紹激活函數中那個暗藏玄機的e，下面可以正式介紹人工神經網絡（Artificial Neural Network，即ANN ）。
人工神經網絡（Artificial Neural Network，即ANN ）它從信息處理角度對人腦神經元網絡進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。
ANN模型
神經網絡及其連接方式因為新的架構正被源源不斷地發明出來。以上只是一種代表而已。事實上，不論是那種網絡，他們在實際應用中常常都混合著使用，比如CNN和在上層輸出之前往往會接上全連接層，很難說某個網絡到底屬於哪個類別。不難想象隨著深度學習熱度的延續，更靈活的組合方式、更多的網絡結構將被髮展出來，後面詳細說明。
人工神經網絡模型主要考慮網絡連接的拓撲結構、神經元的特徵、學習規則等。目前，已有近40種神經網絡模型，其中有反傳網絡、感知器、自組織映射、Hopfield網絡、波耳茲曼機、適應諧振理論等。
為什麼要人工神經網絡？
因為人工神經網絡的特點和優越性，主要表現在三個方面：
第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡，網絡就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。預期未來的人工神經網絡計算機將為人類提供經濟預測、市場預測、效益預測，其應用前途是很遠大的。
第二，具有聯想存儲功能。用人工神經網絡的反饋網絡就可以實現這種聯想。
第三，具有高速尋找優化解的能力。尋找一個複雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網絡，發揮計算機的高速運算能力，可能很快找到優化解。
但是（萬能的但是……）
前面我們只解釋了神經脈衝，神經科學有無窮無盡的難題需要解決，比如：
大腦就算要處理最簡單的任務，也要靠大量神經元協同完成。不同神經元之間是如何交流的？
神經元的“朋友圈”是如何建立起來的？怎麼發展不同神經元間的“神脈”關係？
電信號和化學信號之間是如何相互影響的？
針灸為什麼可以止痛？
意識是什麼？
生物神經元特性與人工智能發展
從生物控制論的觀點來看，神經元作為控制和信息處理的基本單元，具有下列一些重要的功能與特性：
① 時空整合功能：生物神經元對於不同時間通過同一突觸傳入的神經衝動，具有時間整合功能；對於同一時間通過不同突觸傳人的神經衝動，具有空間整合功能。兩種功能相互結合，具有時空整合的輸入信息處理功能，所謂整合是指抑制和興奮的受體電位或突觸電位的代數和。
② 興奮與抑制狀態：生物神經元具有兩種常規工作狀態：興奮--當傳人衝動的時空整合結果，使細胞膜電位升高，超過被稱為動作電位的閾值時，細胞進人興奮狀態，產生神經衝動，由軸突輸出；抑制當傳人衝動的時空整合結果，使膜電位下降至低於動作電位的閾值時，細胞進人抑制狀態，無神經衝動輸出，滿足“0-1”律，即“興奮、抑制”狀態。
③ 脈衝與電位轉換：突觸界面具有脈衝／電位信號轉換功能。沿神經纖維傳遞的電脈衝為等幅、恆寬、編碼的離散脈衝信號，而細胞膜電位變化為連續的電位信號。在突觸接口處進行“數／模”轉換，是通過神經介質以量子化學方式實現（電脈衝-神經化物質-膜電位）的變換過程。
④ 神經纖維傳導速度：神經衝動沿神經傳導的速度在 1～150 m/s 之間。
⑤ 突觸延時和不應期：突觸對神經衝動的傳遞具有延時和不應期。在相鄰的兩次衝動之間需要一個時間間隔，即為不應期，在此期間對激勵不響應，不能傳遞神經衝動。
⑥ 學習、遺忘和疲勞：由於結構可塑性，突觸的傳遞作用可增強、減弱和飽和，所以細胞具有相應的學習功能，遺忘或疲勞效應（飽和效應）。
隨著腦科學和生物控制論研究的進展，人們對神經元的結構和功能有了進一步的瞭解，神經元並不是一個簡單的雙穩態邏輯元件，而是超級的微型生物信息處理機或控制機單元。每個問題都非常複雜，不是光靠生物學這一個學科孤軍奮戰就能解決的。這些難題的解決，必然需要綜合其他學科的思想， 去粗取精取長補短 。同理，人工智能也有很多地方需要研究。
我思故我在
end
閱讀更多 四川高考志願填報 的文章
