一种模仿大脑神经元连接方式的计算模型：大量简单单元层层相连，靠调整连接强度从数据里找规律，是今天所有 AI 大模型的地基。
神经网络要解决的问题是：有些规律很难用人工写的规则描述出来。比如「怎么从照片判断这是不是猫」，你没法写一条条 if-else；但人类看几万张图就能认出来。于是人们想造一台能从例子里自己学规则的机器，神经网络就是这个机器。
可以把它想象成一个层层转手的判断小组。 - 神经元：最简单的计算单元，接收几个输入，各自乘上一个权重再相加，然后过一道「激活函数」，决定要不要把这个信号传下去。 - 权重：就是连接强度，相当于这个神经元对每个输入有多信任。学习的本质，就是把这堆权重一点点调到合适。 - 层与深度：神经元排成一层层，前一层的输出是后一层的输入。靠前的层学到的是边缘、笔画这类简单特征，靠后的层把它们组合成部件、物体、语义。「深度」指的就是层数多。 - 激活函数：如果只有加权求和，多层叠起来在数学上等价于一层，所以必须加入非线性的激活函数，网络才有能力拟合复杂规律。 一句话：输入数据从左边流到右边，中间每一层都在做「加权判断 + 传递」，最后给出一个答案。
它把「写规则」换成了「喂例子 + 调参数」，这是思维方式上的转变。图像识别、语音识别、机器翻译、大语言模型，底层都是神经网络。而且它有个很好的性质：只要有足够的数据和算力，同一套框架不用大改就能用在完全不同的任务上。