为什么非专业人士也应该了解神经网络？
你应该了解神经网络，因为你使用的大多数 AI 工具，从语音转写到聊天助手，内部都有神经网络。决定是否购买或信任这些工具，需要先知道它们能学会什么、不能学会什么。
以一家虚构的、拥有80名员工的保险经纪公司“港湾保险”为例。一家供应商向运营负责人丹尼尔推介一款理赔分流产品。幻灯片上写着：'深度神经网络，12层，使用数百万份理赔数据训练，准确率94%，像人脑一样学习。'丹尼尔的通话笔记写道：'不确定层是什么意思。用的是谁的理赔数据？94%指什么？如果客户投诉，它能解释决策依据吗？'他必须在周四之前向总监汇报，既不想照搬幻灯片，也不想直接否定这款产品。
神经网络是如何一步步运作的？
神经网络将数值逐层传递，每个单元使用可调整的权重组合输入，再将最终输出与正确答案比较，从而微调权重，让下一次的结果更好。下面的步骤展示一次预测和一轮学习的过程。
1. 将输入转换为数字
网络看到的一切都会先转换成数字：图像转换为像素亮度，文本中的词语转换为数字编码，理赔申请则转换为索赔金额、保单年限等字段。
2. 每个神经元对输入进行加权
神经元也叫节点，它将每个输入值乘以相应的权重，再将这些结果与一个称为偏置的常数相加，然后把总和传入激活函数。正是激活函数，让多层神经元能够学习曲线形式的非线性规律，而不只是直线关系。
3. 各层逐层构建
神经元按层排列。输入层接收原始数值，一个或多个隐藏层对其进行变换，输出层则给出预测，例如“可能是简单理赔案件”或“需要专家处理”。包含很多隐藏层的网络被称为深层网络，“深度学习”一词由此而来。
4. 衡量误差
训练时，网络会对一个已知正确答案的样例进行预测。预测答案与正确答案之间的差距用一个数值衡量，称为损失。
5. 调整权重
一种叫作反向传播的算法会计算每个权重对误差的贡献，再由一种叫作梯度下降的方法，沿着能够减小误差的方向微调每个权重。在数千乃至数百万个样本上反复进行这些小幅修正，最终就能得到预测表现良好的模型。
对神经网络的解释，较差的说法和改进后的说法分别是什么样的？
不充分的汇报只是复述供应商的话：'这是一个有 12 层的深度神经网络，像大脑一样学习，准确率为 94%。' 丹尼尔的主管没有得到任何可据以行动的信息，而且'像大脑一样学习'只是比喻，不是对实际机制的描述。真实神经元与这些单元只是名称相同，设计灵感上有些宽泛的联系，机制并不相同。
改进后的简报写道：'这款产品是一个神经网络：它通过调整数百万个内部权重，直到预测结果与以往决策相符，从而学会对理赔申请进行分类。这意味着，它的表现受限于它学习过的历史理赔申请，因此我们需要知道这些申请来自哪些人，以及是否与我们的申请相似。94% 这个数字需要明确定义：是在什么测试数据上达到的准确率？它有多大概率将复杂申请错误地标为简单申请？这类模型很难逐一解释每项决策，因此我们应该询问，当客户质疑结果时，供应商会提供什么说明，并安排人工复核每一项被拒绝的理赔申请。'这个版本把幻灯片内容转化成了四个明确的问题。
为什么神经网络需要这么多数据，又被用在哪些领域？
神经网络需要大量数据，因为它有非常多的权重需要确定，而每个权重都是从示例中学习得来的，并非由人手动编写。如果示例太少，网络可能只会记住训练数据，而不是学到通用规律，这就是过拟合。
当数据中存在丰富的规律，却很难将其写成规则时，就会用到它们：例如识别图像中的物体、将语音转成文字、翻译语言、发现异常交易，以及支撑 ChatGPT、Claude 和 Gemini 等 AI 助手背后的大语言模型。对于规模较小、结构整齐的业务表格，更简单的模型往往同样准确，而且更容易解释。
神经网络有哪些局限？
主要局限在于：神经网络会学习训练数据中的所有内容，包括其中的缺漏和偏见；很难逐一解释它做出的决定；遇到与训练中见过的情况完全不同的案例时，可能会自信地给出错误答案。准确率完全取决于测试数据，所以一定要问清楚用了什么数据。训练大型网络还需要大量算力，因此大多数组织使用预训练模型。
如何核实关于神经网络的说法？
核查有关神经网络的主张时，要问清它用什么数据学习、如何测试、会犯哪些错误，以及由谁审核其决策。如果供应商无法清楚回答这些问题，层数再多也没有意义。
这节课在 Tosheo.ai 中属于哪一部分？
本课属于机器学习分类，是机器学习课程中神经网络单元的第一课。在 Tosheo.ai 中，学完后你会完成一项实操任务，向一位虚构的利益相关者解释一个模型，评分反馈会指出含糊的比喻和缺乏依据的准确率说法。这是一门帮助你在工作中运用机器学习的职业基础课，不是模型构建集训营；如果你想用代码构建神经网络，注册后的选修编程学习路径会涵盖这部分内容。
来源与范围
Google 机器学习速成课程：神经网络模块（核查于 19 October 2026） ↗