“人工智能”、“神经网络”、“AI”等这些名词听起来非常的高大上，其背后的原理也好似高深莫测。其实不然，下面让我来带你认识人工智能背后的原理。

看似高深莫测的人工智能其实没有想象的那么复杂

先来说一下“人工智能”这个词是怎么来的吧。

故事要从一场聚会说起。1956年，几位科学家聚在一起讨论了一番，他们讨论的话题是“用机器来模拟智能”。讨论着，一个新的名词就被创造出来了，这个词正是“人工智能”。此后，人工智能这一学科正式建立。

下面就要开始介绍其背后的原理了。

生物学和医学研究发现，人的意识是由大脑产生的，而人的大脑是由一个个神经元按照某种特定的方式连接而成的。这些神经元会把从外界获取的信息转化为神经冲动（一个电脉冲信号）并在“突起”上传导，然后在“胞体”上进行一些加工处理，然后再由其它“突起”送出。

交错链接的神经元，中间圆圆的是胞体，长条状的是突起

有人就想，哎，这好像是数学上的函数！既然一个神经元可以看成一个函数，那如果把上一个函数的输出作为下一个函数的输入，这不就相当于是把两个神经元连接起来了吗！

首尾相连的“神经元”

虽然道理是这个道理，但人脑可不只是能算数啊。能不能再复杂一点...还别说，真的能！如果把多个函数的输出作为下一个函数的输入的话，那不就复杂多了吗。

各个神经元互相连接

这些神经元和它们之间的连线看起来就像是一张网络。这种神经元与上一层的每个神经元都连接的网络就被叫做“全连接神经网络”。当然，这还不是真的”全连接神经网络“。不过这种神经网络应用很广泛，从人脸识别到手机美颜都离不开它。当然，根据不同的需要也会有其它的连接方式。

那么现在新的问题又来了，神经元是怎么处理输入的信号的呢？人脑中的神经元是如何处理的我们还真不知道。但我们可以换个角度考虑，我们要的是“人工智能”，而不是“人工大脑”，何必纠结于人脑中神经元是怎么处理的呢？

于是科学家选择了非线性函数作为处理信号的方法，也就是上面图中的神经元（图中的蓝色方块）。常用的非线性函数是sigmod这个函数，它的作用是把一个数字放到-1到1这个范围里的某个位置，数字越大，越接近1。选择这个函数的原因是可以保证神经网络的输出不会太离谱。

sigmod函数

这一切看起来都很正确，但仔细一想，不对呀，这一堆函数怎么知道我要干什么？没错，它们还真不知道，它们只会老老实实地处理数字，并不知道你要干什么。

那怎么办呢？很简单，我们要控制一下不同的神经元，让表现得”好“的神经元权重大一点，表现得”差“的神经元权重小一点，然后我们还可以整体调整一些每一层神经元的权重，这样根据不同权重的组合，神经网络就会有不同的反应了。于是，神经网络变成了这样：

添加了权重的神经网络

好家伙，问题又来了，这么多权重，不会要我一个一个调吧？当然不会，聪明的科学家利用”梯度下降“这一工具实现了神经网络的”反向传播“。换句话说，就是神经网络会自动根据目标和现在的输出来调整权重，以实现让输出往目标靠近。这个过程涉及到比较多的数学公式，就不在这里详细说了。如果想要了解一下，可以在评论区留言哦。

到这里，一个神经网络就算是完成了。人工智能的背后正是一个个这样的神经网络在工作。而让神经网络找到最合适的一组权重的过程便是”机器学习“。

怎么样，人工智能背后的原理真的不复杂吧。但用简单的原理做出最有用的东西，这就是科学家的伟大之处所在。

如果喜欢这篇文章，不妨点个赞哦。如果还想要了解其它东西背后的原理，不妨关注我哦。