⼈⼯智能是怎么⼀步步抄袭⼈体⽣物神经元的正⽂共：3071 字 7 图
预计阅读时间： 8 分钟
⼤家都知道⼈⼯智能，什么是⼈⼯智能？通俗来讲，就是让机器能像⼈⼀样思考。
马生菜（⼩⽩都知道这个好吧，还需要你来解释？）
（呃~）
那为什么要像⼈⼀样思考呢？
（因为愚蠢的⼈类觉得⾃⼰是已知的智⼒⽔平最⾼的。如果狗的智能最⾼，那么就叫狗⼯智能
了）
这也是⽣物仿⽣学上研究的问题，⼈脑⼤约包含10的12 次⽅（1加12个0）个神经元，分成约1000 种类型，每个⽣物神经元⼤约与102⾄104个其它⽣物神经元相连接，形成极为错综复杂⽽
⼜灵活多变的⽣物神经⽹络。每个⽣物神经元虽然其结构都⼗分简单，但是如此⼤量的⽣物神
经元之间、如此复杂的连接却可以演化出丰富多彩的⾏为⽅式。同时，如此⼤量的⽣物神经元
与外部感受器之间的多种多样的连接⽅式也蕴含了变化莫测的反应⽅式。
⼈体神经系统各部分的功能概括如下：
让子弹飞寓意
如果要机器向⼈⼀样思考，那么机器就要达成这样的程度。⽬前来看是不现实的，所以我们将
复杂的系统进⾏拆分最⼩颗粒度——神经元。
神经元
神经元通常是由⼀个神经细胞都有树突、轴突、细胞核等等。树突可以接受其他神经元传来的
澳大利亚农业信号，然后对这些信号进⾏⼀下处理传递给下⼀个神经元。
树突（Dendrite）之所以枝繁叶茂，是因为每个神经元都要与⼤量的同类进⾏交流。神经系统中
没有微信朋友圈的功能，只能通过这种⽅式来发展“神”际关系。
轴突（Axon）因为要负责神经元内部的信号传递，就像古代斥候通风报信⼀样，信号传递的战
线必须拉的很长；为了节省材料和空间，战线⼜必须很细。⼜细⼜长的战线就很容易被敌军切
断，必须得有保护措施，⽽⾹肠状的髓鞘（Myelin sheath）则正是起到了保护战线的作⽤。
（表骗我，我吃⽕锅脑花的时候，没有发现长长轴突，也没⽤⾹肠~）
其实你看到的是神经胶质细胞（Ganglia）。神经胶质细胞则是构成神经系统的另⼀种“根”，其
数量甚⾄⽐神经元更为庞⼤。实际上它是胶质的（果冻知道吧，就类似那个，或者你可以把它想象成⾖花）。
神经胶质细胞主要是⽀撑⼤脑结构、为神经元输送营养、清理受伤神经元和隔离不同神经元，胶质细胞还把不同轴突粘在了⼀块。
所以你吃到就是煮熟后像⾖腐⼀样的神经胶质细胞。正是胶质细胞给予了脑花以⾖腐般的柔嫩⼝感，否则脑花⼀旦下锅，全散做莲藕丝了。
神经脉冲
说远了，我们再来说说，传输的问题，神经元之间到底是怎样进⾏交流的呢？
（⼈⼯智能怎么实现信息的交流与传输的呢）
中学⽣物告诉我们，神经信号分为『电信号』和『化学信号，两者各有所长。
电信号就像是家教，特点是快狠准，因材施教所以效率很⾼，例如肌⾁的收缩就是有电信号主导；
化学信号则更像⼤班授课，影响范围⼴，作⽤⼒持久，但是每个“听众”理解⼒不同，⽽且需要花时间课后消化，所以化学信号准确度不及电信号，且反应时间较长。
正是两种信号的相辅相成，编码了我们的⼀颦⼀笑，喜怒哀乐。
电信号⼜称为神经脉冲，电线如果⼜长⼜细，电阻就会很⼤。如果像电线那样传递脉冲，怕是⼀个脉冲还没跋涉完成，轴突就因电阻过⼤⽽被脉冲的热情（产⽣的电热）给烧毁了。很显然，神经元需要想办法让脉冲“冷静”地⾛完全程。
和电脑不同，神经脉冲不会产⽣多余的热量，⽜x吧。
（那⼈体热不是热量么？）
（这位同学，⼈体发热是另外⼀回事，⼈体CPU超了只会饿）
神经元是怎样解决这⼀难题的呢？答案只有⼀句话：依靠神经元内外电势差。形成神经脉冲进⾏信息的交流与传输。
这图⾄上到下看
神经元的功能：种经元受到刺激后能产⽣兴奋，并且能把兴奋传导到其他神经元。转化成计算
机语⾔就是输⼊信息，树突感知到信息。
1、键⼊信息（上图的加减号）一切都是我以为>九有
2、神经脉冲的产⽣，靠的是细胞膜内外（钾和钠）离⼦的交替性出⼊。
内部：钾（黄⾊）；
外部：钠（蓝⾊）。
3、钾离⼦和钠离⼦的内外不均，给予了神经元细胞膜⼀个-70毫伏的电势差。当受到刺激后，神经元细胞膜的内外电势差发⽣了变化，从⽽⼀个脉冲开始了全新的征途。
医学上很多的检查原理都是基于此
计算神经科学
说到这个就不得不提著名的HH模型，⽤以描述神经脉冲的产⽣和传导，并因此获得了1963年的诺贝尔医学或⽣理学奖。由此，计算神经科学（Computational Neuroscience）这个新兴学科⾛上历史舞台，神经科学正式进⼊量化分析的时代。
⼀个数学模型也能获得诺贝尔⽣理学奖？听起来有些不可思议。事实上HH模型的伟⼤之处，正是在于把⼀个同物理学（电势差变化和脉冲的产⽣）、化学（离⼦通道的闭合）和⽣物学都有关的复杂⽣命现象，精确⽽简练地⽤⼀个数学⽅程组概括了起来：
看不懂没关系，你只要知道这个公式很⽜x就对了
这个⽅程组囊括了脉冲产⽣的全过程。你现在的⼀举⼀动，都掌握在这个⽅程中。
（好怕怕，但是完全没有感觉到啊~）
（你不能我思故我在，不是你没感觉到，它就不厉害了）
红⾊曲线表⽰神经元受到刺激，蓝⾊曲线表⽰正常状态。电流单位是毫安。红⾊曲线是不是和我们平常看到的神经脉冲很相似？如果我们再加上⼀个更加复杂的周期性刺激，那么就能观察到更符合实际的脑电图了：
脑电图绘制原理
之所以HH模型能获得诺贝尔奖，还在于这个模型对离⼦通道闭合过程对精确刻画。著名的动电位理论（Action Potential Theory）正是通过HH模型描述出来的。从数学⾓度看来，HH模型只是千千万万⾮线性⽅程的⼀种，它产⽣的解是周期解（神经脉冲具有周期性）。
由神经元到⼈⼯智能
智能来源于单⼀的算法(One Learning Algorithm)，我们分析了单个神经元的原理。我们⽤数学流程来抽象这个过程：
室外工程施工方案
通过⼀个数学模型来描述⼀下神经元：
阎锡山故居+1代表偏移值(偏置项, Bias Units)；来避免输出为零的情况，并且能够加速某些操作，这让解决某个问题所需要的神经元数量也有所减少。
X1，X2，X2代表初始特征；
w0，w1，w2，wi3代表权重(Weight)，即参数，是特征的缩放倍数。特征经过缩放和偏移后全部累加起来，此后还要经过⼀次激活运算然后再输出。激活函数有很多种，后⾯将会详细说明。
这个数学模型有什么意义呢？我将每个元素进⾏简化处理：
行驶证年检
这时我们把激活函数改为Purelin(45度直线)，Purelin就是y=x，代表保持原来的值不变。这样输出值就成了 Y直线点 = b + X直线点*k，即y=kx+b。看到了吧，只是换了个马甲⽽已。
下⼀步，对于每个点都进⾏这种运算，利⽤Y直线点和Y样本点计算误差，把误差累加起来，不断地更新b、k的值，由此不断地移动和旋转直线，直到误差变得很⼩时停住(收敛)。这个过程完全就是前⾯讲过的梯度下降的线性回归。
⼀般直线拟合的精确度要⽐曲线差很多，那么使⽤神经⽹络我们将如何使⽤曲线拟合？答案是使⽤⾮线性的激活函数即可，最常见的激活函数是Sigmoid(S形曲线)，还有⼀种S形曲线也很常见到，双曲正切函数(tanh)。
Sigmoid：逻辑回归(Logistic Regression)，简称logsig。
双曲正切函数(tanh)：或称tansig，可以替代logsig。
