一句話定義

神經網路(Neural Network)是一種借用大腦概念的數學模型,由大量人工神經元分層相連,靠反覆調整每條連線的權重,從資料中自己學出規律。

30 秒看重點

  • 是什麼:神經網路是把很多「加權加總再過函數」的小單元串成好幾層,讓電腦從範例學習的模型。
  • 為什麼重要:ChatGPT、Claude、Gemini、人臉解鎖、語音辨識,背後的模型全都是神經網路。
  • 跟誰相關:想看懂 AI 新聞的一般人、關注 AI 晶片的投資人、入門 AI 的學生與工程師。
  • 最常見的誤解:以為它在複製人腦,其實只借了「很多單元互相連接」的概念,運作是純數學。
  • 記住這件事就夠了:神經網路學東西,就是不斷調整大量權重,直到猜錯的次數夠少為止。

神經網路到底是什麼?

神經網路是讓電腦從資料學習的模型,由很多人工神經元組成,每個只做一點簡單計算,分層連起來後就能辨識圖片、聽懂語音、產生文字。

微軟的免費課程《AI-For-Beginners》講得很直接:這類「大腦的數學模型」就叫神經網路,屬於機器學習的一部分。正式名稱是人工神經網路(ANN),「人工」兩字就是在提醒你:這是模型,不是真的神經細胞。

那一顆人工神經元在算什麼?課程給的最簡模型是:好幾個輸入、一組權重、一個輸出。每個輸入乘上權重、加總,再丟進一個非線性的激活函數,就是輸出。

就這樣,沒了。

一顆神經元弱到不行,厲害的是成千上萬顆接在一起之後。

生活比喻:你可以想像成在決定「要不要去排那間網紅鹽酥雞」。排隊人數、有沒有下雨、朋友有沒有推、離家多遠,這些就是輸入。朋友推薦你很在意(權重高),遠近你不在乎(權重低),加權算一算超過門檻就出門。一顆神經元就是一次這種小決定,「學習」就是被雷過幾次後,慢慢調整每個因素的份量。

為什麼會有神經網路?

神經網路的出現,是為了處理那些「人類自己會做、但講不出規則」的問題。

想像你要寫程式辨識手寫數字,得列規則:「上面一個圈、下面一條直線是 9」。可是有人寫歪、有人圈沒封口,規則越寫越多還是漏洞百出。小朋友都分得出 3 跟 8,卻說不清楚自己「怎麼」認出來的。

神經網路換個思路:不寫規則,改給範例。丟幾萬張標好答案的手寫數字進去,讓模型自己調權重。《AI-For-Beginners》的練習題就是用 MNIST 手寫數字資料集做分類。

簡單來講,就是把「寫規則」的苦差事換成「準備資料」。

神經網路是怎麼運作的?

先講結論:神經網路就是「往後算出答案、看錯多少、再從後往前微調每個權重」,反覆做到夠準為止。

  1. 往前算(前向傳遞):資料從輸入層進來,經過隱藏層,由輸出層給出預測。例如輸出「這張圖最像 7」。
  2. 算錯多少:預測跟正確答案比較,得出誤差大小,叫損失(loss)。
  3. 往回調(反向傳播):《AI-For-Beginners》說明,這步用連鎖律從損失一層層往回算每個權重該怎麼調,叫 backpropagation。實務上每次只抽一小批(minibatch)資料來算,這叫隨機梯度下降(SGD)。

這邊真的關鍵是「非線性」。開源教科書《Dive into Deep Learning》(D2L)解釋過:線性函數套線性函數,結果還是線性函數。每層都只做乘法加法的話,疊十層跟一層沒兩樣。所以層與層之間要放激活函數,最常用的是 ReLU,規則是正數照原樣輸出,負數一律變 0。早期常用、把數值壓到 0 到 1 之間的 sigmoid,在隱藏層多半已被 ReLU 取代。

名詞小教室:新聞說的「幾千億參數」,主要就是這些權重。大型語言模型,就是把神經網路放大到極致的產物。

神經網路有哪些種類?

神經網路其實是一整個家族,不同的接法擅長不同類型的資料。

類型擅長處理一句話特色代表應用
多層感知器(MLP)表格、固定長度的數字每一層的神經元跟下一層全部相連基礎分類、迴歸
卷積神經網路(CNN)圖片、影像用小濾鏡在圖上滑動,先看局部再拼全貌人臉辨識、醫療影像
循環神經網路(RNN)有先後順序的資料同一組參數一步一步處理序列,把前面的資訊往後帶語音、時間序列
Transformer文字、也延伸到圖片靠注意力機制一次看整段上下文ChatGPT、Claude、Gemini

從這張表可以看出來,種類的差別在於「神經元怎麼接」。

CNN 為什麼要特別設計?D2L 算過:一張 100 萬像素的照片直接接到 1,000 個神經元的隱藏層,光這層就要 10 億個參數。CNN 讓每個濾鏡只看一小塊、在整張圖重複使用,參數量就降下來了,還能從低階像素一路學到高階的圖片部件(AI-For-Beginners)。

RNN 比較尷尬,D2L 說它近年把不少市占讓給了 Transformer。

神經網路跟人腦、深度學習差在哪?

一句話:神經網路只借了人腦的靈感,運作是純數學;深度學習則是「層數很多的神經網路」。

《AI-For-Beginners》描述,生物神經元有多個輸入(樹突)、一個輸出(軸突),靠突觸互連。人工神經元把它抽象成「多個輸入、一組權重、一個輸出」,像是像,但也就到這裡為止。

比較項目人腦的神經元人工神經網路深度學習
本質會放電的活細胞加權加總加上函數的數學運算很多層的人工神經網路
怎麼學突觸連結強度改變用反向傳播調整權重同左,但層數多、資料量大
我會怎麼記靈感來源方法本體方法放大版

從這張表可以看出來,「神經網路」跟「深度學習」常常被混著講,但神經網路是工具,深度學習是把工具疊很深的做法。我自己的記法是:講結構時說神經網路,講整套方法論時說深度學習,兩者都屬於機器學習。

「那一層隱藏層不就夠了?」D2L 提到,理論上神經元夠多就能逼近任何函數,但很難訓練,很多函數用「更深」比「更寬」有效率得多,所以大家一直往深處疊。

神經網路是怎麼一路走到今天的?

神經網路的概念 1940 年代就有了,中間冷過好幾次,2010 年代才真正爆發。

  • 1943 年:根據《AI-For-Beginners》,Warren McCulloch 與 Walter Pitts 提出早期的神經元數學模型。
  • 1957 年:Cornell 航空實驗室的 Frank Rosenblatt 做出感知器(Perceptron)硬體「Mark-1」,用 20×20 光電陣列辨識三角形、圓形,權重用電位器實作(是真的旋鈕)。
  • 1969 年:多個搜尋來源一致指出,Minsky 與 Papert 在《Perceptrons》證明單層感知器解不了 XOR 這類問題,神經網路隨後進入低潮。
  • 1986 年:Rumelhart、Hinton、Williams 在《Nature》發表反向傳播論文,多層網路變得可以訓練。
  • 2012 年之後:大量資料加上 GPU 算力,深度學習爆紅。
  • 2024 年:多個搜尋來源一致報導,John Hopfield 與 Geoffrey Hinton 以「讓人工神經網路得以進行機器學習的基礎發現與發明」獲諾貝爾物理學獎。

順帶一提,XOR 說穿了就是「兩個條件剛好只有一個成立才回答是」,一條直線切不開,單層網路怎麼調都沒用。這麼單純的問題卡了整個領域好幾年,回頭看真的有點荒謬 XD

你會在哪些 AI 工具看到神經網路?

先講結論:你每天在用的 AI 功能,背後幾乎都是某種神經網路。

  • ChatGPT、Claude、Gemini:以 Transformer 為核心的超大型神經網路,靠預訓練讀了海量文字練出來的。
  • 手機相簿的人物分類:典型的影像辨識任務,正是 CNN 擅長的類型。
  • 手機和筆電裡的 AI 晶片:NPU 就是神經處理單元,專門在裝置上跑神經網路。
  • 資料中心的 GPU:神經網路核心是大量乘法加法,正是 GPU 擅長的事。

工程師最常碰到的是 PyTorch 與 TensorFlow,像 PyTorch 的 Linear、Conv2d 就對應全連接層和卷積層。

學神經網路最常見的 3 個誤解

最大的誤解,就是看到「神經」兩個字就以為它在模擬大腦思考。

  1. 誤解一:神經網路就是電腦版的人腦 — 真相是它只借了概念。《AI-For-Beginners》明講這是「模型,不是真的神經元網路」。
  2. 誤解二:神經元越多、層數越多就一定越聰明 — 真相是越大越難訓練。D2L 也說,「真的學出那個函數才是難的部分」。
  3. 誤解三:神經網路是最近才發明的新技術 — 真相是概念從 1943 年就有,只是最近才有足夠的資料和算力。

老實講,神經網路很會找規律,但找到的是統計關聯,不是因果,這也是 AI 偶爾很有自信講錯話的原因之一 跟某些開會很敢講的同事有點像。

想多了解神經網路,從哪開始?

沒有技術背景的話:直接打開 TensorFlow Playground(playground.tensorflow.org),這是 TensorFlow 專案在 GitHub 上開源的互動式神經網路視覺化工具。在瀏覽器裡增減神經元與層數,看它一點一點把兩種顏色的點分開(這比讀十篇文章都有用)。

有技術背景的話:微軟的《AI-For-Beginners》從感知器教起,帶你自己實作反向傳播;想更扎實就讀 D2L 的多層感知器與 CNN 章節,全部免費。


常見問題 FAQ

神經網路跟 AI 有什麼關係?

神經網路是實現人工智慧的主要方法之一,屬於機器學習的一部分。現在主流的 AI 產品,例如 ChatGPT、Claude、Gemini,背後都是大型神經網路。

為什麼神經網路突然這麼紅?

神經網路的概念從 1943 年就有,但過去資料與算力不足,研究一度停滯。1986 年反向傳播讓多層網路可以訓練,2010 年代大量資料與 GPU 到位後才真正爆發,2024 年 Hopfield 與 Hinton 更因此獲得諾貝爾物理學獎。

我不是工程師也需要懂神經網路嗎?

需要懂基本觀念,但不用會寫程式。知道神經網路是靠大量資料調整權重學出規律,就能理解 AI 公司為什麼需要那麼多晶片,以及 AI 為什麼有時會很有自信地答錯。

神經網路的中文翻譯有沒有統一?

台灣普遍使用「神經網路」,中國大陸常用「神經網絡」,英文是 Neural Network,正式名稱 Artificial Neural Network,縮寫 ANN。本站採用台灣用語。

學會神經網路之後,下一個該學什麼?

建議先讀深度學習,了解神經網路疊很多層為什麼有效;再讀 Transformer 與注意力機制,了解大型語言模型的核心架構;最後看預訓練,理解模型怎麼用海量資料練出來。


延伸閱讀


參考來源

  1. AI-For-Beginners:Introduction to Neural Networks|Microsoft GitHub — 神經網路定義、人工神經元結構、1943 年早期模型。
  2. AI-For-Beginners:Perceptron|Microsoft GitHub — 1957 年 Mark-1 感知器。
  3. AI-For-Beginners:Multi-Layered Perceptron|Microsoft GitHub — 反向傳播、SGD、MNIST 練習。
  4. AI-For-Beginners:Convolutional Neural Networks|Microsoft GitHub — CNN 的特徵層級。
  5. Dive into Deep Learning:Multilayer Perceptrons|d2l-ai GitHub — 非線性、ReLU、通用近似。
  6. Dive into Deep Learning:From Fully Connected Layers to Convolutions|d2l-ai GitHub — CNN 參數量計算。
  7. Dive into Deep Learning:Recurrent Neural Networks|d2l-ai GitHub — RNN 與序列資料。
  8. TensorFlow Playground|GitHub — 互動式視覺化工具。

查證限制:1969 年《Perceptrons》與 XOR、1986 年《Nature》反向傳播論文、2024 年諾貝爾物理學獎的內容,原始網站在撰寫環境無法開啟,以多個獨立搜尋結果交叉比對一致後才寫入,未列入參考來源。


整理一下重點:神經網路說穿了就是「一大堆很笨的小計算單元,分層接起來、靠調權重學東西」,名字裡有神經,但它真的不是在複製人腦。

希望這一篇有讓你對神經網路有比較具體的理解哩~如果發現事實錯誤、定義不準、或翻譯卡卡的,歡迎透過聯絡頁指正,看到我們會盡快修。

我們下篇文章見囉~

本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理,文末已揭露 AI 生成 + 公開資料引用。