AI为什么能模仿人思考

周末给孩子收拾散乱的学习桌，顺手拿起一本生物书，翻了几页，一张神经元细胞图赫然出现在眼前。

神经元细胞图

好熟悉的图！

盯着这张图，有了一个想法： AI里的神经网络，跟我们大脑里的神经网络，到底有什么区别？

有人说：AI的神经网络就是个数学模型，跟生物神经不搭边。也有人觉得，名字都叫"神经网络"，那肯定差不多吧！

今天咱们从生物学角度，聊下AI卷积神经网络（CNN）和大脑神经细胞传递之间的相似和区别。

神经细胞怎么传递信号

人类大脑有大约860亿个神经元，它们之间通过突触连接。突触是神经元之间的"中继站"，电信号到了突触这里，转换成化学信号，再传给下一个神经元。

神经细胞传递信号的过程如下：

电信号到达突触前膜      ↓突触小泡释放神经递质      ↓神经递质穿过突触间隙      ↓与突触后膜的受体结合      ↓触发新的电信号（兴奋或抑制）

在信号传递过程中，关键角色是神经递质，它是神经元之间的"化学信使"，不同的神经递质有不同的作用。比如谷氨酸，它的作用是让下游神经元更容易"兴奋"；CNN里也有类似的东西，就是正权重。反过来，GABA是一种抑制性递质，对下游神经元产生抑制，对应CNN里的负权重。

CNN的设计灵感，就是来源于大脑的神经系统，下面图片形象地说明了这个问题。

神经元函数图

CNN识别、处理信息的流程如下：

输入层（接收图像像素）    ↓卷积层1（检测边缘、纹理）    ↓卷积层2    ↓池化层（检测形状、模式）    ↓全连接层（分类：这是猫还是狗？）

一、相似性

1949年，Donald Hebb提出了一个著名的生物学Hebb法则——"同时激活的神经元，连接会增强"。当我们反复做某件事时，相关神经元之间的突触连接就会变强，信号传递更高效，通俗一点讲“熟能生巧”，这是学习和记忆的基础。

在AI神经网络CNN中，反向传播算法的原理也是相似的，如果一个权重对正确输出有贡献，就增大它；如果导致错误，就减小它。我们常听到的数据训练，就是不断调整权重的过程。

用一个表格，来展示这个相似对应：

二、区别

两者在下面这些方面还是有较大区别的，

神经递质传递是模拟的、概率性的，释放量是随机的。而CNN的计算是确定的，即同样的输入，得到同样的输出。
人的大脑可以一边接收信息一边学习，不需要"重新训练"。而CNN是离线训练，需要大量数据反复迭代，训练完了，生成模型才能用。
人的大脑功率约20瓦，相当于一个节能灯泡。而训练GPT-3，约128.7万度电。大脑用20瓦能做到的事，AI用百万倍能量才勉强赶上。AI目前的发展方向，能量效率远不及生物系统。
人脑的神经细胞连接是动态的，突触可以生长、消亡、增强、减弱，并且受环境的影响比较大。CNN的连接结构在训练完成后就固定了。

AI的神经网络CNN是在生物学的基础上发展起来的，但它还远远没有达到生物大脑的水平。理解这些相似和差异，能让我们更好地理解AI、使用AI，不必对AI产生恐惧！