AI入门笔记：透过函数看AI本质
AI 模型本质上是一个可学习的、复杂的非线性函数；但需要注意的是，它并不是一个明确的函数公式；而是一个类似黑盒的预测工具：你不需要了解具体原理，那是符号主义关注的；我们只需要让结果尽可能接近完美即可。其核心思想是联结主义，即通过简化函数获得真实结果的近似解。接下来我将简要回顾我的学习历程。如果大家想了解AI的话推荐观看b站up主闪客的视频：【【闪客】一小时从函数到 Transformer】 https://www.bilibili.com/video/BV1NCgVzoEG9/?share_source=
神经计算：AI的底层驱动力
本质核心：基于数据的自动化特征挖掘，无需人工预设规则，通过联结强度的持续调整逼近数据内在模式；理论架构（从原理到应用的递进关系）：神经计算→人工神经网络→深度学习→大语言/多模态大模型。1943年M-P神经元模型问世，宣告神经计算正式开启；1949年赫布学习规则确立神经网络学习的理论根基。1957年感知机模型诞生，掀起首轮神经网络浪潮；1969年明斯基证实单层感知机无法破解异或难题，相关研究陷入十余年低谷。1982年Hopfield网络使研究再度升温；1986年BP反向传播算法突破多层网络训练瓶颈，引爆第
智脑工坊第二讲：揭秘AI学习背后的函数奥秘
智脑工坊·第二讲上一期「智脑工坊」探讨了人工智能的发展历程及其在日常生活与创意领域的应用。本期核心问题：AI究竟怎样习得知识？关键在于——函数。函数能够刻画客观规律，智能是否也遵循这一逻辑？轻抚猫咪时它发出咕噜声，遇见毒蛇则本能躲避。智能的核心在于信息采集与情境化响应，其行为模式与函数映射高度吻合。从简单函数到神经网络架构早期AI研究奉行符号主义，企图通过精确函数界定万物关联，每个输入对应唯一确定输出。然而现实问题充满不确定性，难以完美建模，于是转向近似求解——函数只需无限逼近真实结果，这便是联结主义的理