什么是神经网络？
神经网络（Neural Network）是一种模仿人脑神经元连接方式设计的数学模型，由大量简单的计算单元相互连接组成，通过训练数据调整连接权重来"学习"。
用一个类比理解
大脑里有数百亿个神经元，每个神经元接受来自其他神经元的信号，超过阈值就"激活"并向下游传递。人工神经网络照着这个原理用数学公式搭了一个简化版：每个"神经元"其实是一个小计算节点，接收数字输入、加权求和、输出数字，层层传递，最终输出结果。
神经网络怎么"学习"？
给它看大量有标注的例子（比如一万张猫的照片），每次预测错了就"反向传播"——告诉每层网络"这一步出了多少偏差"，然后微调各个连接的权重，下次预测更准。重复这个过程几百万次，网络就学会了识别猫。
神经网络 vs 深度学习 vs 大模型
- 神经网络：基础结构，可以很浅（两三层）
- 深度学习：用很多层神经网络处理复杂任务
- 大模型：极大规模的深度神经网络，配合 Transformer 架构
常见误解
- "神经网络在模拟人类大脑"——只是灵感来源，真实的人脑远比任何神经网络复杂，两者工作原理差异巨大。
- "神经网络能自我进化"——神经网络靠人类提供数据和算力训练，不会自主进化。