八三看书

手机浏览器扫描二维码访问

神经网络：从“模仿大脑”到“解决问题”的全过程（第5页）

- AI作曲：比如你输入“风格是治愈、乐器用钢琴和吉他、时长3分钟”，神经网络会生成一段背景音乐，适合用在短视频、vlog里。

4. “决策类”问题：帮你“选最优、少犯错”

这类问题的核心是“从多个选项里，找出最好的方案”，常用的是“深度学习+强化学习”（可以理解成“神经网络在试错中找到最优解”）。

- 自动驾驶：自动驾驶汽车的“大脑”就是神经网络，它会分析实时路况（比如前面有行人、旁边有车变道、红绿灯是红灯），然后决定“该减速、该刹车、还是该拐弯”，比人类反应更快（但目前还在测试阶段，没完全普及）；

- 物流路径规划：比如快递公司要送100个包裹到不同的地方，神经网络会分析“每个地址的距离、路况、配送时间”，找出“最短时间、最少油费”的配送路线，比人工规划更高效；

- 游戏AI：比如你玩王者荣耀，里面的“电脑队友”“电脑对手”就是神经网络控制的，它会根据“自己的血量、对方的位置、技能冷却时间”，决定“该进攻、该撤退、还是该放技能”。

五、神经网络不是“万能的”：它的“缺点”和“局限性”

虽然神经网络很厉害，但它不是“无所不能”，也有很多“短板”，就像你再熟练的骑车技巧，也没法在冰面上骑得稳一样。了解这些局限性，能帮你更理性地看待AI。

1. 它需要“大量数据”，没数据就“寸步难行”

神经网络就像一个“吃货”，需要吃足够多的“训练数据”才能长大。如果没有足够的数据，它就会“营养不良”，学不会东西。

比如你想教神经网络“识别一种很稀有的病”，但这种病的病例只有几十例，没有成千上万的病例数据，神经网络就没法找到规律，很可能把“没病的人当成有病”，或者“有病的人当成没病”——这就是为什么很多罕见病的AI诊断很难做，因为数据太少。

再比如你想让AI写“某小众领域的文案”（比如“古代青铜器修复”），如果网上关于这个领域的文字资料很少，AI就写不出专业的内容，只会说一些“正确的废话”，比如“青铜器修复很重要，需要专业技术”——因为它没足够的数据学习“修复的具体步骤、用的工具、注意事项”。

2. 它会“偏见”，数据里有偏见，它就会学过来

神经网络没有“自己的想法”，它学的规律完全来自“训练数据”。如果训练数据里有“偏见”，它就会把这种偏见学过来，甚至放大。

比如之前有个AI招聘工具，企业用它筛选简历，结果发现它对女性求职者很不友好——为什么？因为训练数据里的“优秀员工简历”大多是男性（可能因为过去这个行业男性居多），AI就误以为“男性更适合这个岗位”，所以会自动过滤女性简历。

再比如你给神经网络喂的“猫的图片”大多是“白色的猫”，它就会误以为“白色的才是猫”，把黑色的猫当成“不是猫”——这就是“数据偏见”导致的“AI偏见”。所以现在做AI的人，都会特别注意“训练数据的多样性”，避免这种问题。

3. 它“不知道自己为什么对，也不知道自己为什么错”

神经网络的学习过程是“黑箱”——它能给出正确答案，但你问它“为什么这么判断”，它说不出来。

比如AI诊断你“可能有胃炎”，你问它“你是怎么看出来的？是因为我胃不舒服的症状，还是因为我的年龄？”，AI没法像医生一样给你解释“因为你的症状符合胃炎的特征，而且你的幽门螺杆菌检测是阳性”——它只会告诉你“根据数据，你有80%的可能是胃炎”。

这就像你有时候凭“直觉”做对了一道题，但让你说“为什么选这个答案”，你说不出来——神经网络的“判断”，本质上就是一种“数据驱动的直觉”。这种“黑箱”特性，在需要“解释性”的领域（比如医疗、法律）就会有局限，所以目前AI在这些领域只能“辅助”，不能“替代”人类。