# 🧠【从函数到 Transformer 系列 01】从函数到神经元:符号主义与联结主义

> 📺 **本文为 B站 up主 @飞天闪客《一小时从函数到 Transformer》视频学习笔记,建议配合视频学习效果更佳!**
>
> 🔗 视频地址:[https://www.bilibili.com/video/BV1NCgVzoEG9](https://www.bilibili.com/video/BV1NCgVzoEG9/?spm_id_from=333.1387.0.0&vd_source=daa0f61353cd2118187cea1ffc89be7d)
>
> 系列目录:① 从函数到神经元(本篇)→ ② 计算神经网络的参数 → ③ 调教神经网络 → ④ 矩阵与 CNN → ⑤ Transformer 架构

---

## 一、两种 AI 流派:符号主义 vs 联结主义

### 1.1 符号主义:希望得到解释现实世界的一切的公式

```
把原因抽象为符号,规则为函数,结果抽象为解释。

比如:输入直角两边长,根据勾股定理,得到斜边长;
输入质量和加速度,根据牛顿第二定律,得到作用力。
```

**核心思想**:世界万物都可以用**公式和规则**精确描述,AI 就是找到这些公式。

### 1.2 联结主义:没有办法得到确切解,希望给出相近的答案

例如识别一张图片、识别一段语音——这类问题**根本写不出精确公式**,只能通过学习**给出相近的答案**。

### 1.3 核心思想对比

| 特征 | 符号主义 | 联结主义 |
| :--- | :--- | :--- |
| **哲学基础** | **物理符号系统假说**:智能在于对符号的操纵 | **大脑启发**:智能产生于大量简单处理单元(神经元)的并行互联 |
| **基本单位** | **符号**(词、规则、概念) | **神经元**(人工神经元、节点) |
| **知识表示** | **显式的、局部的**:用逻辑命题、规则(如果-那么)、框架等结构化表示,知识存储在特定符号结构中 | **隐式的、分布的**:知识编码在网络连接**权重**的分布模式中,没有一个神经元单独代表一个概念 |
| **处理方式** | **串行、逻辑推理**:基于规则演绎、推理和搜索,操作是离散的、顺序的 | **并行、传播计算**:信息通过神经元之间的激活和抑制处理,操作是连续的、并行的 |
| **学习机制** | **自上而下**:人类专家将知识编程为规则和符号系统,通过逻辑归纳或知识注入学习 | **自下而上**:从数据中自动学习,通过调整连接权重(如反向传播),学习是统计性、归纳性的 |
| **优势** | 可解释性强、擅长逻辑推理、数据效率高 | 容错性强、擅长感知模式(图像/语音/NLP)、能处理不完整/模糊信息 |
| **劣势** | 知识获取瓶颈、脆弱、难以处理感知任务 | "黑箱"问题、需要大量数据、缺乏系统推理能力 |
| **典型代表** | 专家系统(MYCIN)、定理证明器、早期聊天机器人(ELIZA)、知识图谱 | 深度学习、神经网络(CNN、RNN、Transformer)、大脑简化模型 |

### 1.4 历史演变与现状:从对立到融合

1. **符号主义主导(1950s–1980s)**:人工智能早期成功(如专家系统)主要基于符号主义,试图用逻辑复制人类思维的"顶层"——推理和思考。
2. **联结主义复兴(1980s–至今)**:反向传播算法普及 + 计算能力提升,神经网络研究重新兴起;2010 年后深度学习在感知智能领域取得巨大突破,联结主义成为当今 AI 的主流。
3. **神经符号 AI——未来的趋势**:
   - **符号系统擅长推理,但不善于学习。**
   - **神经网络擅长学习,但不善于推理。**

**神经符号 AI** 的目标就是取长补短:

- 用神经网络(联结主义)当"眼睛和耳朵",从复杂的现实世界(图像、声音、文本)中提取信息和概念;
- 用符号系统(符号主义)当"大脑",对这些概念进行逻辑推理、规划和知识管理;
- **例如**:机器人用神经网络识别出"苹果"(概念),符号推理系统再根据规则"如果饿了,可以吃苹果"来规划行动。

---

## 二、神经元

一个线性函数只能表达一条直线,但还有很多复杂图形需要表示。我们可以在外面包裹 1 层**非线性函数(激活函数)**,用来表示连续非线性的图形:

$$f(x) = mx + k \quad\Longrightarrow\quad f(x) = (mx + k)^2 \quad / \quad f(x) = \sin(mx + k)$$

但是**一层**激活函数包裹还是无法表示想要的结果(近似度不够),就需要包**多层**:

$$f(x) = \sin\left((mx + k)^2\right)$$

而且大多数情况需要的入参、激活函数远远不止一个,**激活函数也是 N 层**:

$$f(x_1, x_2, \dots) = \sin\left((mx_1 + nx_2 + \dots + k)^2\right)$$

复杂函数可以这样拆分:

- `x[_1, _N]` 是**输入层**
- `y[_1, _n]` 和 `z[_1, _m]` 是**中间层(隐藏层)**
- `y` 是**输出层**

![mermaid diagram](https://developer.qcloudimg.com/http-save/yehe-10317468/84984431755e589ff275d49c05a7a9a6.png)

这里每个节点都代表一个**神经元**,每个神经元代表一个微小的、活的"函数";整个图是一个**神经网络**,信息从左到右传递的方向就是神经网络的**前向传播**。

---

## 三、神经元和普通函数的区别

### 3.1 一个普通的函数

想象一个最简单的函数:`y = f(x)`

- 你给它一个输入 `x`
- 它按照固定的规则 `f` 进行处理
- 然后给你一个输出 `y`

比如 `y = 2x + 1`,输入 `x=3`,就一定会得到 `y=7`。整个过程是**确定无疑**的。

### 3.2 一个神经元(简化版)

一个典型的人工神经元模型主要做**三件事**:

1. **收集信号(输入)**:从其他神经元接收多个信号(x₁、x₂、...)。就像你决定今天是否去公园,会考虑天气、心情、工作量等多个因素。
2. **权衡轻重(加权求和)**:神经元觉得有些信号更重要——"天气好"可能比"心情一般"更重要。所以它为每个输入乘上一个**权重(w)**,把所有结果加起来,再加上一个**偏置(b)**(可以理解为难易度阈值):
   $$z = (w_1 x_1 + w_2 x_2 + \dots) + b$$
3. **决定是否"激活"(激活函数)**:把总和 `z` 通过一个叫**激活函数**的东西,决定自己是否被"激活",以及激活到什么程度:
   $$y = f(z)$$

**这个激活函数 `f`,就是神经元内部的"灵魂"所在!**

### 3.3 常见的激活函数

| 激活函数 | 行为 | 类比 |
| :--- | :--- | :--- |
| **阶跃函数** | `z` 超过某个值输出 1(激活),否则输出 0(不激活) | 像开关一样 |
| **Sigmoid 函数** | 输出 0 到 1 之间的平滑值,表示"激活的可能性" | 可能性百分比 |
| **ReLU 函数** | `z` 为正就输出 `z`,为负就输出 0 | 像水管,只让正流通过 |

---

## 四、小结

- 符号主义求**精确解**(公式),联结主义求**近似解**(学习);
- 神经网络 = 大量神经元互联,每个神经元 = **加权求和 + 激活函数**;
- 信息从左到右流动 = **前向传播**;
- 一个线性函数只能画直线,多层嵌套激活函数才能逼近任意复杂函数——**这就是"从函数到神经网络"的第一步。**

> 📺 **配合视频学习效果更佳:B站 @飞天闪客《一小时从函数到 Transformer》**
>
> 🔗 视频地址:[https://www.bilibili.com/video/BV1NCgVzoEG9](https://www.bilibili.com/video/BV1NCgVzoEG9/?spm_id_from=333.1387.0.0&vd_source=daa0f61353cd2118187cea1ffc89be7d)
>
> 下一篇:② 计算神经网络的参数(损失函数、梯度下降、反向传播)
>
> 📝 本文为个人视频学习笔记整理,如有错误欢迎指正;欢迎点赞、收藏、评论互动~

🧠【从函数到 Transformer 系列 01】从函数到神经元:符号主义与联结主义 📺 本文为 B站 up主 @飞天闪客《一小时从函数到 Transformer》视频学习笔记,建议配合视频学习效果更佳! 🔗 视频地址:https://www.bilibili.com/video/BV1NCgVzoEG9 系列目录:① 从函数到神经元(本篇)→ ② 计算神经网络的参数 → ③ 调教神经网络 → ④

【从函数到 Transformer 系列 01】从函数到神经元:符号主义与联结主义

人工智能

从函数到Transformer系列首篇，解析符号主义与联结主义两大AI流派差异，深入讲解神经元模型、加权求和与激活函数原理，通过对比表格阐明神经网络前向传播机制，为理解深度学习奠定基础。

聊天机器人

知识图谱

深度学习

Transformer

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【从函数到 Transformer 系列 01】从函数到神经元:符号主义与联结主义-腾讯云开发者社区-腾讯云

【从函数到 Transformer 系列 01】从函数到神经元:符号主义与联结主义

【从函数到 Transformer 系列 01】从函数到神经元:符号主义与联结主义

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐