神经网络本身只是一个函数逼近器，它能做什么，完全取决于训练方式、训练信号和目标函数。

1. 训练方式决定神经网络用途

• 如果用有监督学习的方式训练（输入 + 明确标签 + 最小化损失），它就会变成一个分类器或回归模型。
• 如果用强化学习的方式训练（输入 + 动作概率分布 + 环境奖励 + 最大化长期回报），它就会变成一个智能体策略网络。
• 如果用无监督学习（输入 + 重构或特征提取目标），它可能是一个特征提取器、生成模型等。

2. 同一个网络，不同任务

比如一个简单的两层神经网络：

$$y=f_{\theta }(x)$$

• 回归任务：
  数据：$(x,y_{\text{true}})$
  目标（平方差）：

  $$\underset{\theta }{\min }\Vert y-y_{\text{true}}{\Vert }^2$$

• 分类任务：
  数据：$(x,\text{label})$
  目标（交叉熵）：

  $$\underset{\theta }{\min }-\sum \text{label}\cdot \log (\text{softmax}(y))$$

• 强化学习策略：
  数据：状态 $s$、动作 $a$、奖励 $r$（来自环境）
  目标（策略梯度/PPO）：

  $$\underset{\theta }{\max }{\mathbb{E}}_{{\pi }_{\theta }}\left[\sum _t{\gamma }^t{r}_t\right]$$

结构上可能一模一样，但训练方式不同，功能就完全不一样。

3. 直观类比

• 神经网络就像一个“FPGA”。

• 你怎么训练它，就像你怎么教育一个人：

  • 给标准答案刷题 → 考试型选手（监督学习）
  • 让他玩游戏，通过输赢经验改进策略 → 职业玩家（强化学习）
  • 给他海量文章，让他自己找规律 → 研究型学者（无监督学习）