不是"找到正确答案"。是"每次错了改一点，改到不错为止"。

---

问题：你面前有一堆蓝点和橙点，怎么分开它们？

给你20个点。蓝色希望分开在左边，橙色希望分开在右边。你随手画了一条线，发现有的蓝点跑到了线右边，有的橙点落在左边——猜错了。

你想调整这条线，让它把两种颜色完美地切开。

一个神经元做的，就是这件事。

---

神经元就是一道门

想象一个门卫。访客进门时只有一个特征值：时间——几点几分到达。

门卫心里有两个东西：

• 一个标准（权重）：时间重不重要？如果来访时间很重要，门卫就把时间数字放大。如果不重要，就缩小。

• 一个倾向（偏置）：门卫本身是严格还是宽松？天然倾向于"放行"还是"拦下"？

所有访客进来，时间数字被标准放大或缩小，再加上门卫的倾向，得出一个总分。然后——

门打开。 总分够高就放行，不够就拦下。

神经元就是这个门卫。输入是数据，权重和偏置是门卫的判断工具，"开门"是激活函数。

公平地说，GPT-4 只是 1.7 万亿个这样的门卫，叠在一起工作。

---

门是怎么开的？

激活函数听起来吓人，但本质上就是一句话：总分够了就亮，不够就灭。

就像一盏声控灯。你拍手，声音震动传到灯的内部电路，电路计算音量够不够大——够了，灯亮。不够，不亮。

神经元在收到 w·x + b 的结果后，走的就是这个逻辑：超过门槛 → 输出 1（亮），不到门槛 → 输出 0（灭）。

这个"门槛"是零。总分为正就亮，为负就灭。简单到不值得被称作"函数"。

---

学习：反复拧两个旋钮

一开始，权重和偏置是随机给的。相当于门卫被蒙上眼睛，随便设了一个标准和倾向。

喂一个数据点，猜一次。猜错了，朝"错得少一点"的方向拧一小步。再喂，再猜，再拧。

这就是训练的全部。

你不需要事先知道"正确答案是什么权重"。没有人告诉神经元："w 应该设为 10，b 应该设为 -5。"它不知道，也不需要知道。它只需要知道：刚才猜错了，偏了多少，往哪边偏，然后拧一点点。

反复拧几万次。权重停在 10，偏置停在 -5。此时输入 0.49 输出 0，输入 0.51 输出 1——线把两种点分开了。

学习不是一次找到对的参数。学习是每次错一点就改一点，改到不错为止。

---

为什么这件事如此重要？

一个神经元能处理的问题简单到可笑——它只能画一条直线。数据集稍微复杂一点，它就抓瞎了。

但核心机制是通用的：

1. 拿到输入

2. 用参数对输入做加权计算

3. 过一个门槛函数

4. 猜错了就反向调整参数

5. 重复直到猜对

这个五步循环，就是今天所有大型语言模型的底层引擎。ChatGPT 的 1750 亿个参数——每一个都是这样被拧出来的。不是谁设计了正确的值，不是哪位天才数学家算出了最优解。是无数次"猜错→调整→再猜→再调整"的迭代。

知道这一点很重要。因为它意味着 AI 的能力不是"被给予"的，而是"被试出来的"。模型不是在记忆中存储了完美的答案，而是在反复试错中找到了一个恰好管用的参数组合。

---

一个反直觉的观察

很多人以为自己学习的方式和 AI 完全不同。人类学习需要理解，AI 只是机械调参。

但仔细想想：最早学会骑自行车的时候，我们理解了"重心偏移与角动量守恒的关系"吗？ 没有。我们只是摔了几十次，每次摔完身体自动调整了平衡感。反复摔，反复调，突然有一天——会了。

这个过程和一个神经元学画线，没有本质区别。

区别只在于：人类能同时处理大量输入（视觉、触觉、平衡感），而一个神经元只有一个输入。但底层的"试错→调整→试错→调整"循环，是一样的。

这就是为什么"一个神经元"值得单独讲一篇。它不是最强大的计算单元——恰恰相反，它弱到令人发笑。但它的学习机制，是所有强大模型的最小公约数。理解了这一个神经元怎么学习，就理解了 GPT-4 在一万亿倍规模上做的是同一件事。

---

下一步：一个人搞不定的事

一个神经元只能画一条直线。但现实世界中的数据很少能用一根直线分开。

下一篇文章，我们在一个神经元的基础上，增加一个搭档。两个神经元一起工作——不是每个人变得更聪明，而是多了一个视角。

两个普通视角的组合，能做到任何单一视角做不到的事。

---

从零学习 AI 系列 · 第一篇 下一篇：一层神经元——为什么两个人比一个人聪明