新年好，我是廖尔摩斯丨设计大侦探，今天继续向大家分享我的 AI 学习笔记——神经网络 (Neural Networks)，希望你能从这篇笔记中有收获！

什么是神经网络？

神经网络（Neural Networks）是一种受生物大脑神经元连接方式启发的数学模型和计算系统。它的核心由大量人工"神经元"节点构成，这些节点按特定架构分层排列，形成多个处理层次。工作时，这些人工神经元在层与层之间传递和转换信号，逐步分析输入数据、提取特征，最终实现对复杂模式的识别和学习。

具体来说，它不是一段死板的代码，而是一个分层的处理系统：

• 输入层：接收原始数据（如一张图片的像素点，或一个 Token）。

• 隐藏层：这是 AI 的“思考区”。每一层都会提取不同维度的特征（比如第一层看线条，第二层看形状，第三层看五官）。

• 输出层：给出最终结果（比如判定“这是一张猫的照片”）。

• 核心机制：通过不断调整神经元之间连接的“权重”，模型能够学会哪些信息是重要的，哪些是可以忽略的。

学习笔记

从这篇笔记开始，我尝试把 AI 看作一个人——不是小猫小狗，而是一个有血有肉的人。这样的视角能帮助我们更好地理解 AI 的核心概念。神经网络的本质，就是让机器模拟人类大脑的工作方式。代入这个视角后，许多知识点和应用场景就变得自然多了。比如当你看见一只小猫，这是信号输入(无数个 Tokens)；信号传递到你的大脑，你提取特征并确认"这是一只猫"；然后你才能告诉别人"这是一只猫"。

在 UX 设计中的表现形式

在产品体验中，神经网络赋予了 AI 处理非结构化数据（图片、声音、自然语言）的能力。它让机器不再只是计算数字，而是开始有了“直觉”：

• 视觉识别的精准度：当你打开手机相册搜索“狗”，AI 能瞬间挑出所有相关的照片，即使狗狗的姿势各异，这就是卷积神经网络（CNN）在发挥作用。

• 语音交互的自然感：Siri 或小爱同学能听懂带口音的普通话，是因为循环神经网络（RNN）或 Transformer 正在处理音频信号的序列逻辑。

• 画质的智能修复：一些修图软件能将模糊的老照片变清晰，背后是生成式对抗网络（GAN）在通过神经网络“脑补”丢失的像素。

• 风格迁移：将一张普通照片秒变“梵高风格”，这是神经网络提取了名画的特征（权重）并应用到了你的图片上。

  

总结与思考

理解了神经网络的基础概念，我们就能逐步理解 AI 的工作原理。比如自动驾驶、机器翻译这些产品，它们采用了不同的神经网络系统应用到不同场景中，通过训练和学习，逐渐学会读取指令和识别，最终达到智能的标准。而当神经网络规模达到一定程度后，会产生预期之外的能力——涌现，也就是 AI 会体现出你预料之外的能力。

回到产品层，理解神经网络的“分层提取”特性，能帮我们更好地设计人机协作界面：

• “黑盒”透明化设计：由于神经网络的决策过程非常复杂（隐藏层不可见），设计师需要通过 UI 告知用户 AI 是基于什么特征做出判断的。例如，在理赔审核 AI 中显示“识别到发票关键信息异常”。
• 渐进式反馈：既然神经网络是分层处理信息的，我们可以在界面上设计“处理进度”的视觉表达。例如 AI 扩图时先出大体轮廓，再丰富像素细节，缓解用户的等待焦虑。
• 多模态交互的可能性：理解了神经网络能处理各种类型的数据，我们就可以设计更丰富的输入方式——用户不仅可以打字，还可以截图、语音、甚至是上传一段视频，AI 都能在同一套神经网络逻辑下进行解析。
• 数据喂养的意识：设计师应关注“用户反馈循环”。用户纠正 AI 错误的操作，本质上是在帮助神经网络调整神经元之间的“权重”。我们需要让这个纠错过程像素级丝滑。

总之，神经网络不仅是技术算法，更是机器对世界的认知方式。作为设计师，我们不仅在设计界面，更在设计人与这种"机器直觉"沟通的协议。

感谢阅读，如果觉得有所收获，请记得点个赞，并分享给你的朋友！

从 2022 年创办至今，设计大侦探已经拆解以下产品：

医疗 Medical