第三讲 · 神经网络与深度学习

封面：手机相册里的 AI

这一页的作用是把本讲的技术主题落到一个人人都熟悉的生活入口：手机相册。我们不从公式、模型名、论文开始，而是从一个非常具体的问题开始：手机相册为什么能在几千张照片里找到“猫”？

请先注意副标题：“机器怎样自己学会看见一只猫？”这句话里最重要的词是“自己学会”。传统程序通常是人写规则，机器照着规则执行；深度学习的变化是，人不再把“什么是猫”的全部规则写出来，而是给模型大量照片和答案，让模型在训练中自己找到有用线索。

本讲会沿着同一条主线展开：先看相册如何认猫狗，再看它如何搜索照片，再看它如何生成一张猫图，最后讨论它为什么会出错、为什么不能盲信。学习时请始终带着这个问题：每一个新术语，到底在手机相册系统中负责哪一步？

今天先记住这一句话

这一页是全讲的“压舱石”。深度学习可以被一句话概括：用很多层神经网络，让机器从原始数据里自动学出层级化特征表示。这句话看上去长，但可以拆成三部分理解。

第一是“很多层”。深度学习不是一个大规则，也不是一个单独判断器，而是很多层计算单元逐层处理信息。第二是“自动学特征”。以猫狗照片为例，人不用手写“猫耳朵尖、胡须多、眼睛圆”的规则，模型会在大量照片中自己发现哪些线索有用。第三是“层级化特征表示”。模型不是一下子看见“猫”，而是先看到边缘、纹理，再组合成耳朵、眼睛，最后形成猫的概念。

这也是为什么这节课不急着背 CNN、Transformer、Diffusion 等模型名。名字会很多，但核心只有一个：深度学习的强大来自“多层网络自动学表示”。只要这一句话抓住，后面的每个架构都能放回同一张地图里理解。

一条主线：手机相册里的猫狗 AI

这一页说明整节课的组织方式。我们尽量不在不同案例之间来回跳，而是把所有概念都放回同一个系统：手机相册里的猫狗 AI。

第一段讲“神经元”。神经元可以理解成一个小判断器：某个线索够强，它就亮起来。第二段讲“层”。一张照片从像素进入模型，经过很多层，逐渐变成边缘、纹理、部件和整体对象。第三段讲“训练”。模型不是天生会认猫，而是在认错之后把错误反向传回去，慢慢调整权重。第四段讲“四大架构”。CNN 负责看图，Transformer 负责读搜索词和做图文对齐，Diffusion 负责生成图像，RNN/LSTM 作为历史角色帮助理解序列模型。第五段讲“爆发与边界”。深度学习的爆发依赖算法、数据和算力，同时它也有黑箱、偏差和隐私问题。

学生看这页时，可以把它当作本讲目录。后面每讲到一个术语，都问一句：它在手机相册里到底做什么？这样就不会被模型名吓住。

开场互动：搜索“猫”凭什么能找出来？

这一页适合用来开场提问。请学生想象自己的手机里有几千张照片：旅行照、孩子照、宠物照、截图、饭菜、风景。现在在相册搜索框里输入“猫”，系统为什么能把猫的照片找出来？

先让大家猜几种可能：它是不是看了文件名？是不是看了拍摄地点？是不是因为照片旁边有文字说明？这些解释有时成立，但并不能解释所有情况。很多照片没有文件名提示，也没有“猫”这个文字标签；有些照片只有半张猫脸，光线很暗，甚至猫躲在沙发下面，相册仍然可能找到。

这就把问题推到核心：相册并不是简单查关键词，而是对照片内容做了视觉理解。更准确地说，它把图片转成内部表示，再把这个表示与“猫”的概念或搜索词进行匹配。今天要解释的，正是这个“内部表示”如何从训练中学出来。

如果让你写规则：什么是猫？

这一页要让学生体会传统特征工程的困难。人类看一只猫，往往一眼就知道；但如果要写成程序规则，就会很快发现写不全。

比如说“猫有尖耳朵”，但很多狗也有尖耳朵，而且猫耳朵可能被遮住。说“猫有胡须”，但照片太小、逆光、侧脸时，胡须可能根本看不清。说“猫毛茸茸”，兔子、狗、玩具也毛茸茸，短毛猫还不一定明显。说“猫眼睛形状特殊”，角度、光照、闭眼、遮挡都会改变外观。

这说明一个重要事实：人类直觉很强，但很难把直觉完整翻译成规则。传统机器学习依赖人工特征，问题就在这里。深度学习的革命点不是“机器比人更会写规则”，而是把“写规则”这件事换成“从样本里学规则”。

一张猫照片，在机器眼里先是一堆数字

这一页是从生活经验进入数学输入的桥梁。前一页我们问“什么是猫”，但如果不先说明机器到底看到了什么，后面的 x、w、像素、特征都会显得有点悬空。请先抓住一句话：人眼看到的是猫，机器接收到的是数字。

左侧可以先看“人眼看到的照片”。我们一眼会说：这是一只猫，有耳朵、眼睛、胡须、毛色和姿态。但这些词都是人的概念，计算机刚拿到图片时并没有这些概念。

中间把照片局部放大，可以看到一个个像素格。每个小格都记录颜色，通常可以拆成红、绿、蓝三个通道，也就是 RGB 数字。整张图就是一个巨大的数字矩阵。

右侧再把这些数字送入神经网络。神经网络处理的不是“猫”这个词，而是大量数字之间的关系：哪些地方亮暗变化明显，哪些区域颜色相近，哪些边缘组合成耳朵或眼睛。

这页的重点是：深度学习不是绕过数字，而是让机器从数字里一步步学出意义。后面讲神经元输入、权重、层和训练，其实都从这一步开始。

传统特征工程撞上的三堵墙

这一页把上一页的猫狗例子推广到更一般的困境。传统方法的核心思路是：工程师先设计边缘、角点、纹理、颜色直方图等特征，再把这些特征交给分类器。但这样做有三个问题。

第一，规则难写全。复杂对象有太多姿态、光照和背景变化，人很难预先设计足够完备的特征。第二，换任务要重写。识别猫狗、识别人脸、识别车牌，看似都是视觉任务，但过去往往要为每个任务单独设计特征。第三，上限受人限制。模型只能在“人想到的特征”上做分类，如果关键线索没有被写进去，模型再努力也很难突破。

2012 年之后，表示学习改变了这套流程。原始像素可以直接进入深度网络，网络自己在训练中学出从低级到高级的特征。人的工作从“逐条写特征”转向“准备数据、设计目标、检查边界”。这也是深度学习真正改变 AI 工作方式的地方。

一次 ImageNet 比赛，把 AI 的工作方式改写了

这一页是历史背景。2012 年不是神经网络第一次出现，但它是深度学习真正爆发的标志性年份。那一年，AlexNet 在 ImageNet 图像识别比赛中大幅领先传统手工特征方法，计算机视觉领域因此发生转向。

2012 年以前，研究者像“手工做教具”一样，设计 HOG、SIFT 等特征，然后把特征交给分类器。这种方法可解释、数据要求相对较低，但面对复杂图像、复杂光照和复杂姿态时，特征很快不够用。

2012 年之后，深度卷积网络直接处理原始图像，让网络自己学出边缘、纹理、部件和物体的层级表示。这里不是说人完全不重要，而是人的工作位置发生变化：从“写规则”转向“提供数据、设计网络、定义目标、评估风险”。

这页还可以强调四个关键词：大量图片、深层网络、GPU 训练、错误率下降。它们共同说明：深度学习爆发不是单一原因，而是算法、数据和算力同时成熟的结果。

手机相册里的四个 AI 能力

这一页把整讲主线拆成四个能力。第一是“认猫狗”：一张照片进来，系统输出猫、狗、风景等类别的概率，这会引出神经元、层和 CNN。第二是“搜照片”：输入“草地上的狗”，相册找出匹配照片，这会引出 Transformer、图文对齐和向量空间。第三是“画一只猫”：从噪声开始，按提示生成一张新猫图，这会引出 Diffusion。第四是“保持清醒”：相册可能认错、学偏，也可能涉及隐私，这会引出黑箱、数据边界和人工复核。

学生可以把这一页看成“产品能力地图”。深度学习不是孤零零的算法，而是被拆成不同岗位，嵌入到真实应用中。我们不是为了背模型名而学模型名，而是为了理解：一个 AI 产品背后，通常有不同架构负责不同工作。

AI 不是靠一张图开悟，而是看很多“照片 + 答案”

这一页解释训练数据长什么样。手机相册能认猫狗，不是因为它看了一张猫图之后突然开悟，而是因为训练阶段看过大量样本，而且很多样本带有正确答案。

左侧是一批照片：猫、狗、风景、室内、人物、草地等。对模型来说，每一张照片都是一个样本。中间给每张照片加上标签，比如“猫”“狗”“风景”。这些标签就是模型学习时的标准答案。

右侧是训练循环的雏形。模型一开始可能会乱猜，比如把狗预测成猫。它把预测和真实标签一对比，就能知道自己错了多少。后面的损失函数、反向传播、梯度下降，本质上都是围绕“错了以后怎么改”展开。

这里可以用学生学习作类比。学生不是看一道例题就学会，而是做题、对答案、订正、再练。训练数据就是 AI 的练习册，标签就是答案，损失就是错题分数，反向传播就是订正过程。

还要提醒：数据多不等于数据好。角度、光线、遮挡、品种、背景都要丰富，否则模型容易只会背特定样子，不能泛化到新照片。

神经元，一个小判断器

这一页是第一部分的章节页。它提醒学生：神经网络虽然听起来很复杂，但最基本的计算单元其实很简单，就是“神经元”。

本章要回答两个问题。第一，一个神经元到底做什么？第二，为什么大量简单神经元连接起来，会形成复杂能力？可以先把神经元想象成一个小判断器：输入很多线索，它根据线索的重要程度做一个综合判断。如果证据够强，就输出一个信号；证据不够，就不输出或输出很弱。

这页也提前埋下“权重”的概念。深度学习中真正被训练出来的，主要就是大量权重。看懂一个神经元如何使用权重，就能理解后面训练为什么是“不断调旋钮”。

生物神经元：信号够强才放电

这一页用生物神经元作直观入口，但需要强调：深度学习只是借用了大脑的启发，并不是完整复制大脑。

可以这样理解：生物神经元从树突接收来自其他神经元的信号，不同信号有强有弱。细胞体把这些信号综合起来，如果总信号超过某个阈值，就会沿着轴突向下一级神经元传递信号，也就是“放电”。如果总信号不够强，它就保持相对沉默。

把这个过程类比成“投票开关”很容易讲：很多线索一起投票，票数够了，开关就亮；票数不够，开关就不亮。人工神经元把这种直觉变成了数学形式：输入、权重、求和、激活。

一定要避免一个误解：人工神经网络不是人脑复制品。它只是借用了“很多简单单元连接起来可以产生复杂能力”的思想。今天的深度模型本质上仍然是数学机器。

一个人工神经元的四步

这一页是人工神经元的核心结构。可以按四步讲：输入、加权、求和、激活。

第一步，神经元接收输入线索，比如边缘、纹理、颜色、位置。第二步，每条线索乘以一个权重。权重表示这条线索有多重要。第三步，把所有加权后的线索加在一起，再加上一个偏置 b。偏置可以理解为整体阈值或基础倾向。第四步，把求和结果送入激活函数 f(z)，决定这个神经元是否“亮起来”。

公式 z = w1x1 + w2x2 + ... + b，输出 y = f(z)，可以轻轻带过。重点不是让学生计算，而是让学生看懂：神经元并不神秘，它只是把不同线索按重要性加起来，再做一次判断。

这页最关键的理解是：权重是可学习的。训练神经网络，其实就是让这些权重在数据推动下慢慢变成合适的值。

把神经元想成一个“猫耳探测器”

这一页用“猫耳探测器”把抽象的神经元讲具体。一个神经元未必能直接认出整只猫，它可能只负责一个很小的线索，比如“这里是否像猫耳”。

输入线索可以包括：有没有尖角边缘、左右是否对称、位置是否在头顶附近、周围是否有毛发纹理。神经元把这些线索加权求和，如果证据足够，就输出“这里可能有猫耳”。注意，它不是说“这一定是猫”，而只是对某个局部线索比较敏感。

这页一定要强调：深度网络不是靠一个神经元认猫，而是靠大量小线索逐层组合。一个神经元像一个小探测器；很多探测器一起工作，才能形成对猫脸、猫身、整体对象的判断。

权重决定：AI 更重视哪些线索

这一页解释权重的直觉。权重可以理解为模型对某条线索的“重视程度”。训练的本质，就是在大量样本和错误反馈中不断调这些重视程度。

如果耳朵、胡须、眼睛、脸型等线索经常帮助模型答对，这些线索相关的权重会逐渐变大。如果某些颜色、局部噪声、偶然纹理不能稳定帮助判断，权重会慢慢降低。更需要警惕的是误导线索：如果训练集中很多狗都在雪地里，模型可能把“雪地背景”误当成狗的重要特征。

这就是为什么数据分布非常重要。模型不是天然知道哪些线索“本质上正确”，它只会根据训练数据里的统计关系调权重。如果数据偏了，权重也可能偏。

可以用“调旋钮”来记：每条线索都有一个旋钮，训练就是反复预测、反复纠错，把每个旋钮调到比较合适的位置。

激活函数：证据够了才亮起来

这一页说明激活函数为什么重要。没有激活函数，很多层加权求和叠在一起，数学上仍然等价于一次加权求和。也就是说，再多层也只是一个线性模型，表达能力会很有限。

可以用“尺子”和“弯路”的类比讲。没有激活函数的网络像只会用直尺画线，很难表达复杂边界。猫狗识别中，真实边界往往非常弯曲：猫耳、胡须、眼睛、脸型、姿态、背景遮挡共同影响结果。激活函数让每一层都能做一次“非线性转弯”，从而把简单线索组合成复杂规律。

这页不需要深入讲 Sigmoid、ReLU 等具体公式。学生只要记住：激活函数不是装饰，也不是为了让图好看，而是为了让网络能表达复杂规律。没有它，深度网络的“深”就很难发挥出来。

Softmax：把分数变成一组概率

这一页解释分类任务最后一步。神经网络最后通常先给每个类别一个原始分数，比如猫 4.1、狗 1.2、兔子 0.3。这些分数本身不是概率，不能直接解释成“猫的可能性是 4.1”。

Softmax 的作用是把这一组分数压成一组加起来等于 1 的概率，例如猫 92%、狗 6%、兔子 2%。这样相册就可以排序、筛选和给出置信度。如果“猫”的概率最高，相册就把这张照片归到猫相关结果里。

但这里要埋一个很重要的提醒：概率高不等于绝对正确。92% 只是模型根据当前数据和训练经验给出的置信度，不代表它一定理解了，也不代表结果没有风险。后面讲黑箱和边界时，这句话还要再回来。

层，从像素到猫

这一页是第二部分的章节页。它提醒学生：深度学习真正的力量，不在单个神经元，而在很多神经元组成的层，以及层与层之间的逐步组合。

如果只看一个神经元，它很简单，只能做一个小判断；如果把很多神经元排成层，再把很多层堆起来，模型就能从低级线索逐步形成高级概念。猫狗识别的关键不是“某个神经元突然看懂了猫”，而是像素、边缘、纹理、部件、整体类别一步步形成。

这一章的关键词是“逐层抽象”。这是本讲最重要的概念。学生如果只记住一个思想，就记住：深度学习让机器从原始数据中自动学出层级化表示。

多层感知机：最基础的神经网络

这一页介绍 MLP，也就是多层感知机。它是最基础的神经网络形式：输入层接收信息，隐藏层做变换，输出层给出答案。

输入层可以接收像素、词向量或结构化特征。隐藏层是重点：每一层都会把上一层的表示做一次变换，低级线索逐渐组合成更高级的表示。输出层则把最后的表示转成具体任务答案，比如猫/狗概率、搜索相似度或生成条件。

学生不需要记住 MLP 的全部数学，只要明白：多层网络就是把很多“加权求和 + 激活”的单元串起来。每条连线是权重，每个节点是一个小判断器。整个网络通过层层变换，把原始输入变成更有意义的表示。

这也解释了为什么 GPU 对深度学习重要：这些层的底层计算大多是矩阵乘法，GPU 擅长并行处理这些重复计算。

一层层“看”出一只猫

这一页是整讲的灵魂页。看图时请从左到右读：原始图片进入模型后，先变成像素，再形成边缘线条，再形成纹理和轮廓，再提取耳朵、眼睛、胡须等部件，最后形成“猫”的概念。

最震撼的地方是：没有人明确告诉网络“先看边缘，再看猫脸”。网络是在大量图片和正确答案的训练中，自己学出了这个顺序。这就是表示学习。传统方法需要人设计“先看什么”，深度网络则能从样本中学到一套层级结构。

这页可以和人的视觉直觉联系起来。我们看猫时，好像一眼就看懂，但大脑其实也会处理边缘、形状、部件和整体。深度网络把这种逐层处理变成了可训练的数学结构。

学习这页时，学生只要记住一句话：深度学习不是一眼认出猫，而是从低级线索逐层抽象成高级概念。

每一层只做一点点，合起来就很强

这一页把“逐层抽象”拆成六步。第一层是像素，只有 RGB 数字，本身没有语义。第二层是边缘，发现明暗交界和轮廓线。第三层是纹理，看到毛发、斑纹、曲线。第四层是部件，组合出眼睛、耳朵、胡须。第五层是整体，形成猫脸、猫身。第六层是类别，输出猫或狗的概率。

这页的重点不是每个层级的具体名称，而是层级化组合的思想。每一层只做一点点，但后一层可以复用前一层的结果，所以合起来就能表达复杂概念。

可以用学习汉字作比喻：先认笔画，再认偏旁，再认汉字，再认词语。深度学习的“深”，就是这种一层层搭起来的抽象。它不是把所有规则摊在一张大表上，而是把简单结构组合成复杂结构。

为什么“深”比“宽”更适合识别猫？

这一页对比两种思路：宽而浅，深而窄。

宽而浅的网络像把所有规则都摊在一张大表里，一层里堆很多神经元。它可能记住很多样子，但缺少层级组合。一旦出现新姿态、新光线、新遮挡，就容易失效。直觉上，这像让学生直接背所有题型，短期看似会做题，但迁移能力弱。

深而窄的网络每层学一层抽象。低层学边缘，中层学部件，高层学整体。后一层复用前一层结果，组合效率更高。同样的“耳朵”概念可以出现在不同猫、不同角度、不同背景里。直觉上，这像先学笔画，再学偏旁，再学汉字，结构更稳。

所以，深度网络的优势不只是层数多，而是能通过逐层抽象和组合复用，更稳健、更高效地识别复杂对象。

从 7 层到数百层：深度的历史进化

这一页帮助学生建立历史感。1998 年的 LeNet 有 7 层，主要用于手写数字识别。2012 年 AlexNet 有 8 层，在 ImageNet 上引爆深度学习。2014 年 VGG 做到 19 层，推动更深 CNN。2015 年 ResNet 用残差连接让网络可以达到 152 层。2017 年之后，Transformer 时代到来，模型能力不再只看层数，还要看参数规模、训练数据和表示能力。

这页要避免一个误解：层数越多不一定越好。真正重要的是模型能否学出有效表示，训练是否稳定，数据是否足够，能否在新样本上泛化。深度只是能力的一部分。

因此，“深度学习”的“深度”既是历史概念，也是方法特征。早期强调层数，今天更强调大量参数和复杂表示能力。

表示学习：特征不是写出来，而是长出来

这一页解释“表示学习”这个核心术语。传统机器学习里，人先把世界翻译成特征，比如猫耳长度、胡须数量、毛色直方图、眼睛位置。模型只在这些人工特征上学习。深度学习则让模型直接看原始数据，比如像素、音频波形、文字 token、视频帧，中间特征由网络自己学出来。

“长出来”是一个很好的比喻。特征不是程序员逐条写好交给模型的，而是在训练过程中逐渐形成的。低层表示边缘和纹理，高层表示部件和语义，最后形成可用于分类、搜索、生成的内部表示。

表示学习的本质是：把复杂对象变成机器可计算、可比较、可迁移的内部表示。照片、文字、语音、视频都可以变成向量，这些向量让模型能够比较相似度、做分类、做检索，也能迁移到新任务。

相册把照片变成“语义地图”

这一页用向量空间解释相册搜索。搜索“猫”时，相册不是简单翻文件名，而是在比较照片和文字的内部表示。

模型会把每张照片变成一串数字，这串数字可以理解为照片的“坐标”。在这个内部空间里，语义相近的内容会靠得更近：橘猫、猫脸、小猫会聚在一起；金毛、狗照片、奔跑狗会聚在一起；花草和公园也会在另一个区域。这样，当用户输入“猫”，系统也把“猫”变成向量，然后寻找离它最近的一批照片。

这页也可以连接人脸识别。人脸识别常常不是直接给出“是谁”，而是把人脸编码成向量，再和底库中的向量比相似度。相册搜索和人脸识别背后都有“表示 + 相似度”的思想。

需要提醒的是，这里的二维图只是示意。真实向量空间可能有几百到几千维，无法直接画出来，但直觉上可以理解成一张高维语义地图。

训练，认错之后怎么改

这一页进入第三部分：训练。神经网络一开始并不会认猫狗，它的权重通常是随机或初始状态。它之所以后来变得有用，是因为在大量样本中反复预测、反复犯错、反复调整。

这里最重要的观念是：训练不是把知识直接灌进模型，也不是给模型讲“猫有胡须、狗有尾巴”。训练更像让错误反复回来调旋钮。模型每次给出预测，系统和真实答案比较，得到损失，再把损失反向传回网络，调整权重。

本章会依次讲前向传播、损失函数、反向传播、训练循环、梯度下降、过拟合与数据增强。它们都围绕同一个问题：模型认错之后，怎么变得更好？

前向传播：一张照片走到一个判断

这一页讲前向传播。所谓前向传播，就是数据从输入层进入，经过每一层计算，最后输出预测概率。

在猫狗识别中，输入是一张猫狗照片，最初只是像素矩阵。经过低层，模型提取边缘、颜色、纹理；经过中层，组合成耳朵、眼睛、胡须；经过高层，形成猫脸、狗脸、整体姿态等高级特征；最后输出概率，比如猫 85%、狗 15%。

前向传播只负责算出答案。每一层接收上一层的结果，做一次加权求和和激活，再把结果传给下一层。此时还没有真正的学习发生。如果模型只做前向传播，它只是给出预测，不会变得更好。真正让它进步的是后面根据错误反向调整权重。

记法很简单：前向传播 = 数据往前走；反向传播 = 错误往回走。

损失函数：预测离正确答案有多远

这一页解释损失函数。模型不是只需要知道“对”或“错”，还需要知道“错了多少”。没有这个度量，就不知道应该往哪里调整。

以页面中的例子为例，真实答案是狗，但模型预测猫 72%、狗 21%、兔子 7%。这不是简单错一个字，而是错得比较严重，因为模型把错误类别排到了第一。这样的损失会比较高，说明需要大幅调整。如果真实是狗，模型已经给狗 90%，那即使还不是 100%，方向也接近正确，损失就比较低。

训练目标不是让某一张照片的损失低，而是让大量样本上的平均损失越来越低，并且在新照片上也保持好。这就连接到泛化问题：训练集做得好不够，未见过的照片上也要可靠。

可以把损失函数理解成考试分数的反面：损失越高，说明模型越需要改；损失越低，说明模型越接近目标。

反向传播：把错误往回分配责任

这一页讲反向传播。真正难的不是知道模型错了，而是知道网络中几百万甚至几亿个权重，每个该改多少。

反向传播可以分成五步看：先发现预测错了，例如模型认为猫 72%，真实却是狗；再计算损失，把错误量化；然后从输出层往回传，把错误分配给前面的层；接着得到梯度，告诉每个权重应该往哪个方向调；最后更新权重，让下次少错一点。

不用数学的类比是考试复盘。考试平均分低，不是只责怪最后一个学生，而是从结果往回追：题目是否太难、教学是否有问题、备课是否漏洞、进度是否太快。反向传播也是从结果倒推各层责任，只不过它给每条连接线都算出具体调整方向。

数学上，反向传播靠链式法则。学生不必会推导，但要知道它让训练成为可能：一次从后往前的计算，就能得到所有权重的调整方向。

完整训练循环：错很多次，改很多次

这一页把训练过程整合成循环。训练不是一下子学会，而是一个重复数万次甚至更多次的过程。

第一步是前向：照片经过网络，得到预测概率。第二步是比对：预测结果与真实标签比较，得到损失。第三步是反向：误差从输出层传回去，算出梯度。第四步是更新：权重微调一点。然后换下一个 batch，再来一遍。

这页的关键是“一次只改一点，但重复很多很多次”。单次更新通常很小，看不出模型马上变聪明；但大量样本、大量循环之后，权重会逐渐被推到比较合适的位置。真正的“学习”就发生在这些微调里。

可以提醒学生：深度学习很强，但它并不是突然顿悟，而是大规模试错和优化的结果。模型能力背后是海量数据、海量计算和海量微调。

梯度下降：每次朝少错一点的方向走

这一页讲梯度下降。可以把损失想象成山谷里的高度，模型当前参数在某个位置，目标是走到损失更低的地方。梯度告诉我们“上坡方向”，梯度下降则朝相反方向走，也就是朝损失减少的方向走。

这里最重要的是学习率，也就是每一步走多远。学习率太大，可能一步跨得太远，越过最低点，甚至越学越乱；学习率太小，每次改得太少，虽然稳定，但训练会非常慢；合适的步长既能下降，又不会震荡。

这页不需要深入数学，学生只要抓住：梯度下降不是乱调，而是根据损失变化方向来调。训练技巧中很多方法都围绕“怎么走得更快、更稳、更不容易走偏”。

六个训练术语：听懂就够

这一页是术语认脸，不要求背英文定义，但需要知道它们在训练循环里的位置。

Epoch 是所有训练数据完整看一遍。Batch 是每次喂给模型的一小撮样本，因为一次全部喂入太大，一次只喂一个又太不稳定。Learning Rate 是学习率，也就是每次权重调整的步长。Optimizer 是优化器，决定如何利用梯度更新权重。Overfitting 是过拟合，训练集表现很好，新照片表现很差，像背题。Learning Curve 是学习曲线，用来观察训练损失和验证损失如何随训练变化。

可以提醒学生：这些词在新闻、论文、产品介绍里会反复出现。听到时不必紧张，只要能把它们放回训练循环：数据怎么喂、步子多大、怎么更新、是否背题、曲线怎么看，就够了。

模型真正考试，不是在训练集上

这一页是理解过拟合前必须补上的桥。很多学生听到“训练误差低”会自然以为模型已经很好，但机器学习和深度学习最关心的不是旧题，而是新题。

可以把所有数据切成三份。第一份是训练集，像平时刷题。模型会反复看这些照片，用它们来更新权重。第二份是验证集，像模拟考试。我们用它来选择学习率、模型大小、训练轮数等方案。第三份是测试集，像从没见过的期末考试。它最好最后才用，用来判断模型对新照片是否可靠。

这里要强调一个判断原则：训练集表现好，只能说明模型会做旧题；验证集和测试集表现好，才说明模型可能真的学到了规律。

如果一个模型在训练集上几乎全对，但在测试集上经常错，它就像学生把练习册答案背下来了，一换题就不会。这就是过拟合。

这页也能连接上一讲机器学习的项目流程：划分数据不是形式主义，而是为了防止我们被漂亮的训练分数骗了。

过拟合：它可能只是背下了训练照片

这一页讲泛化和过拟合。真正的学习，不是训练集上的猫狗都认对，而是新照片上也能认对。

左边的情形像“背旧题”。训练集里的猫狗都认对，但新照片一换角度、换光线、换背景就错。曲线上通常表现为训练误差继续下降，但验证误差后期上升。这说明模型越来越会迎合训练数据，却越来越不适应新数据。

右边的情形像“懂规律”。模型没见过的新猫、新狗、新背景，也能比较稳地判断。训练误差和验证误差一起下降，说明它学到的是更稳定、更可迁移的表示。

这页要让学生记住：模型真正的考试不是训练集，而是未见过的新数据。判断模型好不好，不看它会不会背训练照片，而看它在新样本上是否依然靠谱。

数据增强：让它见过更多同一只猫的变化

这一页讲数据增强。数据增强不是简单收集更多猫，而是把已有猫图做合理变换，让模型知道：这些变化不应该改变“这是一只猫”的判断。

比如，同一只猫可以旋转一点、裁剪只露半张脸、变暗成夜间光线、被沙发遮挡。通过这些变化，模型会少背具体照片，多理解稳定特征。它会知道头歪一点还是猫，只露半张脸仍然可能是猫，光线暗不等于不是猫。

教学类比是一题多变。题目的外观条件变了，但核心知识点没变。学生如果只背原题，一变就错；如果理解了知识点，多种变形都能做。数据增强对模型起到类似作用：让模型更关注本质线索，而不是背景、位置、亮度等偶然条件。

四大架构，相册里的不同岗位

这一页进入第四部分：四大架构。这里的学习方法不是孤立背模型名，而是先看它们在同一个产品里分别做什么。

在手机相册这个系统中，CNN 像“眼睛”，负责看图、识别局部纹理和图像结构；Transformer 像“读关系的人”，负责理解搜索词、做图文对齐和多模态建模；Diffusion 像“生成画师”，从噪声一步步生成图像；RNN/LSTM 是历史角色，帮助我们理解早期序列模型如何处理前后文；MLP 则像基础决策层，很多模型里最后仍有它的影子。

学生看这页时可以先放下年份和论文名，只记岗位：看图、读文字、记顺序、做判断、生成内容。

先看岗位，再记模型名

这一页是架构地图。它把模型名翻译成岗位，这样学生更容易记住。

MLP 是基础决策层，把最后的表示转成分类、分数或概率。CNN 是视觉专家，用小窗口滑动，看局部纹理和图像结构。RNN/LSTM 是早期记忆专家，按顺序读句子或时间序列，记住前文。Transformer 是当今主干，用注意力同时建模远近关系，能处理文字、图像和多模态。Diffusion 是生成引擎，从噪声一步步去噪，生成图片或视频。

这页可以强调：架构不是考试背诵表，而是不同任务里的不同工作方式。看到一个 AI 产品时，先问它要做什么：看图？读文字？比相似度？生成内容？再判断可能用到什么模型。

CNN：手机相册的眼睛

这一页讲 CNN。CNN 最适合从图像中提取局部线索。它的核心直觉是：用一个小窗口在图片上滑动，把局部信息一步步组合成整体判断。

第一个关键词是局部连接。眼睛、耳朵、胡须都出现在局部小区域，没有必要一开始看整张图。第二个关键词是参数共享。同一个“眼睛探测器”可以在整张图上复用，不管眼睛出现在左上还是右下。第三个关键词是逐层抽象。第一层看边缘，后面看纹理、部件、物体，这就是“看出猫”的路径。

这页可以让学生把 CNN 记成“相册的眼睛”：它不是凭空理解猫，而是在图像上反复扫描局部模式，再把局部线索组合成整体判断。

CNN 看图的三件事

这一页把 CNN 的流程拆成三件事。第一是卷积：小窗口从左到右、从上到下滑动，寻找局部模式，比如边缘、曲线、纹理。第二是池化：把相邻区域的信息压缩一下，保留重要信号，同时降低尺寸和计算量。第三是分类：前面学到的图像表示进入输出层，得到猫、狗、风景等概率。

课堂上不需要推卷积公式，抓住两个词就行：局部、复用。局部表示 CNN 不一开始看整张图，而是从小块开始；复用表示同一个探测器可以在图片不同位置使用。

这也解释了为什么 CNN 很适合图像：图像中的模式常常具有位置平移性，比如眼睛在哪里都还是眼睛，毛发纹理在哪里都还是毛发纹理。

RNN / LSTM：早期的记忆专家

这一页讲 RNN 和 LSTM。它们适合处理序列，也就是有先后顺序的数据，例如句子、语音、时间序列。

页面中的句子“我看见一只小狗在跑”可以用来说明。RNN 从左到右读词，每读一个词都会更新一个“记忆状态”。读到“在跑”时，模型需要记住前面出现过“一只小狗”，否则很难理解动作主体。这个记忆状态就是 RNN 的核心。

但 RNN 有两个痛点。第一，句子一长，早期信息容易衰减，前面的内容被慢慢忘掉。第二，它必须顺序处理，不能很好并行，训练很慢。LSTM 用门控机制缓解了遗忘问题，但没有从根本上解决并行效率问题。

因此，Transformer 后来取代了它们在主流自然语言处理中的地位。不过了解 RNN 很有价值，因为它帮助我们理解“序列记忆”这个历史问题。

Transformer：手机相册开始读懂搜索词

这一页讲 Transformer 的直觉。手机相册不只要看图，还要读懂用户输入的搜索词，比如“找一张去年在草地上拍的狗”。这句话里，模型要同时理解时间、地点、对象和动作。

RNN 的读法是从左到右一个词一个词读，直观但长句里前面信息会变淡，也不容易并行。Transformer 的读法是每个词都可以同时“看见”其他词，并计算自己应该更关注哪些词。这就是自注意力。

例如“草地”和“狗”有关，“拍的”和照片任务有关，“去年”提供时间条件。Transformer 不必等词一个个传递记忆，而是直接建立远近词之间的关系。这样既能处理长距离依赖，也能并行训练。

一句话记法：Transformer 让每个词都能看全句，而不是只接着前一个词往下读。

自注意力：每个词都能看见其他词

这一页进一步解释自注意力。注意力不是神秘的“意识”，也不是人类注意力的完整模拟，而是一种计算相关性的机制。

读“找 草地 上 奔跑 的 狗”时，模型会计算哪些词互相关联。草地和狗相关，奔跑和狗相关，找和整体任务相关。注意力矩阵用数字表示这些关联，颜色越深，关联越强。

它强在两个方面。第一，不管两个词隔多远，都能直接建立关系；第二，整句话可以并行计算，训练效率高。更进一步，图片也可以切成图像块 token，文字 token 和图像 token 都进入注意力机制，就有了多模态模型。

学生只需要带走一句话：注意力 = 相关性计算；不是神秘的意识。理解这一点，后面学习大语言模型会轻松很多。

图文搜索：图片和文字进入同一个表示空间

这一页讲图文搜索背后的表示对齐。相册能找“草地上的狗”，靠的是图片表示和文字表示进入同一个空间后进行相似度匹配。

图片编码器把照片变成向量，表达这张图里有什么对象、场景和关系。文字编码器把搜索词也变成向量，表达用户到底想找什么。系统比较图片向量和文字向量，越接近的图片越可能排在搜索结果前面。

这不是简单查关键词，也不是模型“真正像人一样理解生活”。更准确地说，模型在大量图文配对数据中学会了哪些图片和哪些文字经常对应。因此它能把“草地上的狗”这个文字请求，匹配到草地里奔跑的狗照片。

这页可以帮助学生把“表示学习”与实际产品连接起来：只要不同模态能对齐到同一个向量空间，搜索、推荐、问答、多模态理解就都有了基础。

认猫、搜猫、画猫，是三种不同任务

这一页是从图文搜索进入 Diffusion 前的刹车页。前面一直围绕猫狗照片，但 AI 做的事情其实已经变了：有时是识别，有时是搜索，有时是生成。

第一类任务是“认猫”。输入是一张照片，输出是猫、狗、风景等类别概率。这里的核心是视觉理解，常见岗位是 CNN 或视觉模型，最后再用分类层给出判断。

第二类任务是“搜照片”。输入变成一句话和一个相册，例如“草地上的狗”。系统要把文字和图片都变成向量，再比较它们是否说的是同一件事。这里的重点是匹配，不是简单分类。

第三类任务是“画猫”。输入是一句提示词，输出是一张新图片。它不是在相册里找到旧照片，而是从噪声开始一步步生成内容。这里对应的就是 Diffusion 等生成模型。

所以，同样围绕猫狗照片，背后任务完全不同：识别是判断，搜索是匹配，生成是创造。学生只要把这三件事分清，CNN、Transformer、Diffusion 就不会混在一起。

Diffusion：从噪声里画出一只猫

这一页讲 Diffusion，也就是扩散模型。前面讲的是 AI 认猫：从照片中判断类别。现在方向反过来：让 AI 从随机噪声开始，逐步生成一张猫图。

训练时，模型学习“清晰图加噪声”的过程：一张清晰图片被不断加入噪声，直到几乎看不出原图。生成时，模型反过来做：从纯噪声开始，每一步去掉一点噪声，逐渐形成轮廓、纹理、局部细节，最后得到清晰图像。

可以把它想成“从一团雾里慢慢擦出图像”。Diffusion 的关键不是搜索现有图片，而是根据提示和训练中学到的图像分布，逐步创造新图。它是今天图像和视频生成的重要基础。

从猫狗识别到人脸识别：也是深度学习吗？

这一页回答很多人会自然产生的问题：进校人脸识别是不是深度学习？答案是：是，通常属于计算机视觉中的深度表示学习加相似度比对。

猫狗分类的流程是：输入照片，输出类别，比如猫、狗、风景。人脸识别的流程更常见的是：先检测人脸，裁剪对齐，再由视觉模型提取人脸特征，把人脸编码成一个向量，最后与授权底库中的向量做相似度比较。如果相似度高于阈值，就可能判断为同一个人。

这和相册搜索有共同点：都是把复杂对象变成向量，再比较相似度。不同点是，人脸识别关乎真实身份和个人权益，风险比识别猫高得多。因此必须补上边界：授权、最小化采集、保存期限、人工复核、退出机制都很重要。

讲法上先肯定技术归属，再立刻转向伦理边界：识别人不是识别猫，风险等级完全不同。

人脸识别不是记住整张脸，而是提取稳定特征

这一页回应学生非常自然的好奇：为什么一个人换了光线、换了角度、甚至过几年，人脸识别仍然可能认出来？答案不是“系统记住了整张脸”，而是模型把人脸压缩成一种可比较的内部表示。

第一步，同一个人会有很多变化：正脸、侧脸、暗光、笑脸、几年后、胖瘦变化。肉眼看上去差别不小，但仍有一些相对稳定的结构，比如五官位置、脸部比例、局部轮廓和纹理。

第二步，视觉模型提取这些稳定线索。它不会只看一个点，而是综合眼睛、鼻子、嘴、脸型和相对位置等信息。

第三步，把人脸压缩成一串数字，也就是人脸向量。这个向量不是身份证号，也不是姓名，而是模型内部用来比较相似度的特征坐标。

第四步，新拍到的人脸向量会与人脸库中的向量进行相似度比对。如果某个候选人的相似度很高，系统就认为可能是同一个人。

第五步，必须做阈值判断和人工兜底。超过阈值不等于绝对正确；遮挡、口罩、极端光线、年龄变化、照片质量和数据偏差都会造成误识别。因此学校场景中尤其要关注授权、最小化采集、数据安全、误识别申诉和人工复核。

本页最重要的一句话是：人脸识别 = 看图提特征 + 压缩成向量 + 相似度比对 + 阈值判断 + 人工兜底。

四大架构在猫狗 AI 系统里的分工

这一页建议完全用“同一个猫狗 AI 系统”来讲四大架构，而不是把它讲成模型名背诵表。学生要记住的是岗位，不是孤立定义。

先看 MLP。它通常出现在最后几层，负责把前面提取到的特征综合起来，做分类或打分。例如前面模型已经提取到了耳朵、眼睛、毛发和整体轮廓，MLP 或分类头负责把这些信息合成“猫 92%，狗 8%”这样的输出。

再看 CNN。它是视觉专家，像一个小窗口在图片上滑动，一块一块看局部区域。它适合发现边缘、纹理、局部部件，再逐渐组合成猫脸、狗脸、人物和物体。手机相册识别猫狗、人脸、场景时，CNN 或其他视觉模型都在承担类似“看图提特征”的工作。

第三看 Transformer。它是关系理解专家。用户输入“草地上的狗”时，模型不仅要知道“狗”，还要理解“草地”和“狗”的关系，并把文字向量与图片向量对齐。Transformer 的核心优势是自注意力：每个词、每个位置都能看到其他位置，从而建模远距离关系。

第四看 Diffusion。它是生成引擎，不是检索已有图片，而是从噪声里一步步去噪生成新图。输入“戴博士帽的小猫”，系统不是在相册中找一张旧图，而是在生成一张新图。

RNN/LSTM 可以作为历史角色放在旁边。它曾经常用于文本和时间序列，帮助我们理解“按顺序处理”和“记忆状态”的思想；但今天很多语言和多模态任务已经被 Transformer 大量替代。

底部的人脸识别延伸可以这样讲：进校门禁通常也是视觉模型提取人脸特征，压缩成人脸向量，再与数据库比对。但识别人不是识别猫，风险等级完全不同，必须关注隐私、安全、误识别和人工复核。

本页最重要的提醒是：不要背定义，先问岗位。它是在看图、读关系、做最后判断，还是从无到有生成内容？

为什么它突然爆发？

这一页进入第五部分：深度学习的爆发。神经网络并不是 2012 年才被发明，它的思想很早就有。真正的问题是：为什么它长期没有成为主流，却在 2012 年后像海啸一样席卷 AI？

答案不是某一个神奇算法，而是算法、数据、算力三者同时成熟。早期有算法思想，但数据不够大、算力不够强；有些时期有数据，但训练方法不稳定；有些时期硬件进步了，但还缺乏足够成熟的工具链。2012 前后，这些条件终于同时到位。

这页要帮助学生从“单点突破”转向“系统条件”的理解。深度学习爆发不是偶然，而是多个技术和产业条件叠加到临界点。

2012 爆发：算法 × 数据 × 算力

这一页解释深度学习爆发的三驾马车。第一是算法：反向传播、ReLU、Dropout、训练框架逐步成熟，让深层网络终于可以稳定训练。没有这些算法，网络再大也训不动。

第二是数据。互联网带来海量图片、文本和视频，ImageNet 这类大规模标注数据集成为视觉爆发的燃料。深度网络参数很多，必须见过足够多样的样本，才能学出稳健表示。

第三是算力。深度学习底层大量是矩阵运算，GPU 擅长并行计算，让训练速度大幅提升。如果没有 GPU，很多网络理论上能训练，实际上要耗费不可接受的时间。

所以，为什么不是 1943、1986 或 1998？因为那些时期三驾马车还没有同时到位。2012 的意义就在于，它们终于在同一个时间窗口汇合。

从识别图片，到多模态助手

这一页用时间线建立技术加速感。2012 年 AlexNet 带来视觉爆发；2015 年 ResNet 让网络可以更深；2017 年 Transformer 带来注意力革命；2020 年前后，大语言模型通过规模化训练展现强生成能力；2022 年之后，对话 AI、绘图 AI 和多模态产品走向大众。

这页的重点不是背年份，而是理解速度：深度学习的发展不是线性推进，而是多个领域快速叠加。图像识别、语言生成、图文理解、视频生成、智能体工具使用，彼此相互促进。

对学生而言，这也解释了为什么今天 AI 产品更新很快。它不是某一个 App 的功能变化，而是背后算法、数据、算力和产品生态一起加速。

模型规模：从小程序，变成一座城市

这一页建立参数规模的数量级感。参数可以理解成模型里可学习的“旋钮”。训练就是把这些旋钮调到合适位置。早期 LeNet 只有几万参数，AlexNet 到了几千万，BERT 到了几亿，GPT-3 到了千亿级，前沿模型则常常达到千亿到万亿级。

需要注意，参数越多不一定越聪明。模型能力还取决于数据质量、训练目标、架构设计、推理方式和对齐方法。但是前沿模型确实依赖巨大的规模，因为更大的参数空间可以容纳更丰富的表示。

这页还可以解释为什么算力重要。参数越多，训练时需要做的矩阵运算越多，消耗的 GPU、时间和成本也越高。因此大模型不仅是算法问题，也是工程和产业问题。

预训练 + 微调：先学通识，再学专长

这一页讲今天 AI 应用的标准范式。很多 AI 产品不是为每个场景从零训练一个模型，而是先在海量数据上预训练一个基础模型，让它具备通用的看、读、生成能力；然后通过微调、提示设计或知识库增强，把它适配到具体任务。

可以用教育类比解释。学生先学通识：阅读、表达、数学思维；再学专业：物理、编程、艺术。通识基础越好，迁移到新任务越快。同样，基础模型先学通用表示，再被训练成某个岗位，比如相册搜索、门禁识别或课堂工具。

产品类比也很重要。厂商通常不会为每个学校从零训练一个大模型，而是在已有模型基础上做适配。这也是为什么今天中小机构也能使用强 AI 能力：它们站在基础模型之上，而不是从零造“大脑”。

从猫狗 AI 到大语言模型，只是输入形态变了

这一页是第三讲和下一讲之间的桥。前面我们用手机相册讲深度学习：输入是像素，模型学图像表示，输出猫狗概率。下一讲我们要讲大语言模型，输入换成文字 token，模型学语言表示，输出下一个词的概率。

左侧可以看“图片 AI”。猫狗识别从像素开始，经过边缘、纹理、部件、整体，最后输出“猫 / 狗”的概率。右侧看“大语言模型”。文字会先被切成 token，token 进入 Transformer，层层形成词义、句法、语境和意图，最后预测下一个 token。

两者看起来应用不同，但底层逻辑相似：都把输入转成数字表示，都经过很多层计算，都通过大量数据训练，都以概率形式输出结果。

这页最重要的是打破神秘感。大语言模型不是另一套魔法，而是深度学习在文字任务上的巨大化版本。今天懂了“认猫”，下一讲理解“写文章”“对话”“推理”就会顺很多。

也可以提醒学生：Transformer 不只读文字。前面图文搜索已经说明，图片也可以切成图像块，文字也可以切成 token，它们都能进入统一的表示空间。这正是多模态模型的基础。

强大，但不要盲信

这一页进入第六部分：深度学习的边界。前面我们一直在讲它为什么强：能自动学特征、能认图、能搜图、能生成图。现在要补上另一半：它能用，但不一定按我们希望的方式在学习。

这里要建立一个重要区别：准确率高不等于可信。模型可能在测试集上表现很好，但它学到的理由可能是错的；模型可能输出很高置信度，但在某些边界场景上仍然失败；越关乎人，越需要额外的解释、复核和责任机制。

这一章不是为了否定 AI，而是为了让使用者更专业。懂技术的人不是盲目崇拜，也不是一概拒绝，而是知道什么时候能用、怎么用、谁负责、哪里必须留人工兜底。

黑箱：它不是不会错，而是不告诉你为什么错

这一页解释黑箱问题。模型输出看起来很清楚：“这是一只猫，置信度 92%。”但内部过程隐藏在大量层、海量参数和复杂表示中。没有哪个参数写着“因为有胡须所以是猫”。

黑箱不是说模型不能用，而是说我们不能轻易把输出当成不需要解释的真理。做对时也要追问：它真的学会了猫，还是学会了“沙发上毛茸茸的一团”？做错时更要追问：错在数据、光线、角度、训练偏差，还是任务定义本身不清？

这页适合连接前面权重和表示的内容。模型内部是很多数字共同作用，强大但不直观。理解黑箱后，学生会更清楚为什么教育、人脸、医疗等场景不能只看准确率。

它会学最容易的规律，未必是正确的规律

这一页讲学错规律。深度学习不保证自动学到人类想要的因果关系，它常常学到训练数据中最容易利用的统计相关。

比如一个模型看起来会认狗，训练集准确率很高，产品演示也很漂亮。但它实际可能学偏：把雪地、牵引绳、拍摄角度当成狗的关键线索。一旦换成没有这些背景的新照片，它就可能失败。

降低风险的办法包括：数据要多样，评估要分场景，重要决策要有人复核。只看总体准确率不够，要看不同背景、不同光线、不同群体、不同设备下是否稳定。

这页的核心句是：准确率不等于可信度。模型可能答对了，但理由是错的。这个判断在教育 AI、人脸识别和学情预警中尤其重要。

手机相册和人脸识别里的数据非常敏感

这一页讲数据隐私。越贴近生活，越要注意隐私、授权和边界。

照片数据不仅是图片，它可能包含家庭成员、孩子、住址、旅行路线、生活习惯。需要问：是否上传云端？是否用于训练？谁能访问？人脸数据更敏感，因为人脸是生物特征，不像密码泄露后可以修改。需要问：是否必要？是否授权？保存多久？教育数据也很敏感，成绩、行为、家庭情况、课堂表现都可能影响学生权益。需要问：谁解释？谁纠错？谁最终负责？

这页不是说 AI 不能用，而是说底线问题不是“AI 能不能做”，而是“有没有必要、有没有授权、有没有退出和复核”。技术可行不等于教育上、伦理上、管理上都应该使用。

给教师和使用者的三条底线

这一页是边界部分的核心总结。第一条，黑箱不做重大决定。分班、奖惩、升学推荐、风险标签等关乎人的决定，AI 可以提供参考，但不能单独裁决。第二条，数据隐私是红线。学生照片、人脸、成绩、家庭信息都要最小化采集、明确授权、限制用途和保存周期。第三条，永远保留人工兜底。模型低置信、涉及权益、结果异常时，必须能由老师或负责人复核、修改和追溯。

这里要强调，三条底线不是阻止使用 AI，而是让 AI 被负责任地使用。越强大的工具，越需要制度性边界。

评估教育 AI 产品时可以用三句话：透明、可干预、可审计。透明意味着能解释基本依据；可干预意味着老师可以修正或覆盖；可审计意味着事后能追溯谁做了什么、依据是什么。

看到一个 AI 产品，可以这样问四个问题

这一页把技术理解变成可执行的判断清单。第一问：任务是什么？识别猫狗、验证身份、预测风险、生成内容，任务不同，风险不同。第二问：数据从哪来？训练数据是否覆盖真实场景？有没有偏差？有没有敏感信息？第三问：指标怎么看？只看总体准确率不够，还要看误识、漏识、不同人群和不同场景。第四问：谁来负责？模型错了谁解释？用户能否申诉？是否保留人工复核？

这张清单可以直接迁移到校园门禁、人脸考勤、智能批改、学情预警等产品。它让老师不只是“会用工具”，而是能判断工具是否适合进入教育场景。

学生看这页时可以记住：技术问题最终会落到责任问题。一个产品如果说不清任务、数据、指标和责任，就不应该轻易用于重要场景。

看一个 AI 产品，先问这五个问题

这一页把技术理解变成教师和管理者可以直接使用的检查清单。越强大的模型，越需要清晰的边界、解释和责任。

第一问：数据从哪里来？它用了哪些数据？照片、作业、成绩、语音、课堂行为是否被采集？这些数据是否经过授权，是否有最小化采集，是否有删除和退出机制？

第二问：输出依据是什么？AI 为什么这样判断？它能否展示关键证据、置信度或解释线索？如果模型只能给一个结论，却完全说不出依据，就不适合进入高风险决策。

第三问：老师能不能改？教育场景里，AI 输出应该是线索，不是裁决。教师是否能修改、覆盖、补充 AI 的判断，决定了这个系统是不是尊重教育专业性。

第四问：误判后如何追溯？出了问题以后，能不能查到输入数据、模型版本、输出记录和处理流程？没有追溯机制，就很难谈责任。

第五问：隐私怎么保护？学生数据尤其敏感。是否脱敏，是否加密，是否上云，是否用于再训练，是否能被第三方访问，都必须提前说清。

这页的核心不是反对 AI，而是让 AI 进入教育场景时有边界、有解释、有复核、有责任。AI 可以提高效率，但不能替人承担教育责任。

3 分钟复盘：今天带走三句话

这一页用于复盘。第一句话：深度学习的核心不是“像人脑”，而是多层网络自动学习特征。从像素到边缘、从部件到猫，模型学出层级化表示。第二句话：训练不是灌输知识，而是让错误反复回来调整权重。前向预测、计算损失、反向传播、梯度下降，循环很多次。第三句话：AI 很强，但准确率不等于可信度；越关乎人，越要保留边界。人脸识别、学情预警、教育评价都必须有人复核和隐私保护。

最后再回到最开始的主线：机器不是被写进了“猫的规则”，而是在大量样本中学会了“猫的表示”。这句话把整讲的神经元、层、训练、架构和边界串在一起。

这页也适合学生课后自查：如果能用自己的话解释这三句话，就已经掌握了本讲主体内容。

把“看见猫”变成亲手体验

这一页是课堂互动建议，也适合作为课程网站上的课后实践。

第一步，现场观察。让学员打开手机相册，搜索“猫”“狗”“草地”“人像”等词，看看哪些结果准、哪些不准。第二步，讨论误差。为什么有的照片没有搜到？可能是遮挡、光线、照片数量少、语义太抽象，也可能是相册模型本身能力有限。第三步，迁移到学校。如果换成门禁人脸识别、课堂表情识别，哪些问题会变成隐私、公平和责任问题？

活动目标不是验证某个产品好坏，而是让学员用今天的概念重新看 AI 功能。搜索结果准不准，可以连接到表示学习、图文对齐、泛化和黑箱；涉及人脸时，则要连接到授权、复核和边界。

主要参考文献与资料

这一页是参考资料，不必在课堂逐条讲，但对课程网站很重要。它把本讲背后的经典论文和课程内连接列出来，方便学生课后深入。

经典论文部分可以按历史线索理解：McCulloch & Pitts 1943 是人工神经元思想起点；Rumelhart、Hinton 和 Williams 1986 让反向传播系统化；Krizhevsky、Sutskever 和 Hinton 2012 对应 AlexNet 与 ImageNet；He 等 2015 对应 ResNet 和残差连接；Vaswani 等 2017 对应 Transformer；Ho 等 2020 对应扩散模型。

课程内连接部分提醒学生：第二讲的机器学习概念仍然是基础，特别是数据、特征、模型、损失、优化和泛化。第三讲则把这些概念放进神经网络与深度学习中，重点保留神经元、层、训练、CNN/Transformer/Diffusion 和黑箱边界。后续大语言模型课程会以 Transformer 为核心入口。

这一页是收尾。整讲最终回到一句话：用很多层神经网络，让机器从原始数据里自动学出层级化特征表示。

可以请学生回想这句话如何在手机相册主线中展开：相册认猫狗，是从像素中学出视觉表示；相册搜照片，是把图片和文字变成可比较的表示；AI 画猫，是从噪声中生成符合提示的图像；谈边界，是提醒我们表示学习很强，但也可能学偏、误判、涉及隐私。

下一讲会进入大语言模型原理，重点看 Transformer 如何一步步长成 GPT、Claude、DeepSeek 这类大模型。今天讲的神经元、层、训练、注意力和表示学习，都是下一讲的基础。

结束时可以强调：理解深度学习，不是为了背公式，而是为了看懂当代 AI 产品背后的共同逻辑，并在教育场景中负责任地使用它。

课后思考题

1. 用你自己的话解释「深度学习让机器自动学出层级化特征表示」——用手机相册认猫的例子说明「层级」体现在哪里。
2. 为什么说「准确率高不等于可信」？举一个教育或校园场景，说明只看总体准确率可能漏掉什么。
3. 认猫、搜猫、画猫分别对应 CNN / Transformer / Diffusion 的哪种「岗位」？它们的输入和输出有什么本质不同？
4. 如果学校要引入一款人脸考勤产品，请用本讲的「四问 / 五问」清单，列出你最关心的三个问题。

与下一讲的衔接

下一讲《大语言模型原理》会以 Transformer 为核心入口，看它如何一步步长成 GPT、Claude、DeepSeek 这类大模型。今天讲的神经元、层、训练、注意力与表示学习，都是下一讲的基础——到时你会发现，「写文章」和「认猫」共享同一套底层逻辑。