授课讲义：第 02 次课：神经网络与 Transformer：AI 的大脑结构 ​

一、上节课回顾 ​

• 上节课三个要点：
  1. AI 发展从规则系统走到大模型，核心变化是从人写规则转向从数据中学规律。
  2. 监督学习靠带答案练习，无监督学习自己找规律，强化学习靠奖惩反馈；AI 依赖算力、算法和数据。
  3. 大模型像文字接龙，会根据前文预测候选词；温度、上下文窗口和概率采样影响输出。
• 已经留下的基础：学生能完成一次 AI 对话和文生图体验，也能区分“生成结果合理”与“结果可直接交付”。
• 今天要接上的问题：大模型为什么能记住长距离关系、判断一词多义，并生成更连贯的回答。
• 开场检查：请学生用一句话回答“上次课说的文字接龙，为什么可能忘记前文？”

二、本节课主要内容和目标 ​

本节课结束时，学生能：

1. 画出一个简化人工神经元，并标出输入、权重、激活、输出四个环节。
2. 用输入层、隐藏层、输出层解释神经网络为什么能提取越来越抽象的特征。
3. 通过传话游戏说明传统 RNN 的信息衰减问题。
4. 用“开会讨论”和“全局注意力”解释 Transformer 与传统 RNN 的区别。
5. 根据 bank 等一词多义例句，说明注意力机制如何依靠上下文选择含义。

课堂总时长 80 分钟，另留 10 分钟机动。学生需要纸笔或平板绘图工具；教师准备神经元示意图、传话句卡、bank 例句卡和 AI 工具演示环境。

三、本节课知识内容 ​

M1：人工神经元 ​

剧情钩子：上一课说大模型在文字接龙，可到底是谁在接？打开 AI 的“大脑车间”，最小工人——人工神经元登场：它接收信息、判断重要性，再决定要不要输出。

是什么：人工神经元是对大脑神经细胞的简化模拟。它接收多个输入，为每个输入乘上权重，再把加权结果汇总，经过激活函数判断，最后产生输出。输入代表外部信息，权重代表不同信息的重要程度，激活决定信号是否继续传递以及输出强度。

核心特点：神经元的关键不是“收到信息”，而是“区分信息的重要性”。权重越大，对应输入对结果的影响越大；权重越小，影响越弱。激活函数让神经元不只做加法，还能形成阈值、筛选或非线性转换。一个神经元能力有限，但大量神经元连接后，可以表示复杂模式。

典型例子：判断“是否推荐学生参加技能竞赛”时，可以把平时成绩、项目作品、出勤作为输入。如果竞赛更看重作品，项目作品权重最高；如果课程纪律是硬条件，出勤也会有较高权重。汇总后，激活结果可以表示“推荐、待定或不推荐”。

易错点：学生容易把输入值和权重混在一起。输入是原始信息，权重是模型学习到的重要程度。也不能认为激活函数只是简单相加；加权求和之后，激活函数会改变输出的形式、范围或触发方式。

课堂练习：讲完本模块后，在学习通完成【M1-01】梳理神经元流程、【M1-02】判断神经元权重、【M1-03】解释激活作用。

M2：神经网络分层 ​

剧情钩子：一个神经元只能做一个判断，能力太有限。于是神经网络把它们编成流水线：先看细节，再组合关系，最后给出结论。

是什么：神经网络把许多神经元组织成层。输入层接收原始数据，隐藏层逐层组合特征，输出层给出判断或预测。浅层往往识别简单关系，深层把这些简单关系继续组合成更抽象的模式。所谓“深”，通常指隐藏层数量多、逐级抽象的路径长。

核心特点：分层的意义是把复杂判断拆成多次加工。前一层输出成为后一层输入，模型因此能先识别局部，再理解关系，最后形成结论。层数越深，可表达的组合越丰富，但也越需要充足数据和算力；不是所有任务都是层数越多越好。

典型例子：识别“教室里举手的学生”时，浅层可能看到边缘、颜色和形状；中间层组合出手、脸、身体等部位；较深层再判断“学生”“举手”“课堂场景”之间的关系；输出层给出是否识别到目标。

易错点：学生容易把“隐藏层”理解成黑箱名称，说不出职责。应抓住“接收上一层输出、组合更复杂特征、传给下一层”这条主线。也不能把文件名、保存路径等系统信息当成神经网络提取的特征。

课堂练习：讲完本模块后，在学习通完成【M2-01】识别分层职责、【M2-02】判断深层特征、【M2-03】拆解识别流程。

M3：RNN 的局限 ​

剧情钩子：处理长句子时，RNN 主动举手：“我按顺序传话。”可惜句子越长，信息越像传话游戏，传到后面已经变了样。

是什么：循环神经网络 RNN 是一种按时间或文本顺序处理信息的结构。当前步骤的输出会进入下一步，形成“记忆”。传统 RNN 在短序列中有效，但随着序列变长，早期信息在逐步传递中衰减、变形或被后来的信息覆盖。

核心特点：RNN 的优势是符合语言和事件的先后顺序，参数规模也相对较小。它的弱点是远距离依赖不稳定：句子开头的关键条件，可能到结尾已经被中间内容冲淡。它主要靠隐藏状态逐步传递信息，而不是让所有位置同时直接建立联系。

典型例子：传话游戏中，“周三下午三点，机房，前端小组带电脑参加部署测试”经过几个人转述后，时间、地点或任务可能丢失。RNN处理长句时类似：距离越远，开头信息越难稳定保留到最后。

易错点：学生容易把信息丢失归因于“学生没记住”或“模型太小”。更本质的问题是逐级传递方式让远距离信息容易被稀释。也不能把 RNN 和 Transformer 混为一谈；传统 RNN主要按顺序传递，Transformer 才使用全局注意力。

课堂练习：讲完本模块后，在学习通完成【M3-01】概括 RNN 问题、【M3-02】定位 RNN 问题、【M3-03】判断 RNN 视角。

M4：Transformer 注意力 ​

剧情钩子：RNN 的传话游戏容易丢失信息，传来传去变了样。于是 Google Transformer 拍桌子说：“别传话了，我们来开会。”会上所有材料同时摊开，谁和议题有关，谁就被重点关注。

是什么：Transformer 是一种以注意力机制为核心的神经网络结构。它让一段文本中的不同位置互相建立关系，并根据任务为重要信息分配更高权重。与只沿顺序传递信息不同，Transformer 能同时看到全局内容，再决定“谁和谁有关”“哪些证据更重要”。

核心特点：注意力机制解决了远距离依赖问题。模型处理一个词时，不只看前一个词，还可以关注句子甚至篇章中的相关词。它像开会：所有材料都摆在桌面上，参会者根据议题挑选重点，而不是只能听上一个人转述。这个机制让 Transformer 在长文本、语义理解和生成任务中表现更好。

典型例子：判断“谁最适合当班长”时，全班不只听最后一位同学的发言，而是同时考虑组织能力、责任心、沟通能力和时间投入。权重会向与“班长职责”最相关的证据倾斜。模型处理文本时，也会根据任务提高相关词句的权重。

易错点：注意力不是平均看所有内容，也不是只看关键词字面。它会根据上下文和任务建立关系。也不能认为 Transformer 完全抛弃了顺序信息；它仍然会利用位置信息，只是不再只靠逐步传递来记忆。

课堂练习：讲完本模块后，在学习通完成【M4-01】解释注意力机制、【M4-02】选择注意力重点、【M4-03】判断 Transformer 视角。

M5：一词多义处理 ​

剧情钩子：开会时，bank 这个词引发争论：有人说银行，有人说河岸。会议主席说：“别吵，先看上下文。”注意力机制开始根据线索判断词义。

是什么：一词多义指同一个词在不同上下文中有不同含义。注意力机制会让模型根据周围词的关系调整词的表示。bank 在“bank of the river”中受 river 影响，更可能表示河岸；在“go to the bank”中受动作和业务场景影响，更可能表示银行。

核心特点：模型不是为每个词查一条固定释义，而是根据上下文计算关系。上下文线索越强，某个含义的注意力权重越高。中文也有类似现象：“苹果手机”里的苹果指向品牌，“吃苹果”里的苹果指向水果；“鼠标”在设备语境和动物语境中含义不同。

典型例子：翻译“I sat on the bank of the river”时，river 提供地点线索；翻译“go to the bank”时，go to 提示前往某个场所。让 AI 解释判断依据时，应能指出这些线索词，而不是只给出最终翻译。

易错点：学生容易认为单词含义固定不变，或认为 AI 只要认识单词就一定译对。专业语境、行业语境和错误搭配仍可能导致误判。判断词义时，要训练自己找出关键线索词，并让 AI 说明理由。

课堂练习：讲完本模块后，在学习通完成【M5-01】判断 bank 词义、【M5-02】判断 bank 含义、【M5-03】判断上下文词义。

课后作业 ​

• 【作业-01】给家人解释 Transformer 注意力：用不超过 300 字和一个生活类比解释注意力机制，截止下节课前一天 22:00。

资料与下载 ​

• PPT 课件：已上传学习通网盘，待补充下载链接。
• 课堂/课后习题：请在学习通对应单元完成，待补充入口链接。
• 补充提示词或资料：如本页未列出，以老师课前在学习通发布的资料包为准。