实验 1神经元投票机：它到底会不会"说话"？
一个神经元就是一个爱投票的小组：收到 3 条消息（输入），按每条消息的可信度（权重）加权，总分过了及格线（阈值）就开口说话（激活），否则保持沉默。
8
5
7
0.9
0.4
0.1
7
💤
🤔 想一想（跟同桌讨论 30 秒）
① 把"谣言"的权重调到 10，会发生什么？这说明权重决定了一个输入的话语权。
② 神经网络越深越聪明，其实就是很多个这样的小组层层投票：第一层看出"明暗边缘"，第二层拼出"五官"，第三层认出"这是一张脸"。
实验 2传话游戏模拟器：老一代 AI 为什么会"忘事"？
RNN 读句子就像排队传话：一个人传给下一个人，每传一次就可能丢一块信息。调大"人数"和"丢失概率"，亲眼看句子怎么烂掉的。
5
25%
🤔 想一想
① 丢掉的往往是句子开头还是结尾？为什么"今晚七点"这种关键信息丢了最要命？
② Transformer 的解法：不开传话会，直接开全班大会——所有人同时看到完整句子，谁重要就看谁。这就是下一站"注意力"要干的事。
对照Transformer 模式：全班大会
原句（每个人同时看到）：
没有传递、没有丢失——这就是 Transformer 能处理长句子、长文章的根本原因。
实验 3注意力打分器：AI 怎么猜中 bank 的意思？
点击句子里任何一个词，看看 AI 在理解它时，会给句子里的其他词打多少"关注度分"。同一个 bank，邻居不同，含义就不同。
句子 A
句子 B
🤔 想一想
① 句 A 里给 bank 打分最高的是哪个词？句 B 里呢？——上下文不同，注意力分配完全不同，这就是 AI"听懂人话"的秘密。
② 试着点击 He、sat、river，看看 AI 理解每个词时"看"的地方都不一样。
③ 注意力不是"多看几遍"，而是给重要的词打高分、给不重要的打低分——跟班长选举打分一个道理（下一站）。
实验 4班长选举实验：给不同的候选人"分配注意力"
班里 4 位候选人，各有特长。任务不同，你"打分"的侧重就不同——调整 4 个打分旋钮，看谁当选。这就是注意力机制在做的事。
5
5
5
5
🤔 想一想
同一个班、同一批人，任务一换，得分就全变了。注意力机制也一样：同一个词（比如 bank），上下文一换（任务一换），它给周围词打的分就完全不同。AI 里没有"标准答案的权重"，只有"当前这个任务下的权重"。
挑战快测 5 题：玩完就测，看看你吸收了多少
做完 5 题会出总分。答错没关系，错题会告诉你原因——课堂上老师会讲评。