2026年，AI已经渗透到写代码、看病、开车、写合同的每个角落，但绝大多数人“天天用AI”却说不清它到底是什么。有一个人在2017年就意识到了这个问题，并用19分钟做了一个当时看来“吃力不讨好”的决定：不讲代码、不装环境、不堆术语，只用动画和最朴素的数学，把“神经网络”这件事讲成一个初中生能听懂、工程师能受益的故事。这就是3Blue1Brown的《But what is a neural network?》——深度学习系列第一章。这条视频发布后持续走红，成为全球无数大学课程、训练营和自学者的默认第一课；在2026年这波AI浪潮的二次传播中，它依然不断被重新翻出、转引和推荐，堪称“AI时代的识字课本”。本文带你完整吸收这条视频的知识精华：它讲了什么、对应哪些真实的研究与历史、哪些内容至今站得住、哪些需要打折扣——没看过视频也能懂，看过视频能多懂一层。
| 项目 | 内容 |
|---|---|
| 英文标题 | But what is a neural network? | Chapter 1, Deep learning |
| 中文译名 | 但什么是神经网络？深度学习系列第一章 |
| 频道 | 3Blue1Brown（主理人：Grant Sanderson） |
| 发布时间 | 2017年10月 |
| 播放量 | 逾1800万（据频道页公开历史数据，实时以YouTube页面为准） |
| 频道订阅 | 逾600万（据频道页公开历史数据，同上标注） |
| 时长 | 约19分钟 |
| 观看地址 | https://www.youtube.com/watch?v=aircAruvnKk |
说明：本文写作环境无法实时联网核验，播放量与订阅数取自频道页公开数据的历史口径，仅供参考；精准实时数据请以YouTube视频页为准。
选题说明：按“近期爆红优先”的标准，2026年科技区的新片令人眼花缭乱，但AI主题下被转引最多、被高校课程和社区反复“考古”的，恰恰还是这条九年前的第一章——它属于“老视频因AI浪潮持续翻红”的典型，也是理解后续一切AI内容的收益最高的入口。
这条视频的叙事极其克制，全程只回答一个问题：神经网络到底是什么？它按五个步骤层层推进。
视频开场不给定义，先给一个任务：让计算机认出手写数字。人觉得“认数字”轻而易举，但计算机面对的是一块像素网格——一张28×28像素的灰度图，每个像素有一个0到1之间的亮度值。于是“一张图片”在计算机眼里就是784个数字排成的序列。这是整条视频最关键的认知跃迁：任何“模糊的、拟人的”智能任务，第一步都是把它翻译成数字表示。图片如此，声音如此，后来大语言模型里的文字（token）也如此。这一步在今天的术语里叫“表示”，它决定了后面一切的上限。
很多人被“神经元”这个词吓退，以为它是什么神秘仿生装置。视频用一句话祛魅：在这个语境下，神经元就是一个装着0到1之间数值的容器，它存的数叫“激活值”（activation）。输入层的784个神经元各存一个像素亮度；输出层10个神经元，各对应数字0到9，哪个神经元的激活值最高，网络就“认为”图片是哪个数字。中间夹着两层各含16个神经元的“隐藏层”——为什么是16？视频坦白说：没有深刻理由，只是为了演示方便。这种罕见的坦诚反而建立了可信度。
接下来是全片的数学核心：相邻两层神经元之间的每一条连线都有一个权重（weight），表示“上一层这个神经元对下一层那个神经元的影响强度”；每个神经元还配一个偏置（bias），表示“要让这个神经元激活的门槛有多高”。视频给出了一个观众可以自己验算的数字：784×16 + 16×16 + 16×10 = 12960个权重，加上16+16+10 = 42个偏置，一共13002个可调参数。“权重乘以激活值求和、加偏置、再过一个S型激活函数（sigmoid）压到0和1之间”——这一整套操作，用线性代数的语言说就是矩阵—向量乘法加一个非线性函数。一层如此，层层如此。所谓神经网络的前馈计算，本质就是13002个数字对784个输入数字的一次“加工流水线”。
这是视频标题里"but what is"的真正答案：网络刚建好时，13002个参数全是随机的，输出就是噪声；所谓“学习”，就是找到那组能让输出正确的参数数值。视频没有当场展开“怎么找”，只精准地埋了一个钩子——把“学习”重新表述为“在一个13002维的空间里寻找一个好的点”，并预告下一章的梯度下降（gradient descent）。这个“把神秘概念翻译成几何直觉”的手法，是3Blue1Brown的标志性风格，也是这条视频被无数教师选作教材的原因。
整条视频19分钟，没有一行代码，没有推荐任何框架。这不是偷懒，而是刻意的设计：先建立心智模型（mental model），再谈工程实现。九年后回头看，这个策略恰恰是它穿越周期的原因——框架从Theano、Caffe换到PyTorch、JAX，再叠上Transformer时代的新架构，而“激活值在层间流动、学习就是调参数”这套核心直觉一毫米都没有过时。
这条视频的每个素材都有真实出处，这也是它“多懂一层”的价值所在。
MNIST手写数字数据集：视频用的正是机器学习史上最著名的入门数据集MNIST，由Yann LeCun（2018年图灵奖得主）、Corinna Cortes和Christopher Burges等人整理自美国NIST数据库，包含7万张手写数字图片（6万张训练、1万张测试），1998年前后公开，三十年来一直是神经网络界的“Hello World”。
感知机与第一次AI寒冬：视频里的“神经元”概念可追溯到1958年Frank Rosenblatt在康奈尔航空实验室构建的感知机（Perceptron）和Mark I硬件。1969年，Marvin Minsky与Seymour Papert出版《Perceptrons》一书，指出单层感知机连“异或”这种简单问题都解不了，加上算力与经费退潮，神经网络研究进入长达十几年的低谷——史称第一次AI寒冬。视频没讲这段历史，但了解它你才会明白：视频里“多层”这个不起眼的设定，当年是让整个领域复活的关键。
反向传播：“学习怎么找参数”的答案是反向传播算法。虽然其思想雏形更早存在，但让它发扬光大的是1986年David Rumelhart、Geoffrey Hinton（2018年图灵奖得主、2024年诺贝尔物理学奖得主）和Ronald Williams发表在《自然》杂志的论文《Learning representations by back-propagating errors》。3Blue1Brown在系列第二、三、四章用梯度下降和反向传播接上了这个答案，还专门放出了对研究者Lisha Li的访谈片段，谈研究者如何实际训练网络。
通用近似定理：为什么一个全是“乘加、压数值”的堆叠结构能学会复杂功能？理论保证来自通用近似定理（Universal Approximation Theorem）：只要隐藏神经元足够多，这种网络原则上可以近似任意连续函数（George Cybenko 1989年证明sigmoid情形，Kurt Hornik 1991年推广）。视频没点名这一定理，但它“中间层能组合出任意图案”的直觉演示，正是这一定理的影像化。
AlexNet与ImageNet：让这套老理论在2012年重新引爆世界的是AlexNet——Alex Krizhevsky、Ilya Sutskever（后来的OpenAI联合创始人）和Hinton在ImageNet大规模视觉识别挑战赛上，把Top-5错误率从传统方法的约26%一举降到约15%，震动学界，直接开启了深度学习十年繁荣。ImageNet数据集由李飞飞团队于2009年前后建成。视频发布于2017年，正处这波繁荣的中段。
manim动画引擎：一个常被忽略的彩蛋——3Blue1Brown那些令人惊叹的数学动画，来自Grant Sanderson自己编写并开源的Python动画引擎manim。这个项目在GitHub上拥有数十万star，后来衍生出整个“用代码做数学动画”的创作者生态。换言之，这条讲神经网络的视频，本身就是一条用程序员的工具创造出来的知识产品。
2024年续章：时隔七年，3Blue1Brown在2024年4月重启该系列，新增《But what is a GPT?》以及注意力机制、Transformer架构等多章内容，把同一套“用直觉翻译数学”的方法论对准了大语言模型。这条九年前的第一章因此获得第二波生命：无数人在2026年补AI课时，被社区推荐的入门路径依然是“先看第一章”。
站得住的部分。视频对网络结构、前馈计算、参数计数的描述在数学上完全可验证（13002这个数你可以自己算）；“学习即参数优化”的框架至今是所有深度学习系统的本质，无论参数是13002个还是数千亿个；“先建心智模型再学工程”的学习路径，被此后无数课程证明有效。这些核心主张在2026年不仅没过时，反而因为AI普及而更值得掌握。
需要打折扣的部分。第一，技术形态的代差。视频教的是全连接网络加sigmoid激活，而2026年主流是Transformer架构加注意力机制，激活函数也早已普遍换成ReLU家族及后续变体（ReLU在2010年代就因缓解梯度消失问题成为默认）。把视频内容当作“神经网络的全部”，会严重低估现代系统的设计；正确姿势是把它当作地基而非大厦。第二，生物类比的边界。“神经元”的叫法容易让人高估它与大脑的相似度：真实生物神经元有脉冲时序、树突局部计算等远比“存一个数”复杂的机制，连Hinton本人都多次公开质疑反向传播在生物学上是否合理。第三，刻意省略的暗面。视频为了聚焦直觉，没有触及数据偏差、过拟合、可解释性、能耗等现实问题——这些在2026年的AI治理讨论中都是核心议题。初学者应当知道：这条视频教的是“引擎原理”，不是“交规与路况”。
一个流传甚广的误读需要澄清。网上不少人看完视频以为“隐藏层16个神经元”有某种玄学含义（有说法牵强附会到像素排列），视频原作者其实明确说过这只是为了画面美观的随意选择。真正的要点是“层数与宽度是可调的超参数”，而不是某个神奇数字。
第一，学会“784个数字”思维，任何领域都适用。视频最可迁移的不是神经网络，而是它的第一步：把模糊问题翻译成明确的数字表示。实操建议：下次你面对任何“想让AI/程序处理”的任务，先逼自己回答三个问题——输入是什么向量？输出是什么空间（几个类别？还是一段序列）？中间的“参数”在哪里？很多“AI项目失败”，根源不是模型不行，而是这三个问题从没被认真定义过。
第二，按“直觉→动手→理论”的顺序补课，别反着来。看完这条视频后，最高效的下一步是打开TensorFlow Playground（playground.tensorflow.org），在浏览器里亲手拧“权重与偏置”，观察决策边界如何变化——五分钟能建立的直觉胜过一小时公式推导。之后再进入3B1B系列的梯度下降与反向传播章节，最后才是代码与框架。这条顺序正是千万观众验证过的最平滑路径。
第三，用“费曼式输出”检验理解。Grant Sanderson的动画之所以封神，是因为他强迫自己把每个概念讲到“画面能替公式说话”。你也可以：合上视频，用“激活值在层间流动、学习就是调13002个旋钮”这两句话，给一个外行讲明白神经网络。讲不下去的地方，就是你其实没懂的地方——这比刷十遍视频更能暴露认知漏洞。
flowchart TD
A[手写数字图像 28x28] --> B[784个像素亮度值]
B --> C[输入层 784个神经元]
C -->|权重与偏置 加权和过激活函数| D[隐藏层1 16个神经元]
D -->|权重与偏置 加权和过激活函数| E[隐藏层2 16个神经元]
E -->|权重与偏置 加权和过激活函数| F[输出层 10个神经元 对应0到9]
F --> G[激活值最高的神经元 即识别结果]
H[MNIST数据集 7万张标注样本] --> I[学习 找到正确的参数组合]
I -->|梯度下降 调整全部13002个权重与偏置| C
I --> D
I --> E
整条视频的论证骨架：表示（784个数）→ 结构（层层加权）→ 参数（13002个旋钮）→ 学习（找到旋钮的位置）。四步之外的一切，都是这四步的展开与延伸。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。