2026年了，AI新闻早就成了每日背景音：大模型、Agent、万亿参数……人人都在说 neural network（神经网络），但你要是追问一句“它到底是个什么东西”，十个人里九个会开始背宣传语。这条视频就是给这个认知断层打的补丁。
它是3Blue1Brown《深度学习》四章系列的第一章《But what is a neural network?》，2017年10月上线，播放量超1800万（以YouTube页面实时数据为准），至今仍被大量大学老师当作人工智能第一堂课的指定教材。全片没有一行代码，没有一个吓人的公式，只用铅笔、方格纸和一个歪歪扭扭的手写数字，把“神经网络”从一句魔法还原成一堂看得见摸得着的算术课。
它解决的不是一个知识点，而是一个更根本的问题：当所有人都说AI在学习的时候，“学习”这两个字到底发生在哪里？ 看完你会得到一个异常具体的答案——所谓训练，本质上就是拧13002个旋钮。这个数字从哪来的，看到第三部分你就明白了。
| 项目 | 内容 |
|---|---|
| 视频标题 | But what is a neural network? (Chapter 1, Deep learning) |
| 频道 | 3Blue1Brown（主创 Grant Sanderson，订阅数百万级） |
| 发布时间 | 2017年10月 |
| 时长 | 约19分钟 |
| 播放量 | 超1800万（公开数据口径，实时以页面为准） |
| 核心主题 | 神经网络的结构直觉：从784个像素到10个数字的四层算术 |
开场是个反直觉的提问：给你一个手写的3，笔画歪斜、粗细不一，甚至缺个角，你照样一眼认出来。可如果让你把“怎么认出来的”写成程序规则——“3上面有个开口弧，下面也有个开口弧”——你会发现怎么写都漏，规则写得越细，被下一张图打脸打得越疼。大脑几毫秒干完的事，我们自己竟然说不清楚。视频的高明之处在于不绕开这个尴尬，而是把它当起点：既然人给不出规则，那就让机器从大量例子里自己长出规则。 这就是机器学习与传统编程的分水岭——传统编程是人写规则喂给机器，机器学习是人喂例子，规则自己长。（延伸分析：这个分水岭在今天已经是所有AI产品的地基，但回头看，2017年能把这件事用两分钟讲明白的视频，几乎一只手数得过来。）
视频给神经元的定义朴素到近乎寒酸：一个装着数字的盒子，数字叫激活值（activation），取值0到1——可以粗略理解成这个神经元有多“兴奋”。于是网络的最左边摆784个神经元，对应一张28×28像素手写图的每个像素，亮度就是激活值；最右边摆10个，对应数字0到9，谁的激活值高，就代表系统觉得“图上是这个数”的程度越深。中间夹着两层“隐藏层”，每层16个。这里出现了全片最值得玩味的一幕：Grant大方承认，16这个数纯属随手选的，两层隐藏层为什么有效，说实话在直觉层面没人真正讲得清。（延伸分析：你今天看"784-16-16-10"这个配置可能觉得寒酸得可笑——大模型参数动辄上万亿。但结构直觉完全同构：输入、隐藏、输出，一层数字流向下一层数字。学结构不必先学规模，就像学开车不需要先懂发动机装配线。）
神经元之间怎么算？每个连接带一个权重（weight），代表这条连接有多“强势”。一个神经元干三件事：把上一层的激活值做加权和，加上一个偏置（bias）——偏置好比兴奋门槛，门槛调负一点，神经元就容易激动；最后把结果过一条S形曲线（sigmoid函数），压回0到1之间，免得数字越滚越大。写作一行就是 σ(w·a+b)。视频的漂亮一招在后头：把一整层所有权重排成一个矩阵、偏置排成一个向量，整层计算就压缩成一次矩阵乘法加一次非线性压缩。片中给出具体数字——这个小网络合计13002个权重和偏置。（延伸分析：“训练AI就是调参数”这句话，在此刻才真正有了画面：13002个旋钮，每个都在小数区间里微调。所谓“大模型很大”，就是旋钮多了万亿倍——拧法一模一样，只是全部由机器照着下山路线自己拧。）
这是全片最出圈的演示：视频用手绘的绿红方格展示，如果某个神经元的权重排布是中间一圈正、四周一圈负，那它恰好只对画面里的一小段笔画敏感——笔画压住正格子、周围压住负格子时，加权和最大。换句话说，单个神经元能学会“盯边”。顺着这个直觉，隐藏层第一层学认短边短角，第二层把边拼成圆环、折线，输出层再把部件拼成0到9——层级就是抽象的升级：像素→局部特征→部件→整体。（延伸分析：这正是卷积神经网络CNN在2012年ImageNet一战成名的核心思想。视频中“可能学出什么”的谨慎措辞也留了余地——实际训练出的网络学到的特征未必这么整齐；后续的可视化研究证实第一层确实强烈偏向边缘响应，和灵长类视觉皮层早期的处理方向惊人相似，这是后话。）
网络结构搭好了，可13002个旋钮的初始值是随机的，此时网络输出的就是一串噪声。视频给出的学习闭环极为清晰：拿MNIST数据集——一个收录了数万张人工标注手写数字的经典库——把图片喂进去，比对新网络的答案和人类标注的正确答案，把差值的平方求和，得到一个叫代价函数（cost function）的总误差。所谓训练，就是找到让这个总误差尽可能小的那一组参数。 视频在这里埋下第二章的钩子：把代价函数想成一片山地地形，参数是坐标，海拔是误差，训练就是顺着坡往低谷走——这就是 gradient descent（梯度下降）。（延伸分析：“学习=最小化一个函数”是整门深度学习的元视角。后面所有花活——优化器、学习率调度、正则化——本质上都是“下山”这件事的工程改良版。）
这条视频最打动我的，反而是它反复“认怂”：为什么两层隐藏层？为什么每层16个？——视频原话大意是，这些选择并没有什么深刻的依据，只是为了让例子够简单；至于深层结构为什么有效，我们目前只有粗粒度的直觉，细节请看后续章节。在一个万物皆可包装成“颠覆性突破”的行业里，一条千万级播放的顶流科普视频，把“我不知道为什么”说得如此坦荡，本身就是最好的科学示范。（延伸分析：这种“先给结构、再补细节、主动暴露边界”的三段式，是Grant Sanderson的招牌打法。对做技术分享、写文档、讲课的读者来说，这个叙事工程学比神经网络本身更值得抄。它还顺手埋了一桩公案的钩子：网络到底是学会了规律，还是在死记硬背？这个争论在系列后面几章才正式展开。）
把2017年放到2026年看，这条视频的结尾预言了整个行业。今天的大模型做的一切——写代码、翻译、预测下一个词——最底层仍然是“加权和加偏置再过非线性”的层层堆叠，只是sigmoid多被ReLU等更年轻的函数替代，16个神经元膨胀成了几十亿上百亿。硬件层面，一层计算恰好就是一次矩阵乘法，而矩阵乘法正是GPU的主场——这也是为什么AI热潮和显卡荒总是同时出现。看完这条视频再刷任何AI新闻，你会多出一层透视眼：所有魔法拆开，都是那13002个旋钮的放大版。懂了原子，分子只是更大号的原子。
flowchart TD
A["一张手写数字图片"] --> B["切成28乘28个像素"]
B --> C["784个输入神经元"]
C --> D["隐藏层一:16个神经元"]
D --> E["隐藏层二:16个神经元"]
E --> F["输出层:十个数字各得一分"]
F --> G["得分最高的就是答案"]
D --> H["权重:连接的强弱"]
D --> I["偏置:兴奋的门槛"]
D --> J["激活值:0到1的亮度"]
H --> K["加权和加偏置"]
I --> K
J --> K
K --> L["S曲线压回0到1"]
L --> M["一层计算就是一次矩阵乘法"]
G --> N["和正确答案比对算误差"]
N --> O["代价函数:误差总量"]
O --> P["梯度下降:顺坡走向低谷"]
P --> H
给想入门AI的工程师： 把这条19分钟的视频当地图，别当终点。推荐的消化路径是——第一步看完第一章建立结构直觉；第二步看同系列第二章《Gradient descent, how neural networks learn》，补上“怎么拧旋钮”；第三步动手：Michael Nielsen的免费教材《Neural Networks and Deep Learning》第一章就是视频里这个网络的完整实现，用NumPy手写只要几十行代码，跑完MNIST准确率就能到97%上下；第四步再用PyTorch重写一遍，体会框架帮你省掉了什么。走完这四步，你对神经网络的了解已经超过大多数天天转发AI新闻的人。
给普通读者： 这条视频给的是一种“AI翻译能力”。以后再听人推销神经网络、大模型，追问三个问题就够了——参数有多少？拿什么数据训练？在最小化什么代价？三个问题一出，大部分话术会当场现出原形：要么答不上来，要么承认“就是堆数据调参数”。这不是抬杠，这是这个行业的物理底座。
给做教学和内容的人： Grant的叙事工程学值得逐帧抄：先用一个具体的"3"代替抽象定义；宁可画方格图也不上公式；在关键处主动说“这里我也不知道为什么”。观众对诚实的信任，远大于对权威的信任——这是千万播放和三位数播放之间真正的差距。
它把“神经网络”这个被说烂的词，拆成一套19分钟能装进脑子的算术——从此你看任何AI新闻，看到的都是那13002个旋钮的放大版。
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。