“现在我们把神经元的树突变成输入值，把轴突变成一个输出值，于是这个神经元就变成了这样的一张图。把它转化为一个数学公式就更简单了，[x1+x2+x3=y]，就是这个公式。”
“没错，就这么简单。最复杂的事物往往是有最简单的事物创造的，简单的0和1就塑造了庞大的计算机世界，四种核苷酸就空置了纷繁复杂的生命现象，一个简单的神经元反射就塑造了我们的大脑。”
陈宇停顿了一会儿，再度环视众人：“问题的关键不是基本结构有多简单，而是我们如何使用这个基本结构来构建庞大的世界，神经元之所以神奇是因为它有一个激活机制，即所谓的阈值。”
“神经元的每一个树突不断的接受输入信号，但并不是每一个输入信号都能让轴突输出信号，每一个树突在输入时所占的权重也不一样。”
“比如你追求一个妹子，你孜孜不倦地采取各种行动，今天送了她一束花，明天请她吃大餐，但你发现这些行动都打动不了她。直到有一天伱陪她逛了一天街，她忽然间就被打动了，答应做你女朋友，这说明什么？”
“说明并不是所有的输入权重都是一样的，在妹子那里可能逛街的权重最大，其次是效果的积累并非是一个线性渐进的过程，而是量变引起质变。”
“所有的输入在某一个点之前完全没效果，可一旦达到某个值就突然被激发了，所以，模仿神经元的这种激活特性，那么对刚才的公式做一下改造。”
“每个输入需要一定的权重，在前面加一个调节权重的系数[w]，后面加一个常数方便更好地调整阈值，于是这个函数就变成了这个样子。”
方鸿也看向了会议大屏幕，是一个新的数学公式。
【w1x1+w2x2+w3x3+b=y】
陈宇看着屏幕里的公式说：“为了实现激活的过程，对输出值再作进一步的处理，增加一个激活函数，比如当x＞1时，输出1；当x＜1时，输出0，于是就成了这个样子。”
“不过这个函数看起来不够圆润，不是处处可导，因此不好处理，换成sigmoid函数，这样一个简单的函数就可以处理分类问题了。”
“单个的感知机，其实就是画了一条线，把两种不同的东西分开，单个感知机可以解决线性问题，但是对于线性不可分的问题却无能为力了，那意味着连最简单的异或问题都无法处理。”
异或问题对于在场的所有人包括方鸿都明白，这是计算机的基本运算之一。
这时，陈宇自我反问道：“异或问题处理不了，那岂不是判死刑的节奏？”
陈宇旋即自答：“很简单，直接用核函数升维。感知机之所以能变成现在的深度学习，就是因为它从一层变成了多层，深度学习的深度就是指感知机的层数很多，我们通常把隐藏层超过三层的神经网络就叫深度神经网络，感知机是如何通过加层搞定异或问题的？”
陈宇回头看向屏幕调取下一张幻灯图并说：“计算机有四大基本运算逻辑，与、或、非、异或，这个不用多讲了。如果我们把异或放在一个坐标系来表示就是这样的。”
“原点位置x是0，y是0，于是取0；x=1时，y=0，两者不同取1，通力，这儿也是1，而这个位置x、y都等于1，所以取0，在这张图上如果我们需要吧0和1分开，一条直线是做不到的。”
“怎么办？这就要看异或运算的本质了，数学上来说，异或运算其实一种复合运算，它其实可以通过其它的运算来得到，证明过程太复杂这里就不展开了。”
“如果我们能用感知机先完成括号里的运算，然后再把得出的结果输入到另一个感知机里边进行外面的这层运算，就可以完成疑惑运算了，然后异或问题就这么神奇的解决了，解决问题的同时顺带还解决了线性不可分的问题。”
“这说明什么？说明不管多么复杂的数据，通过加层的方式都可以拟合出合适的曲线将他们分开，而加层就是函数的嵌套，理论上来讲不管多么复杂的问题，我们都可以通过简单的线性函数组合出来，因此，理论上讲，多层的感知机能够成为通用的方法，可以跨领域地解决各类机器学习问题。”
……