神經網路只是一種模仿人類大腦神經運作方式製作的複雜的人工智慧演算法，只是現階段可能實現人工智慧演算法的一種實現形式而已。因為具備不同的層，每一層又擁有不透過數量的神經元，因此可以表達出複雜的非線性關係，從而在輸入與輸出之間構建數學關係。

不過目前來看，取代人類大腦還無法實現，畢竟AI的智力水平跟人類大腦還存在差別，神經網路的實際執行方式和人類大腦也不盡相同。如果神經網路無法實現實質性的突破的話，應該短時間之內還無法追上人腦。

剛好手頭有一本《神經網路與深度學習》，在對神經網路的定義上作者是這麼說的“神經網路，是機器學習的一個分支，學名應該叫人工神經網路，與之相對應的是生物神經網路(Biological Neural Networks，BNN)，我們將模擬生物神經網路的數學模型統稱為人工神經網路模型，簡稱人工神經網路或神經網路”。

從這個定義看，神經網路就是模擬生物神經網路的數學模型。作者說“生物神經網路一般指生物的大腦神經元、細胞、觸點等組成的網路，用於產生生物的意識，幫助生物進行思考和行動”。

這本書的第二章《構造神經網路》，作者介紹了怎樣構造神經網路。作者從怎樣先構造神經網路的基本單位——神經元說起，再到怎樣構造一個神經網路。從對設計神經元的介紹看，就是對生物神經元的模擬，有“神經元的輸入部分(樹突)、處理部分(細胞體)和輸出部分(軸突)”。

作者在回顧神經網路歷史的章節中還說到了對控制論影響深遠的一篇文章，按他講話就是“控制論的思想源泉之一”——《神經活動中思想內在性的邏輯演算》。

從這些都可以看到人工神經網路就是人類對生物神經網路的學習和模擬。在書中作者提到了“人工智慧的終極目標”——類腦。作者說“如果我們知道了如何模擬一個大腦，那麼我們能否模擬一個更強的腦，這個大腦是不是可以連結到人類世界所有的知識庫去學習，並誕生幾乎無的創造力？這就是類腦的作用”。他還引用了類腦計算研究中心學術委員會主任張鈸院士說的“類腦計算比曼哈頓計劃更有挑戰性”。

從作者對類腦的介紹看，還有他說的對“第三類智慧”的研究看，類腦人工智慧會有一定的發展。

可是否能取代人類大腦，我覺得不可能。從現在來說，人類對大腦的探索也還只是前期階段，不管現在說什麼大腦裡也存在量子糾纏，還是對大腦神經元的數量到底是八百億還是一千億，腦科學對大腦的研究還有特別大量的工作要做。可到底能對大腦有多少了解，能製造和人腦一樣的大腦，都是未知數。

不能因為人工智慧有了什麼突破性的進展就說人工智慧可以取代大腦，從目前看，還差得遠呢。就算是波士頓動力的最新傑作也只是有所突破而已，雖然這個突破很大。

還有我一直以為人類社會所有的一切都是大腦指揮雙手創造的，連人工智慧都是，那說讓人工智慧取代大腦，這裡是不是有什麼邏輯上的問題？

而對現在來說，還是多從基礎學科入手，向大腦好好學習。

大腦太奇妙了。

神經網路是一種類人腦神經機制的模型，對它不是很瞭解的話，就不要管它和人的大腦神經有什麼關係了。

你可以把它當作一種黑盒子，裡面儲存著很多很多的引數，你給網路喂資料，他根據引數計算給你輸出結果，你可以把它當做一種函式擬合工具來用，只不過是這個函式相對一般函式而言是可以複雜一點的。

以最簡單的三層神經網路解決二分類問題為例：包括輸入層、隱藏層和輸出層，如下圖。

就是輸入神經網路的資料，一個數據被稱為輸入層的一個神經元。

可以看做由輸入資料提取的特徵，特徵是什麼？就當做一種可以對應表示資料的一堆引數吧。

二分類問題的輸出層定義為兩個神經元，儲存著資料被預測到該分類的機率，哪個大就被分在那一類。

這些箭頭上都有一定的權值w,箭頭出發的神經元會乘上這個對應的權重，箭頭指向的神經元的值便由所有指向它的箭頭的輸入層神經元乘上相應權重的值的和決定。

這樣神經網路其實就是一種特殊的計算規則，只要初始化了引數，對於每一個箭頭都有了對應的權重，根據初始值，是不是就能計算出，最後輸出層兩個神經元的值了，比較大小是不是就能得到分類。

像上面提到的權值w，神經網路如何最佳化這些引數，使其達到我們想實現的功能，是神經網路最複雜的地方，有興趣可以繼續瞭解。

儘管現在人工智慧在許多方面都取得了迅速的進步，人工智慧的發展離不開神經網路原理的誕生，但它仍然是少數人能理解的東西，掌握它的人也更少。在人們生活中經常使用的語音助手，人臉識別，圖片提取文字等都離不開神經網路的應用。但網路上的資料都是一堆枯燥無味的數學公式，本文在不使用複雜的數學公式的前提下對神經網路進行通俗的講解。

計算機裡影象只是一堆數字

首先在計算機裡影象只是一堆數字而已，每一個畫素點有一個特定的數字。如選一個28*28的圖片怎麼讓計算機對手寫影象進行識別呢？我們使用多層神經網路對影象進行特徵提取來進行對數字的識別。

多層神經網路

本圖神經網路有4層，其中有784個輸入層，2個隱含層，一個輸出層。

輸入層有784個，這784個輸入值就是28*28個畫素點所代表的數值排成一列而成。

28X28=784排成一列進行輸入

輸出層就是代表計算機最終計算預測結果，判斷影象代表的是什麼數值。

判斷出圖片為數字9

隱含層是神經網路的關鍵，對影象識別的正確性至關重要。其中隱含層的層數和個數由自己進行分配選取，從而來達到最好的識別效果。其中隱含層主要是對圖片的特徵進行提取。

隱含層

隱含層到底時怎麼進行工作的呢？下面進行詳細的介紹。我沒知道，數字9可以由一個0和一個1組合而成，數字8可以由兩個0組合而成。隱含層的第二層就是想這樣對影象進行特徵提取並來對數字進行區分的。

數字可以細分不同的影象進行組合而成

隱含層第二層對影象的處理

但是一層隱含層識別率還是有點低，為了提高識別的準確性，我們可以對第二層的影象進行細分，所以添加了第一層的隱含層。如下圖，數字0還可以進行進一步的細分。

進一步細分

所以隱含層是對影象進行精準的提取，組合，判斷，以達到對數字正確的識別。

但是每個層之間的連線是幹什麼的呢？

What？

從上面我們知道第一層的輸入層代表著影象每個畫素的數值p，這些影象可能很雜亂，如下圖。

有點誇張 (*^__^*)

但從這些引數怎麼提取我們想要的特徵呢？我們就需要一個權重(weights)w對影象進行處理來得到我們想要的特徵。

其中一個想要得到的特徵

然後與我們的影象進行疊加就得到我們其中一個特徵。

疊加

有些影象會有噪點，或者我們想提高識別的門檻（閾值）。我就需要一個偏置（biases），來減少干擾。由於每一層都會有一個偏置和一組權重(weights),我們會要計算很多的數值，所以這一過程的計算量是很大的。(/ □ )

13002個值(/ □ )

到這裡一個基本的神經網路就以及介紹完畢了，就是這麼簡單(*^__^*) 。

什麼是神經網路

說到神經網路必須要說到人類，這個技術就是模仿人類大腦而來。

大腦中有近1千億個神經元，每個神經元有數千個突觸和其它神經元連線，如果每個突觸都有1個有效連線，那是數千個連線。算算整體，這個複雜度，是天文級別的。

神經網路的內部結構：把從輸入到結果的計算過程分成很多層，每層有很多節點，這些節點模擬的就是大腦的神經元，和前後層的所有節點連線。

如何除錯神經網路：準備好樣本，樣本就是輸入和結果的一對正確資料，比如一個貓的圖片為輸入，輸出的結果就是貓。在神經網路的輸入端喂樣本資料，按照神經網路中更細分的演算法，比如遞迴，卷積等等，除錯獲得每個神經元的權重數值。

除錯好一個神經網路後，輸入非樣本的資料，就會夠獲得正確結果。比如訓練好了一個認識貓的神經網路，讓該神經網路看一隻陌生的貓，也應該能夠識別得到結果為“貓”。

以2019年的座標來看，已經部分取代了人類大腦。

比如阿里的人臉識別能力，98.31%的人臉識別率，誤檢率低於十萬分之一，成績遠高於人類自己；還有百度的無人駕駛，小米的小愛同學等等產品，這些人工智慧技術，後臺的主力都是神經網路。

現在的人工智慧能取得今天的成績，歸功於硬體速度上升和價格下降，網際網路時代積累的海量資料，還有各大公司的在神經網路演算法上的突破。

那麼，有一天能全部取代人類大腦，或者遠遠將人類甩在身後呢？

從短期看，是不可能的。比如以人類大腦的這種天文級別的複雜度，即使是大名鼎鼎，戰勝圍棋冠軍的阿爾法狗，其複雜度也遠遠，遠遠達不到人類大腦複雜度的一小部分。

從長期看，因為硬體速度在快速增長，計算能力也可以很大規模擴充套件，而人類大腦的進化非常緩慢。那麼，終有一天，從計算的速度和複雜度上來說，人工智慧取代大腦，存在一定的可能性。

首先，要回答神經網路是否能取代人類大腦，需要回答什麼是人類大腦或者說人類大腦的作用是什麼？

雖然醫學、神經科學等發展已經很長時間，但是對於大腦的認知也非常有限。這也使得對於很多精神方面的疾病並沒有更直接的辦法。所以什麼是大腦，對人類大腦的完整認知都沒有建立。 所以也就談不上替代人類大腦。

但是，我覺得題主的問題應該是，神經網路是否能有自己的思維，或者更現實一點，是否能替代人的工作？

那麼這個問題其實有兩個方面需要解答的：一方面，神經網路是什麼？or神經網路的工作基礎是什麼？ ；另一方面，人類在工作中的核心能力是什麼？或者核心貢獻是什麼？

1. 人類在工作中的核心能力是 過去的經驗 + 處理新問題的能力

過去的行業經驗代表著知識的積累。其中當然包括但不限於 行業規則、行業特徵、專業系統及術語等等；

處理新問題的能力在於，結合以前的經驗和合理的邏輯判斷 對新的問題進行處理；

當然人在工作中還有交際、情感 等等方面，但是僅僅就完成工作主要是以上兩個部分。

2. 神經網路

首先，就拿CNN的圖片識別來說，可能其識別率已經超過人類。但是其相當於是給人類一個更好的眼睛 or 工具；

其次，神經網路的最核心部分 是差錯的反向傳遞。 其本質是統計學概念，並非基於邏輯判斷。 也是因為其本質，其無法就舊的經驗 衍生到新問題的解決辦法；

然後，當然不可否認很多工作將會被代替。 但是，這取決於這些工作的創新和複雜程度。

這兩年一直在關注機器學習和人工智慧相關內容，依託於自己積累的思考來回答下這個問題。

首先，什麼是神經網路，題主的意思應該是指機器學習中的人工神經網路。

什麼是神經網路？歷史發展演進上看

人工神經網路是計算機誕生以來，計算機程式設計架構，演算法進化的一個新的階段。很多人說，人工神經網路所屬的“人工智慧”技術會引發第四次工業革命。計算機為西方人發明，人工神經網路根源還在於西方文明。我們知道西方文明是“向外”的，分析自然，量化自然。但，我們知道早些年構建經典物理學大廈的牛頓，晚年反而信仰了宗教；以相對論而著稱的愛因斯坦後期，也對量子力學背後的疑惑“上帝會擲篩子嗎？“差異萬分，量子力學需要把人觀察者這一因素引入，才可順利成章。可見，西方文明在＂向外＂求索過程中，必然會“向內”探尋，反求諸己，來獲取新的思路。而，人工神經網路就是西方文明向內探尋的一個成果。（中華文明根本是“向內”的，修身養性，尋佛問道；但，向內也必然需要外界的加持，因此，王陽明心學的知行合一，致知須得格物中可有所體現）

什麼是神經網路？從和生物神經行為的對比看

比如：我識別　在我面前的是一個電腦。我如何識別的呢？首先，我眼前這個物體，形狀，螢幕，鍵盤，顏色，位置，等等一起輸入給我後，我判斷是一個電腦。形狀如何識別呢？眼前的這個物體的邊界隨著空間的位移，方向發生變化，構成形狀；顏色的明暗形成對立體空間的感知。總之，是一層一層資訊特徵判斷後，最總我識別成為一臺電腦。因此，人感知和判斷外界的的一個基本的流程是輸入各種特徵，判斷，然後輸入成標識或動作。

但我們再思考一個事情，一個從未見過電腦，也不知道電腦的人；也可以感受到擺放在我眼前的物體，但他判斷不出這是電腦。但，我這次會告訴他；因此，下次，他見到類似特徵的一個物體的時候，他就知道這是一個電腦。我們知道這就是學習。

因此，我們知道人就是透過學習而生存的。學習就是先給出一系列的特徵（電腦的特徵），並給出這些特徵的標識（告訴它這是電腦）。然後，下一次，他自己就可以判斷是電腦了，這就是智慧。但，實際情況可能複雜太多，但抽象後基本的模型是這樣的。

什麼是神經網路？從感知機到人工神經網路

人工神經網路是由感知機進化而來。我們看如上給定如上“圈”和“叉”表示標識（即電腦），圈和叉的座標就是電腦的形狀，顏色，螢幕等資訊。因此，如果再給過一個座標點，如果能夠判斷出其是“圈”還是“叉”那麼，就相當於，在看到類似的具有電腦特徵的物體的時，就能判斷出是電腦了。

如何判斷呢？就是找到位於中間的一條線，座標位於線上面就是圈，座標位於線下面就叉。因此，神經網路本質上是找到中間那條線的過程，也就是學習的過程。而，我們知道，人在生活中，識別一個物體時，資訊是很多的，因此，我們試想，透過上百萬個上面的這個找到一條“線”的過程有機的堆積在一起，這也就是神經網路，是對人腦的一個模擬。

有可能取代人工大腦嗎？我想，在不可預知的未來，可能超越大腦

現在的電子工藝水平，距離神經網路能夠接近人腦的水平還很遙遠。功耗，規模，演算法都還有十分遙遠的距離。但將來隨著量子計算機，量子霍爾效應的研究，材料學的發展，人工智慧應該會超越人腦。