一句话定义：只要一个神经网络有一层隐藏层、神经元足够多，它就能以任意精度逼近任意连续函数。
定理到底说了什么
正式一点讲：给定一个定义在有限闭区间上的连续函数 f，和任意小的误差 ε，都存在一个「输入层 → 一层隐藏层 → 输出层」的前馈网络，使得它对 f 的逼近误差小于 ε。
打个比方：这就像说"给我足够多的乐高积木，我能拼出任何东西"。这句话没错，积木确实够用。但没人真的用乐高盖摩天大楼——因为你会需要天文数字的积木，而且图纸得自己画。
定理的问题恰恰在最后这四个字：它是非构造性的（non-constructive）。它只保证"存在这样一组权重"，但不告诉你权重是多少，也不保证你用梯度下降（gradient descent）能找到。
为什么实践中根本做不到
第一，宽度可能爆炸。 定理的证明通常只要求"神经元足够多"，而这个"足够"对某些函数是指数级的。有些函数用深层网络只需多项式规模的参数就能逼近，换成单隐层则要指数级宽度。这就是"深度"在数学上的价值——也解释了为什么现实中的模型都在往深里堆，而不是往宽里堆。
第二，存在解 ≠ 能找到解。 定理说的是"存在一组权重"，不是说"随机初始化 + 梯度下降能收敛到它"。损失曲面是非凸的，还有梯度消失、病态条件数等问题。一个解存在但不可达，对工程毫无意义。
第三，逼近 ≠ 泛化。 网络能把训练数据拟合到零误差，不代表它在没见过的新数据上表现好。过参数化的网络完全可以记住随机标签——这在训练集上完美，在现实中一塌糊涂。
第四，精度和数值现实。 经典证明常依赖 sigmoid 这类饱和激活函数，而它们在极宽网络上会带来严重的梯度消失。理论上的"任意精度"和浮点数能表示的精度，是两回事。
和相邻概念的区别
| 概念 | 关心的问题 | 结论 |
|---|---|---|
| 通用逼近定理 | 能否逼近（表达/表示能力） | 单隐层、够宽就行 |
| 深度效率结果 | 要多大才够 | 深网多项式宽度，浅网可能需指数宽度 |
| 学习理论/泛化 | 能否从数据中学到 | 与容量、样本量、正则化相关 |
还要注意两个常见误读：一是它只对连续函数、有限定义域成立；二是激活函数必须非线性——全线性网络只能逼近线性函数。"万能逼近"说的是表达能力，不是学习能力，更不是泛化能力。
对从业者的实际意义
看到"理论上神经网络可以做到 X"，请追问三件事：代价多大？怎么找到解？换一批数据还行不行？ 这三问基本能过滤掉大部分 AI 宣传话术。
落到工程上：架构深度、归一化、初始化、优化器和数据量，才是决定模型能不能用的东西。定理只是告诉你"这个方向不是天生不可能"，至于路怎么走，它一个字都没说。具体定理的成立条件（激活函数类型、定义域、逼近所用的范数）以教材和原始论文为准。