一句话定义
赫布学习（Hebbian Learning）是一条描述突触（synapse）强度如何随经验变化的规则：如果两个神经元经常同时活跃，它们之间的连接就变强；很少同时活跃，连接就变弱。它不需要标签，也不需要谁给一个全局评分，只看突触两端自己的活动。
打个比方：总在一起出现的同事
想象你和一位同事总被分到同一个项目。第一次配合要来回发邮件解释，第十次一个眼神就够了——你们的"沟通通道"被反复使用，越来越顺畅。反过来，多年不联系的老同学，再开口得重新找话题，通道荒废了。
赫布的原话常被概括成 "Cells that fire together, wire together"，中文译为"一起激发的细胞连在一起"。机制上就是：神经元 A 放电后不久 B 也放电，A 到 B 的突触效率就上调；长期不同步则下调。这两件事在生物实验里对应长时程增强（long-term potentiation, LTP）与长时程抑制（long-term depression, LTD）。
最简数学形式是 Δw = η · x · y：学习率乘上突触两端各自的活跃程度。因为它只用局部信息，所以天然是无监督、在线、可并行的。
和相邻概念的区别
| 维度 | 赫布学习 | 反向传播 | 强化学习 |
|---|---|---|---|
| 学习信号 | 突触两端的局部活动 | 全局损失（loss）的梯度 | 全局奖励（reward） |
| 需要标签 | 否 | 需要，或自监督目标 | 否，但需要奖励 |
| 目标函数 | 没有，属自组织 | 最小化损失 | 最大化回报 |
| 典型产物 | 特征检测器、联想记忆 | 深层网络权重 | 策略 |
强化学习是"有人给你打分"，反向传播是"有人告诉你错在哪"，赫布则是"没人说话，只是统计上总一起出现"。它的一个变体是脉冲时序依赖可塑性（spike-timing-dependent plasticity, STDP），把"同时"细化为"谁先谁后"：先后顺序决定增强还是削弱。
对从业者和普通人的意义
赫布规则是联想记忆（如 Hopfield 网络）、自组织映射（self-organizing map）等模型的直觉来源，也是神经形态芯片偏爱它的原因：不必回传梯度，省能耗，可在线学。但它有明显缺陷——权重会无限增长，不同模式容易塌缩到一起，所以实践中要用归一化（如 Oja 规则）、权重衰减、竞争机制来约束。纯赫布式网络很少单独撑起深层模型，原因就在这里。
对普通人，"一起激发就连在一起"是记忆与技能的一条朴素规律：把相关知识放在同一场景里反复出现，比孤立背诵更容易留下痕迹；长期不激活的连接会衰减，所以复习的价值就是"定期点亮"。具体实现细节以官方文档或教材为准。