神经网络（neural network）是一类把输入反复“加权求和、再过一个简单非线性函数”的计算结构；名字借自生物学，内部却没有一点生物成分。
一个“神经元”到底在算什么
取一个输入向量 x，乘上一组权重（weights）w，加上偏置（bias）b，再送进一个激活函数（activation function，比如 ReLU：负数归零、正数原样保留），输出一个数。打个食堂打菜的比方：每勺的分量由权重决定，师傅手抖造成的固定偏差是偏置，“不满一勺直接倒掉”是 ReLU。一层（layer）就是成百上千个这样的窗口并排作业，同一时刻按同一张菜单动作；下一层把这些输出当成原料接着配。前向传播（forward propagation）就是这份菜从第一个窗口一路流到最后一个窗口。训练则是：先随便配一份，尝一口算出损失（loss），用反向传播（backpropagation）算出每个窗口该收多少、该放多少，各微调一点点，重复几百万次。数学本质就两条：链式法则加梯度下降（gradient descent）。
离生物神经元有多远
生物神经元有树突接收信号、胞体积累、轴突上按频率发放的动作电位、突触间隙里扩散的神经递质，还有毫秒级的时间动态和“一起放电就连得更牢”的可塑性。人工神经元里这些一个都没有：没有时间维度（除非专门设计），没有化学，没有物理意义上的放电阈值。
| 人工神经元 | 生物神经元 | |
|---|---|---|
| 输入 | 一组浮点数 | 成千上万个突触，化学与电信号 |
| 运算 | 点积 + 偏置 + 激活函数 | 膜电位累积，越过阈值放电 |
| 时间 | 一次同步计算，通常无时序 | 毫秒级动态，有节律与延迟 |
| 学习 | 反向传播改权重 | 突触可塑性，机制仍在研究中 |
顺带分清邻居：深度学习（deep learning）就是层数多的神经网络；大语言模型（LLM）的骨干 Transformer，本质仍是大规模矩阵乘法加非线性，只是多了注意力（attention）这种信息路由机制。“像大脑”是启发式比喻，不是技术描述——反向传播要求误差沿着与前向通路对称的权重回传，这在生物组织里很难成立。
这对你意味着什么
对从业者：别把大脑隐喻带进技术判断。模型不会因为“像大脑”就自动长出记忆、常识或因果理解；该盯的是数据质量、损失函数设计、优化器与正则化（regularization）。也别把单个神经元当成“一个概念”，特征在网络上通常是多对多、分布式分布的，说“这个神经元负责猫”多半是过度简化。
对普通人：看到“模拟人脑”的宣传可以打个折；反过来，也不必因为“只是矩阵乘法”就轻视它——简单运算堆到足够规模、配上足够数据，确实能做出没有被逐条编写的功能，这两件事并不矛盾。