人工智慧的崛起，不僅是科技進步的象徵，更是一場重塑人類文明的技術革命。
然而，在這場革命背後，隱藏著一段漫長且孤獨的探索歷程。從模仿生物神經元的運作原理，到構建出如今讓機器具備學習能力的人工神經網路，這一切始於 1957 年的感知機模型，並在 2006 年由深度學習之父傑佛瑞．辛頓（Geoffrey Hinton）提出的深度學習理論中迎來重大突破。
人類怎麼打造人工腦細胞？
1957 年，美國心理學者弗蘭克·羅森布拉特（Frank Rosenblatt）提出了感知機（Perceptron）模型，模仿生物神經網路結構和功能，打造一個數學函式，這是第一個讓機器思考（計算）的模型（如下圖解）。
神經元具有感受刺激、整合信息和傳導衝動的能力。生物的神經元的運作過程，是神經元細胞透過樹突接收外部輸入的多個生物電位訊號後，這些電位訊號在細胞體整合，在細胞體和軸突接壤處決定是否要啟動神經衝動，如果要啟動，那麼動作電位才會被軸突傳導出去，遞送給下一個神經元細胞。
感知機函式，就是模仿這個過程而打造。
從外部輸入的向量資料 X1, X2, X3 輸入進感知機（代表神經元細胞）之後，感知機會分別給予一個對應的權重，分別為 W1, W2, W3。若特徵向量和權重的函數結果，大於某個閾值 (Threshold) 時，就像神經元決定要啟動神經衝動，會輸出結果為 1 (代表電流會傳遞)；若小於閾值則輸出 0 (代表電流不傳遞)。
利用感知機模型，機器就可以學習基本二分法問題：將類別僅分為 0 和 1。例如在圖一中，如果閥值被啟動，那就會傳輸；沒有被啟動，就會不會傳輸。
因此，一個感知機，或者現在更常以類神經元節點來稱呼，就是構成類人經網路的數位化基本單位，是人工智慧大腦中，最基本的計算處理單元。
怎麼把人工腦細胞組合起來變成一個人工大腦？
生物的大腦由多個神經元組成，例如，人類的大腦就由約 850-1,200 億個神經元組成。神經元感知環境的變化後，再將信息傳遞給其他的神經元，透過一連串的神經元傳遞後，指令集體做出反應。因此，要打造一個能運作的人工智慧，就要能讓上億個類神經元節點組合在一起。但要組織起一個真的具有智力的人工大腦，還有許多問題必須克服。
深度學習之父傑佛瑞．辛頓（Geoffrey Hinton）最重要的貢獻，就是他在 1980 年代到 2000 年代之間，在當時非常冷門的類神經網路領域持續深耕，最終找到方法，組合出能快速自主學習的人工大腦。
- 機器是怎麼「學習」的？
如上面說明，在網路中，每一個神經元都是一個啟動函數；科學家把多個人工神經元連接在一起、形成一個類似生物神經網絡的網狀結構，這些神經元會以分層式結構排列。透過這樣的結構，這個類神經網路因此有了「學習」的能力。學習的過程，用下面圖解來看，可以簡單分為三個步驟來進行。
