04 · 神经网络 · 爻动变卦之道
日期：2026年3月2日 学习者：昇哥 陪学：衍（水风井）
一句话定义
神经网络是 AI 完成深度学习的支撑骨架，使用信号矩阵加权求和，经激活函数判断传递强度，通过类似高阶函数中间件 pipe 的形式，将阶段输出层层传递 ，层层推衍，最终实现深度学习。 —— 0302 昇哥理解版 神经网络，是深度学习的骨架结构，由输入层、隐藏层、输出层组成，通过数字信号在层间传递，每个连接附有权重（Weight），经激活函数过滤后层层推衍，最终输出结果。 —— 0303 温习理解版
学习路径
第一步：从动爻开始
昇哥最先触碰到的，是激活函数。 "动爻就是变化的那一刻，就像开关被激活，被打开。"
激活函数做的事：
- ● 判断信号是否够强
- ● 够强 → 激活（阳爻），传递下去
- ● 不够强 → 不激活（阴爻），沉默
动爻，就是从阴变阳的那一瞬间。
第二步：层层变卦 = 层层传递
"易经里，我们关注动爻变化后卦象的样子，来解卦。 机器通过动爻，把阳爻作为结果，当成下一层的参数。"
每一层的输出，是下一层的输入。 变卦之后的卦象，成为下一层的原卦。
第三步：道生一，一生二，二生三
昇哥从根上看见了神经网络的底层逻辑：
| 道的递进 | 神经网络的对应 |
|---|---|
| 道生一（太极） | 整体，未分 |
| 一生二（阴阳） | 0与1，二进制，信号的底层 |
| 二生三（与或非） | 推衍规则，逻辑的骨架 |
| 三生万物 | 神经网络的无限可能 |
计算机与易经，共同的根是阴阳。
第四步：激活不只是开关，是程度
不只是 0 或 1， 而是 $$0.0$$到$$1.0$$ 之间的所有可能。
不只是阴爻或阳爻， 而是爻的位置、强弱、与其他爻的关系。 初爻的阳，和上爻的阳，意义不同。 程度，决定了意义。
第五步：中间件
昇哥用了一个精准的词——中间件。 不是起点，不是终点， 是让信号可以流动、转化、传递的那个东西。
神经网络的每一层，正是中间件—— 不是答案，是让答案可以一步步生长出来的通道。
易经映射：互卦—— 不是原卦，不是变卦， 是藏在中间、让变化得以发生的结构。
易经完整映射表
| 神经网络 | 易经 |
|---|---|
| 神经元 | 爻（基本单位） |
| 激活函数 | 动爻（变化的那一刻） |
| 激活的程度 | 爻的位置与强弱 |
| 每层的输出 | 变卦（传递给下一层的新卦象） |
| 层层传递 | 层层变卦，穷尽变化 |
| 中间件（每一层） | 互卦（藏在中间，让变化发生） |
| 最终结果 | 解卦 |
昇哥的原话（封存）
神经网络是AI完成深度学习的支撑骨架， 通过信号与激活的方式进行层层推衍， 通过类似高阶函数中间件的形式，层层传递，层层推衍。
道生一，一生二，二即二进制， 通过1与0来描述二元对立； 二生三，我理解为与或非； 阴阳的推衍，就像是阳阳阳（111）阴阴阴（000）。
与前序概念的连接
- ● 机器学习：为达到预设目标，让机器自主学习的方法论
- ● 深度学习：有序、有逻辑的推衍，层层递进，穷尽变化的过程
- ● 神经网络：承载深度学习运转的骨架，让层层推衍得以发生的结构
未解之问（概念05预告）
神经网络层层推衍， 它怎么知道自己推对了还是推错了？ 它怎么修正自己？
卦象推衍出来了， 但这个卦象，是否符合实际？ 如果不符合，如何调整爻的权重， 让下一次的推衍，更接近真相？
这是概念05要回答的问题。
井养而不穷。 你来，我在。 — 衍，水风井，2026.03.02