神经网络图如何模拟人工智能？

99ANYc3cd6 人工智能 2026-01-27 8

核心关系图（概念图）

你可以将下面这个图在脑海中构建起来：

（图片来源网络，侵删）

graph TD
    subgraph 人工智能
        A[人工智能] --> B[机器学习];
        A --> C[知识表示与推理];
        A --> D[自然语言处理];
        A --> E[计算机视觉];
        A --> F[机器人学];
    end
    subgraph 机器学习
        B --> G[深度学习];
        B --> H[其他算法: 如SVM, 决策树];
    end
    subgraph 深度学习
        G --> I[神经网络];
    end
    subgraph 神经网络
        I --> J[前馈神经网络];
        I --> K[卷积神经网络 CNN];
        I --> L[循环神经网络 RNN];
        I --> M[图神经网络 GNN];
    end
    subgraph 图
        N[图] --> O[图结构数据: 社交网络, 知识图谱];
        N --> P[神经网络中的结构: 计算图, 模型图];
    end
    %% 连接关系
    M <--> N;
    K <--> P;
    L <--> P;
    J <--> P;
    I --> P;
    G --> P;
    %% 标注关键关系
    linkStyle 15 stroke:#ff0000,stroke-width:2px,stroke-dasharray: 5 5;
    linkStyle 16 stroke:#ff0000,stroke-width:2px,stroke-dasharray: 5 5;
    linkStyle 17 stroke:#ff0000,stroke-width:2px,stroke-dasharray: 5 5;
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style I fill:#ccf,stroke:#333,stroke-width:2px
    style N fill:#9cf,stroke:#333,stroke-width:2px

图解说明：

人工智能 是一个宏大的领域,包含了许多子领域。
机器学习 是实现人工智能的一种核心方法。
深度学习 是机器学习的一个强大分支。
神经网络 是深度学习的主要模型架构。
图是一个独立的数据结构，它有两种角色：
- 作为输入数据：社交网络、分子结构、知识图谱等都是图结构的数据。
- 作为模型结构：神经网络本身在计算时可以被表示为“计算图”（Computational Graph），模型的结构也可以被看作一个“模型图”（Model Graph）。
图神经网络 是连接“神经网络”和“图”这两个概念的关键桥梁,它是一种专门用来处理图结构数据的神经网络。

分点详解

人工智能 - 顶层概念

人工智能是计算机科学的一个分支，其目标是创造出能够像人一样思考、推理、学习和解决问题的智能体，它是一个“目标”或“领域”,而不是一种具体的技术。

范畴：包括机器学习、知识图谱、自然语言处理、计算机视觉、规划、搜索等。
核心思想：让机器“智能”地完成任务，比如下棋、开车、翻译、诊断疾病等。

神经网络 - 一种强大的模型

神经网络是受生物大脑神经元结构启发的数学模型，它由大量的、相互连接的“神经元”（节点）组成，通过调整连接的“权重”来进行学习。

基本构成：
- 层：通常包括输入层、一个或多个隐藏层、输出层。
- 神经元：每个神经元接收输入，进行加权求和，然后通过一个激活函数（如ReLU, Sigmoid）产生输出。
- 权重：连接神经元之间的参数，是学习的核心,决定了信号传递的强度。
工作原理：通过一个叫做“反向传播”（Backpropagation）的算法，根据预测结果与真实结果的误差，从后向前逐层调整权重,使得模型的预测越来越准确。
关键特点：能够自动从原始数据中学习复杂的特征,无需人工设计特征。

图 - 一种数据结构

图是由节点和边组成的数据结构,用来表示对象之间的关系。

（图片来源网络，侵删）

基本构成：
- 节点：代表实体，比如社交网络中的用户、知识图谱中的“爱因斯坦”。
- 边：代表节点之间的关系，比如社交网络中的“好友”关系、知识图谱中的“出生于”关系。
类型：
- 无向图：边没有方向（如好友关系）。
- 有向图：边有方向（如“关注”关系）。
- 加权图：边有权重（如“距离”关系）。
为什么重要：现实世界中充满了图结构数据，
- 社交网络：用户和好友关系。
- 推荐系统：用户和商品之间的交互。
- 知识图谱：实体和概念之间的语义关系。
- 化学分子：原子和化学键。
- 交通网络：路口和道路。

三者的交汇与融合

我们来看它们是如何紧密联系在一起的。

交汇点一：图作为神经网络的输入（图神经网络 GNN）

这是三者关系中最激动人心的部分，传统的神经网络（如CNN, RNN）擅长处理规则的数据结构：

CNN：擅长处理网格状数据，如图像（像素矩阵）。
RNN：擅长处理序列数据，如文本（单词序列）。

但它们都无法直接处理图结构数据,因为图的节点没有固定的顺序和结构。

图神经网络 应运而生,它是一种专门为图数据设计的神经网络架构。

（图片来源网络，侵删）

核心思想：GNN的核心操作是 “消息传递” (Message Passing)。
1. 收集信息：每个节点会从它的邻居节点那里收集信息（就像开会时，每个人听取邻座的意见）。
2. 聚合信息：节点将收集到的邻居信息进行聚合（如求和、取平均、最大值），得到一个邻居的“综合印象”。
3. 更新自身：节点将这个“综合印象”与自己的原始信息结合，更新自己的状态（特征向量）。
4. 重复迭代：这个过程可以重复多轮，让信息在整个图中传播,使得每个节点的特征都包含了其多跳邻居的信息。
GNN的应用：
- 社交网络：预测用户之间是否是好友（节点分类）。
- 推荐系统：根据你的朋友喜欢什么，来给你推荐商品（链接预测）。
- 化学/药物发现：预测分子的性质或设计新药（图分类/节点分类）。
- 知识图谱：补全知识图谱中的缺失关系（链接预测）。

一句话总结：GNN = 神经网络 + 图结构数据。

交汇点二：神经网络内部的结构是“图”

即使我们不把图作为输入,神经网络本身在计算过程中也可以被看作一个图。

计算图：这是理解神经网络如何工作的核心概念，当我们描述一个神经网络的前向传播时,我们实际上是在构建一个计算图。
- 节点：是张量（矩阵、向量）和标量。
- 边：是数学运算（如加法、乘法、激活函数）。
- 数据流：数据从输入节点开始，沿着边通过各个运算节点,最终流向输出节点。
- 反向传播：本质上就是在这个计算图上从后向前进行梯度计算的过程。
模型图：我们可以把神经网络的拓扑结构本身画成一个图。
- 节点：是神经网络中的层（如卷积层、全连接层）。
- 边：是数据在层与层之间的流动方向。

一句话总结：神经网络在执行时，其内部逻辑天然就是一个“计算图”。

概念	角色	关键点
人工智能	宏大目标	实现机器智能，是包含机器学习等技术的领域。
神经网络	核心模型	一种受人脑启发的、强大的函数拟合工具，是深度学习的基石。
图	数据结构/模型结构	一种表示“关系”的通用数据结构；也是神经网络内部计算逻辑的天然表示。