設計一個模擬神經(jīng)網(wǎng)絡推理的不插電游戲

本文針對小學生對抽象難懂的神經(jīng)網(wǎng)絡概念不易理解的問題，設計了一個“不插電”游戲，即利用游戲化教學幫助學生形象理解神經(jīng)網(wǎng)絡推理機制。其核心設計是將神經(jīng)元類比為“皮卡丘”，學生扮演輸入層、隱藏層和輸出層角色。該游戲基于一個真實訓練的二分類模型（矩形坐標分類），讓學生通過傳遞寫有真實模型參數(shù)（權重、偏置）的紙條，模擬神經(jīng)元的“加權求和”與“閾值判斷”過程。實踐表明，該游戲有效揭示了神經(jīng)網(wǎng)絡與傳統(tǒng)算法的區(qū)別，能夠幫助學生理解神經(jīng)元計算原理、激活函數(shù)作用和參數(shù)意義，感悟“數(shù)據(jù)、算法、算力”作為人工智能技術基礎的價值。

神經(jīng)網(wǎng)絡是中小學人工智能通識教育的重要學習內(nèi)容，但神經(jīng)元的工作原理、激活函數(shù)的作用、參數(shù)和偏置等，都是較為抽象的跨學科概念，學生不容易理解。為了能夠幫助小學生理解神經(jīng)元的“計算”原理，筆者特意設計了一個模擬神經(jīng)網(wǎng)絡推理的不插電游戲。

設計分析：神經(jīng)網(wǎng)絡的工作原理

深度學習的底層是神經(jīng)網(wǎng)絡，而神經(jīng)網(wǎng)絡的靈感來源于生物神經(jīng)網(wǎng)絡。人腦中擁有800多萬個神經(jīng)元，它們相互連接、協(xié)同工作，由此形成知識、記憶和思維。科學家們參考神經(jīng)元的“加權求和”和“閾值判斷”的機制，構建了人工神經(jīng)網(wǎng)絡，讓機器也能像人類一樣學習、思考、決策（如圖1）。

圖1 生物神經(jīng)元和人工神經(jīng)元

小學生如何理解神經(jīng)元？其實只需要將神經(jīng)元類比為“皮卡丘”就可以了，這個“皮卡丘”平時很安靜，只有收到足夠多的信息才會“放電”，就像皮卡丘感受到威脅時才會釋放電流一樣。這里的“放電”是指神經(jīng)元會根據(jù)收到的信息做出“決定”，并把這個“決定”以信號的形式傳給下一個小伙伴（下一個人工神經(jīng)元）。當很多皮卡丘手拉手時，就形成了一個大大的網(wǎng)絡。每一個皮卡丘都會根據(jù)自己的“感覺”（接收到的數(shù)據(jù)和閾值）來決定要不要“放電”，以及要放出多強的“電”。

顯然，只要讓學生來充當皮卡丘，即模擬神經(jīng)元，就可設計出不插電的推理游戲。按照輸入層、隱藏層、輸出層，可以將游戲角色分為三類，每一個皮卡丘都擁有一張小紙條，記錄了與其他皮卡丘的連接參數(shù)（權重）以及偏置值（bias）。當然，輸入層的皮卡丘是沒有“偏置”的。神經(jīng)網(wǎng)絡看起來像有點復雜，實際上對于一個最小的二分類任務（兩個特征）來說，僅僅需要5個神經(jīng)元（皮卡丘）就能完成，計算量并不大（如圖2）。

圖2 用五個“皮卡丘”來模擬二分類問題

準備工作：訓練一個最簡分類模型

設計這個不插電游戲的規(guī)則沒有任何難度，關鍵在于提供與任務相應的連接參數(shù)和偏置值等數(shù)據(jù)。即使定位為游戲，筆者依然希望其提供的數(shù)據(jù)是來自真實世界的一個任務，即是從真實模型中讀取而得到。這樣一來，學生在游戲中會得到真實的感悟：原來人工智能真的是這樣工作的！為此，筆者將任務定位為解決矩形坐標的二分類問題，即用對角線將矩形分為藍色和橙色兩類（如圖3）。

圖3 矩形坐標的二分類問題

訓練這個模型并不難。首先，編寫代碼生成100條（-1，1）之間的坐標，然后按照對角線的表達式進行判斷，將標簽設置為“0”“1”兩類。之后，用BaseDT將數(shù)據(jù)分為訓練集和驗證集。接下來，使用BaseNN搭建一個結構為“（2，1，2）”的全連接神經(jīng)網(wǎng)絡，激活函數(shù)選擇“Relu”。模型的訓練代碼如圖4所示。當然，為了讓后期的計算更加簡單，筆者在最后一層省略了常見的softmax函數(shù)。因為是最簡模型，所以訓練速度比較快，且模型的分類效果也很好。

圖4 訓練代碼

游戲?qū)嵤耗M推理在教學中的應用

當有了這個模型后，只要讀出模型中的參數(shù)和偏置值，打印在紙條上分給學生，就可以開展不插電游戲了。筆者設置了如下幾條游戲規(guī)則：

①每一個皮卡丘（角色）是一個神經(jīng)元，根據(jù)手里的紙條信息，在計算數(shù)字后傳給下一層。

②除了輸入層和輸出層外，中間層（隱藏層）的皮卡丘需要判斷大于0才傳遞數(shù)據(jù)到下一層。

這個游戲適合在初學神經(jīng)網(wǎng)絡的時候使用。游戲的具體過程如下：

①教師將矩形中某個點的坐標（x，y）分別交給輸入層的角色“1-1”和“1-2”?！?-1”和“1-2”根據(jù)手里的紙條（參數(shù)），相乘后將結果傳給下一層的角色，即2-1。

②角色“2-1”將收到的兩個數(shù)字相加，再加上手里紙條上的偏置，如果結果小于等于0，游戲結束，大于0則分別乘以和角色“3-1”“3-2”連接的參數(shù)，將結果交給“3-1”和“3-2”。

③角色“3-1”和“3-2”在收到數(shù)字后，分別加上各自的偏置值。如果“3-1”比“3-2”的數(shù)字大，則該點在藍色區(qū)域（分類0），否則在橙色區(qū)域（分類1）。

每一次在實施這個游戲時，學生的最初反饋是疑惑的：為什么要這樣計算？為什么不直接判斷坐標的位置？為什么這樣也能得到分類的結果？教師則要告訴學生，這就是神經(jīng)網(wǎng)絡的秘密，鼓勵有興趣的學生可以去找“M-P模型”發(fā)現(xiàn)過程的資料，激發(fā)他們對人工智能的興趣，增加跟隨科學家探索未知領域的勇氣。

反饋總結：“真實”是游戲的核心價值

設計這個不插電游戲的目標是讓學生理解神經(jīng)網(wǎng)絡算法和傳統(tǒng)算法的區(qū)別。筆者認為，游戲的核心價值不在于體驗一次計算，而是在于其并非簡單的“模擬”，而幫助理解神經(jīng)網(wǎng)絡的真正運行規(guī)則，是“真實”的學習，因而結合真實問題訓練模型并讀取參數(shù)是要點所在。通過游戲?qū)W生會發(fā)現(xiàn)，1個神經(jīng)元（隱藏層）可以解決所有的線性分類問題，只要提供數(shù)據(jù)，算法就能從數(shù)據(jù)中訓練出參數(shù)，從而獲得“智能”。隨著分類復雜度的增加，則需要更多神經(jīng)元和隱藏層，3個神經(jīng)元可以近似解決圓形分類問題（如圖5）。學生將會體驗到，所謂人工智能就是用計算機模擬人類的思考行為，并進一步感悟到“數(shù)據(jù)、算法、算力何以成為人工智能的三大技術基礎”。

圖5 用神經(jīng)元近似解決圓形分類問題

為了方便演示，筆者建議為這個游戲再設計一些輔助工具。例如，筆者借助大模型編寫了一個數(shù)據(jù)生成工具。打開網(wǎng)頁，將矩陣的某些部分涂成橙色，然后即可導出相應的數(shù)據(jù)。當然，隱藏層只有1個神經(jīng)元的網(wǎng)絡模型只能解決最簡單的線性問題，如果分類不是線性的，則需要增加更多的神經(jīng)元。另外，還可以將模型訓練整合在交互網(wǎng)頁中，從數(shù)據(jù)生成到模型搭建和訓練，最后到讀取權重生成游戲規(guī)則，給學生以“真實”的參與感——數(shù)據(jù)是自己做的，模型是自己訓練的，推理也是真正能用的。

本文作者：

謝作如

浙江省溫州科技高級中學

文章刊登于《中國信息技術教育》

2025年第13期

引用請注明參考文獻：

謝作如.設計一個模擬神經(jīng)網(wǎng)絡推理的不插電游戲[J].中國信息技術教育，2025（13）：81-83.

歡迎訂閱

識別上方二維碼即可訂閱