想象你正在调试一台复杂的收音机。面对满屏旋钮，你不断微调频率、音量、降噪，直到那个遥远电台的声音变得清晰悦耳。学习，本质上就是大脑在做类似的“参数调整”——只不过这台机器包含了860亿个神经元，以及它们之间数以万亿计的连接。 从神经科学角度看，大脑并非一台固定不变的机器，而是一个动态演化的系统。每个神经元都可以看作一个微型处理器，接收来自成千上万其他神经元的信号，决定是否“兴奋”，再将结果传递出去。这个过程的强弱、快慢、阈值，都是可以调整的“参数”。学习，正是通过经验来优化这些参数，让大脑在下一次面对类似情境时，做出更准确的分析和反应。 调整最核心的参数有两种。第一种是突触权重，即两个神经元之间连接的强度。当你反复练习钢琴音阶，控制手指的神经元与听觉反馈的神经元之间的突触会被加强，这就是赫布定律所说的“一起放电的神经元会连接在一起”。第二种是激活阈值，即神经元是否对输入信号做出反应的临界点。通过调整阈值，大脑可以过滤噪音，只对真正重要的刺激做出响应。 这一调整过程的核心机制，在人工智能领域被称为“反向传播”。当大脑做出错误判断时，它并非简单否定这个结果，而是从输出端反向追溯，计算每一层神经元对错误的“贡献度”，然后相应调整它们之间的连接强度。每一次犯错，都是一次参数更新的机会——就像收音机的沙沙声告诉你该往哪个方向旋转旋钮。 这解释了为什么有效的学习往往伴随“间隔重复”和“及时反馈”。间隔重复让大脑有机会在遗忘的边缘强化参数，避免过度拟合；而及时反馈则提供了参数调整的方向标，避免盲目试错。 理解学习是大脑重新调整参数的过程，会彻底改变我们对失败的看法。参数调整从来不是一蹴而就的，每一次偏差都是优化的契机。那个解不出的数学题、弹不准的音符、说不流利的外语，不过是你大脑中的某个参数还不在最佳值上。 调整参数的另一个名字，叫做成长。
