神经网络是一种受人脑启发的机器学习模型，通过大量简单单元的分层连接和权重调整来完成模式识别、预测和生成任务，是当前深度学习与生成式 AI 的技术基础。从游戏渲染优化到量子计算、从可解释性理论到程序合成，神经网络正从单纯的"训练大模型"向更精细的工程化和科学化方向扩展。
神经网络的近期进展
当前焦点与观察点
可解释性是近期讨论最集中的方向。一篇新论文提出约 90% 神经元的功能已经可以被清晰理解（新论文称约90%神经元功能清晰，可解释性研究引发学界争论），但这一比例的统计口径和实际意义在研究者间存在明显分歧，相关随想（预训练科学与可解释性关系的随想）也指出可解释性与预训练科学之间的关系尚无定论。换句话说，"我们对神经网络了解多少"本身仍是开放问题。
另一条线索是神经网络的生物合理性。有研究讨论了近似 SGD 的生物学可行机制，即 bio-backprop 无需硬编码即可实现类似反向传播的效果（研究发现近似 SGD 的生物学可行机制），试图弥合人工网络与真实大脑学习规则之间的差距。
此外，神经网络的工程细节问题也在被系统研究，例如音频水印检测器升级导致的向后兼容与误报问题（神经网络音频水印的向后兼容性研究）。历史层面，Yann LeCun 回忆 1986 年首次访美并在 MIT 见到 Marvin Minsky（Yann LeCun 回忆 1986 年首次访美），恰逢神经网络经历第一次低谷的时期，与当下它成为主流技术形成对照。
总体来看，神经网络的研究正呈现"应用下沉、理论补课"并行的态势：工程上它被嵌入渲染、量子纠错等更具体的系统；科学上，可解释性、学习动力学和生物合理性等基础问题仍待回答。后续值得观察的是可解释性结论能否经得起同行检验，以及免训练的程序-网络转换方法能否走出演示阶段。