设想一种基本计算部件，它的输入和输出都是连续的实数，也不局限于进行二元逻辑运算，那就跟组成人工神经网络的基本元件比较接近了。

我们管它叫神经元(neuron)。

如果小说中的三体人真的可以一秒钟反应十万次，而且众多的三体人通过类似神经元的方式进行连接，那么，他们所构成的将不再是一台普通的计算机，而很可能是一个具有超级人工智能的存在。

而由简单元件组合起来的力量，在现实世界的人工神经网络中已经真正地显现。

神经网络中的最基本组成单元——神经元(neuron)，也被叫做感知器，(perceptron)是一种早期的神经元结构，在上个世纪五六十年代就被提出来了。

现在它在神经网络中已很少被使用，但理解它有助于理清其它类型神经元的基本结构和设计思路。

一个感知器的定义元素包括：

1.有多个输入：x1， x2， x3，...，它们只能是0或1。

2.有一个输出：output.只能是0或1。

3.每个输入对应一个权重值：w1， w2， w3，...，它们可以是任意实数。

4.有一个阈值：threshold.可以是任意实数。

5.输出output取决于各个输入的加权求和与阈值threshold的大小，即：如果w1x1 + w2x2 + w3x3 +...> threshold，则输出output=1，否则输出output=0。

直观上理解，感知器相当于一个决策模型，输入表示进行决策时需要考虑的外在因素或条件，权重表示你对某个外在因素的重视程度，而阈值则表示你对于这个决策事件本身的喜好程度或接受程度。

举一个例子：假设周末有一个同学聚会，现在你正在决策要不要去参加。你考虑的因素如下：

1.如果那天天气好，那么你就更有意愿去参加。用x1=1表示天气好，x1=0表示天气不好。你对于天气这个因素的重视程度为w1=3。

2.如果某个你讨厌的人也去参加聚会，那么你就兴趣索然，不太乐意去了。用x2=1表示你讨厌的那个人去参加聚会，x2=0表示那个人不参加聚会。对应权重w2=-5，负值表示这个因素的出现会降低你去参加聚会的意愿。

3.但如果你暗恋的一个女孩去参加聚会，那么你无论如何也是想去的。用x3=1表示那个女孩去参加聚会，x3=0表示她不参加聚会。这个女孩对于你太重要了，所以有一个很大的权重：w3=10。

现在假设阈值threshold=2。我们根据前面的规则去计算output，这个计算过程就相当于决策过程。如果output算出来等于1，那么你就去参加聚会，否则就不去。

决策结果无非是下面几种：

1.如果你暗恋的女孩去参加聚会的话，那么不管其它因素，你肯定就去了。因为权重w3实在太大了，不管另外的输入是多少，都会导致加权求和后超过threshold=2。

2.你暗恋的那个女孩不去参加聚会，而你讨厌的那个人去参加聚会。这时不管天气如何，你都不会去了。

3.你暗恋的那个女孩和你讨厌的那个人都不去参加聚会。那么你去不去最终取决于天气怎么样。