在序言一中，我们聊到了语言作为某些信息传递媒介的无效性。如果把可以用语言清晰表达的知识称为显性知识，那么相对应的，把无法清晰表达和传递的知识，称为隐性知识。比如如何骑自行车这类隐性知识，你可能会发现，在如今信息爆炸的时代，依然找不到一个攻略来告诉你如何学会从0到1骑自行车。学习骑车的过程，只有通过骑上车，摔几个跟头，不断练习，然后突然有一天，发现你的大脑可以掌握好这种动态平衡。那么恭喜你掌握了这项技能，并且即使多年不锻炼，你依然能记得这种感觉。

    那么在这个过程中，大脑是如何学习的呢。大脑的神经元细胞间通过电信号传递信息，连接所需的神经细胞，驱动它们产生神经脉冲，进而驱动骨骼肌收缩，控制身体的运动和平衡。一旦正确的连接形成，大脑便会记住此连接方式，方便下次需要时产生相应的条件反射。所以从狭义的角度上来说，学习的过程，就是训练大脑神经元，在空间中正确连接的过程。那大脑怎么判定连接正确呢，需要人在学习的过程中给予大脑正负反馈，如骑车时保持骑行为正反馈，摔倒或失衡为负反馈。负反馈会被遗忘或者舍弃，最后留下正确的连接方式。

    深度学习领域的神经网络算法，就是基于大脑的学习原理，从算法的角度实现类似的功能。我们可以先连接所有的神经元，然后通过正负反馈，来调节该神经元的重要性，也就是权重值。该连接下的正反馈越大，则该连接越有效，权重值也更大，反之减小权重，等同于忘记该连接。当训练数据变量繁多，关系复杂时，神经网络算法可以表现出超出人脑的信息捕捉能力，因为在一开始就连接了所有网络，也就是所有的可能性，然后不断纠错，学习正确的连接，所以它更能捕捉一些隐蔽的关系。神经网络算法在隐性知识领域，如图像识别，语音识别等，表现出类拔萃。但从空间结构上来说，大脑的神经元细胞连接，是3D空间中的交错连接，而神经网络算法，最多可以理解为2.5D，在有些领域无法与人脑匹敌，比如逻辑的推理演绎，场景理解等。

    显性知识更容易被理解和传递，因此学习的速度会更快；隐性知识难以被描述，学习的过程取决于个人的“天赋”，也就是大脑神经细胞寻找正确连接的速度。我们不能因为隐性知识难以描述而忽略其重要性，全面的学习可以帮助大脑训练更多有效的连接，进而启发其他领域的认识，就像神经网络算法的发明者首先要是一个生物学家一样，知识本就是一个整体。然而，学习是一件孤独的事情，本站的建立初衷，是以贴吧论坛的形式，删繁就简展示显性知识；以AI实验室，深度学习模型的方式，展示隐性知识，希望在学习的路上，伴君前行。