这篇 2004 年的文章讨论用一个只有两个人工神经元的网络来控制自行车保持平衡和转向，输出是作用在车把上的 torque，输入则包括目标航向、当前航向、车身倾角及其导数。HN 评论区的争论重点不是“能不能骑车”，而是这种做法到底是神经网络学习，还是把经典控制规律重新包装成了网络结构。很多人把它和 PID control（经典反馈控制方法）相提并论，因为输入里已经提前提供了最关键的误差信号。另一条线索则把 neuron 当成更底层的计算积木，讨论 XOR、half adder、ripple carry adder 以及 Hebbian learning（赫布学习，一种基于共激活强化连接的规则）等概念，试图从中找出新的计算原语。
不少评论把这篇工作看成是把经典控制器包了一层 neural network 外壳。因为输入里已经包含目标状态、当前状态和误差量，网络更像是在实现一个现成的 feedback law，而不是从零学出复杂策略。有人直接指出它看起来像重新发明了 PID control，也有人认为这类结果至少说明：只要结构和输入选得好，极小的网络也能完成看似复杂的任务。
另一条讨论强调，真正决定难度的不是神经元数量，而是喂给模型的状态表示。文章把 desired heading、当前 heading、倾角以及它们的导数一起作为输入，这等于把控制问题中最关键的动态信息提前暴露给网络。评论者拿分类任务类比：如果不给 x1²、x2² 这类非线性特征，网络就得自己学出边界；一旦特征到位，所需神经元会骤减。
有评论把这类研究延伸成“神经元能否成为新一代逻辑门”的问题。讨论中提到单个 neuron 甚至能实现 XOR，而神经元式结构还可以进一步拼成 half adder。有人顺着这个思路设想 ripple carry adder、完整 ALU，甚至更上层的 ISA，希望从中挖出一些新的、不可再分的计算积木。
评论区也充满了轻松的脑洞。有人顺势问能否做出 self-driving bicycle，回答里出现了 wetware computer、recumbent bike、lidar 和 maps 这些夸张配置。还有人把话题拐到画一只骑自行车的 pelican，或用“两个神经元、两只轮子”来概括整件事。
还有一小撮讨论聚焦在生物神经元本身的内部计算。提到 dendritic compartments 后，有人觉得这像是在浪费一个本来可以做更多事情的神经元，也有人直接追问 neuron 内部到底发生了什么处理。这个角度把问题从“能不能控制自行车”转向“神经元究竟是一种什么样的计算单元”。
PID control: 经典反馈控制方法，用比例、积分、微分三项根据误差调节输出。
XOR: 异或逻辑，只在输入不同的时候输出 1；常被用来说明单个神经元也能表示非线性函数。
dendritic compartments: 神经元树突中的分区结构，可在一个生物神经元内形成更复杂的局部计算。
half adder: 半加器，输入两个比特，输出和位与进位。
Hebbian learning: 赫布学习规则，核心是“同时激活则连接增强”。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。