从人脑神经网络到深度学习神经网络，来自 Jina AI 的 Jack 将带大家从 0 到 1 认识「搜索」及「神经搜索」。

什么是神经搜索？它与普通搜索有什么区别？它能解决哪些问题？又有哪些优势和劣势？

观看本期 Jina AI 小科普，在 Jack 的带领下，只需 6 分钟，你将对神经搜索 (Neural Search) 的概念、原理及与人类大脑的相似之处，有更全面的认识和理解~

视频完整内容，也可参考以下文字简介

什么是「搜索」

提到「搜索」很多人第一反应就是百度、Google 等搜索引擎，我们在搜索框中输入想要查询的内容，然后得到一系列与之相关的链接。

实际上，搜索远不止如此。比如使用听歌识曲功能时，其实是用录制的音频片段搜索匹配歌曲；刷 Tinder 的时候，算法也在搜索它认为你感兴趣的对象。

除了这些以外，搜索能做的事情还有很多，比如在学术论文库里查找答案；又或者通过以图搜图，搜索一双心仪的鞋子……

我们能不能通过任意一种类型的数据，搜索其他类型的相似数据呢？有了神经搜索 (Neural Search)，实现这些将不再是梦。

什么是「神经搜索」

「神经搜索」即 Neural Search，是由 Jina AI 首创的概念。

Neural Search 可以理解为 Deep Learning for Search 的简称，是指借助深度学习技术，使用非结构化数据搜索非结构化数据。

深度学习模型和向量索引是神经搜索的重要组成部分。

接下来，我们用一个更为直观的例子，向大家解释神经搜索的概念。

这是一组小猫跟小狗的图片，第一眼看到这些图片的时候，你会先注意到什么？

首先，大家可能跟我一样，会注意到它们是小狗和小猫；其次，我们会发现它们还是挺可爱的。这些特征虽然显而易见，但也非常重要。

现在我们再看看接下来这几张图片。这几张图片看起来可能就没那么可爱了。

这些「非典型」宠物图片，应该放在图结构的哪个位置呢？虽然它们都属于猫和狗，但我们认为应该增加一个维度，来描述它们的其他特征。

接下来就可以把它们放在图中的恰当位置。

深度学习中的常见术语

现在我们来学习几个深度学习中常见的术语。

 维度 

表示图结构中数据存在的位置。上图中只有两个维度，它们可以是任意数字。

 向量 

嵌入图结构中的单个数据点，可以用一组坐标来表示。这个例子里只有两个维度（cat-dog dimension 及 cute-scary dimension），因此向量仅用两个数字表示即可。

在我们的图结构中，每只宠物都有自己的向量，数量共计为 10

 索引 

这些向量汇集到一起，统称为「索引」。

了解了这些术语后，再增加一些比较可爱的宠物图片。如果我们想从动物图像数据集里，找到一只类似的狗，该怎么实现？

没错，我们刚刚找到了这只小狗的「最近邻」，也就是另外一只可爱的、毛茸茸的小狗（右下角）。

人类神经网络 vs 虚拟神经网络

上述例子这听起来很简单，因为我们的大脑每时每刻，都在自发地调用维度、向量和索引，通常情况下，我们甚至不会思考其中的原理。

人体大脑是一个由神经元和突触组成的网络，简而言之即神经网络。

与人体的神经网络类似，虚拟神经网络的运作方式也是如此。它会根据所给数据的维度，建立一个索引，并能根据最近邻找到类似数据，也就是用自己的神经元来搜索数据。

接下来这个例子，比上述简单的二维图结构更加准确。每次吃饭时，大脑都在接收关于食物风味的信号，它是甜的还是咸的？是脆的还是软的？

我们每次吃下的食物都基于咸淡、口感等维度，被嵌入神经网络中的索引；将 3D 物体模型输入虚拟神经网络后，它也会根据模型的外观、单点集中程度等建立索引。

神经网络的劣势

所有神经网络都有优势和劣势。

海豚和松鼠的大脑中都存在神经网络。但是，如果我们让海豚去收集坚果，或者让松鼠去抓鱼，它俩肯定谁都做不好。

同样，我们也无法用一个在视频上训练的神经网络来搜索文本，或者用一个法语的神经网络来搜索中文。

那么，Jina 在这其中的作用是什么？

下期节目中，我们将探讨 Jina 背后的一些关键概念，以及如何启动和运行 Jina。

我们下期节目再见！