反向传播：神经网络的点火装置

1986年，杰弗里·辛顿、大卫·鲁梅尔哈特和罗纳德·威廉姆斯在Nature发表论文，系统阐述了反向传播（Backpropagation）算法如何训练多层神经网络。算法的核心思想是：让网络预测输出，计算误差，然后将误差信号从输出层反向逐层传递，调整每个权重的微小贡献——就像给每个神经元打分：”你这次帮了多少忙？”反向传播终于解决了多层网络无法有效训练的难题，给了神经网络的第二春。

【为什么重要？】
解决了神经网络长期以来最致命的弱点——无法高效训练多层结构，为深度学习时代的到来铺平了道路。

【逻辑闭环】
解决了什么：让多层神经网络首次可以高效学习复杂特征，NLP、图像识别等任务出现突破性进展。局限是什么：当时的计算机算力和数据量严重不足——网络超过几层就会遭遇”梯度消失”，训练缓慢且不稳定。这些局限推动了后来的ReLU激活函数、批归一化、Dropout正则化等技术的发明，以及GPU加速和大数据集的建设。