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~
观看 Jack 完整视频讲说→说了这么多，到底什么是「神经搜索」？
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。
搜索一段音频的相似片段
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。
神经搜索系统包括两个关键要素：深度学习模型及向量索引，这两点也是神经搜索系统和传统搜索系统的区别
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。
拿到这些图片后，根据它们的属性进行区分
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。
「非典型」动物图片
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。
增加一个 Y 轴，表示宠物的可爱程度
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」。
「索引」的定义
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？
首先，它的类别是狗，而且长得还挺可爱，所以它应该放在索引中右下角的位置，位于其他可爱狗子的附近
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？
Jina 是一个开源框架，支持开发者为任意类型的数据，建立神经搜索应用程序
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！