比喻： 这些分数就像神经元的输入值，它们可能是正的、负的，或者接近 0。

2. 通过 Sigmoid 函数计算信任度（映射到 0~1 之间）

国王不会直接用大臣们的原始分数，而是用Sigmoid 规则来转换成信任度（0~1）：

? 如果候选人评分特别高（比如 +10），Sigmoid 计算后信任值接近 1 → 几乎100% 信任，直接任命！

? 如果评分特别低（比如 -10），Sigmoid 计算后信任值接近 0 → 完全不信任，拒绝任命！

? 如果评分在 0 左右，Sigmoid 计算后信任值约 0.5 → 国王犹豫不决，保持中立。

比喻： 这个“信任值”就是 Sigmoid 的输出，它是一个平滑的 0~1 之间的数值，不会突然从 0 变成 1，而是渐变地调整决策。

3. 让决策更柔和，而不是突然改变（平滑性）

在现实中，决策往往不是“全有或全无”，比如：

? 你不会因为听到一个好评，就立刻 100% 相信某家餐厅，而是会根据多个评价逐渐形成判断。

? 你不会因为一场小失误，就彻底放弃信任一个朋友，而是会根据长期表现调整信任度。

Sigmoid 就是这样，它不会让神经元的决策“突然开关”，而是让它有一个平滑的渐变过程**，更加符合现实逻辑。

另一种比喻：光线调节器 vs. 开关