无标题无名氏No.69301086 返回主串
2026-08-22(六)21:56:18 ID:lBNsq7w 回应
上周和chatGPT一起看了1994年版的《现代科学基础知识:干部选读》,以2026的视角回顾,当年这本书虽然不是完全的预言,但几乎可以当做发展中国家如何科技强国的教科书了。所以我决定让ChatGPT仿照当年的旧例写一写2026年的现代科学基础知识,看看是否能成为一个有价值的科普读物。欢迎肥肥们一同阅读和探讨!以及如果嫌ChatGPT写的不够深入浅出,也可以压力他一下让他讲清楚点
无标题无名氏No.69508476
2026-09-24(四)22:04:53 ID: lBNsq7w (PO主)
二十五、模型越复杂,是不是越接近真实?
现在可以回到前面提到的模型。一个模型太简单,当然可能漏掉关键因素。但不断增加细节,也不一定越来越好。
如果一个模型拥有大量可以自由调整的部分,它往往能够把已经发生的数据解释得非常漂亮。这很像刚才不断切人群、不断挑指标。可调的东西越多,越容易找到一种方式把过去的数据“说通”。真正困难的是换一批新数据以后,它还能不能成立。
这就像考试前把所有练习题答案背得滚瓜烂熟,看起来成绩很好;换一道真正没见过的题,才知道究竟学会了规律,还是只记住了答案。因此,“能够很好解释已经发生的事情”和“能够预测没有见过的事情”不是同一种能力。
二十六、判断数学天赋最准确的方法
判断一个人有没有数学天赋,有一种准确率极高的方法:
直接告诉他:你没有数学天赋。
绝大多数时候,你都会是对的。
这当然首先是个笑话。但很多看起来非常先进的预测系统,真的会遇到同一个问题。如果要预测的事情本来就极少发生,一个系统几乎永远回答“不会发生”,也可以获得高得惊人的准确率。所以“准确率99%”这个数字单独拿出来,常常没有我们想象中那么有意义。真正需要知道的是:它有没有把那些少数真正重要的例外找出来?
医学筛查如此,欺诈检测如此,安全预警如此,很多人工智能分类也如此。一个系统完全可以几乎每次都判断正确,同时恰好在我们最希望它判断正确的事情上毫无用处。
无标题无名氏No.69508480
2026-09-24(四)22:05:26 ID: lBNsq7w (PO主)
二十七、概率预测错了一次,是不是模型就错了?
如果天气预报说明天下雨概率70%,结果第二天没有下雨,这并不能单独证明预报错误。70%本来就意味着类似情况下仍然可能有相当一部分不下雨。
要评价这种概率预测,需要看很多次。所有预报为70%的日子里,最后是不是真的大约七成下雨?如果长期只有三成下雨,那么预测出来的概率显然有问题。
医学风险预测也是如此。如果医生说某患者未来十年某种疾病风险20%,十年以后这个人只有“得病”或者“没得病”两种结果。不能因为他最后没得病,就说20%错了。
一个人的一次结果,是0或者1。概率描述的却是一组类似情况下结果怎样分布。这也是概率最违反日常直觉的地方之一。
二十八、数据越多,是不是越不会犯错?
今天的数据比过去任何时代都多。手机、传感器、医院、卫星、互联网和实验设备每天都在产生巨大数据量。
但更多数据并不会自动解决前面这些问题。数据很多,更容易发现微小差异;变量很多,也更容易碰巧发现某种图案;模型足够复杂,还可能把过去数据里的偶然噪声也学进去。
所以现代社会一个新的困难已经不是“没有数据”,而是太容易从数据里找到东西。
真正困难的是判断:这个图案在新数据里还会不会出现?它有多大?背后是不是我们以为的原因?它能不能帮助预测或者改变结果?
数据越多,对判断方法的要求反而可能越高。
无标题无名氏No.69508482
2026-09-24(四)22:05:41 ID: lBNsq7w (PO主)
二十九、人工智能的一个高分,究竟说明什么?
同样的问题也适用于人工智能。一个模型在某项测试中取得95分,首先只说明:它在这个测试的这些题目、这种评分方法下取得了95分。
如果测试题和训练材料高度相似,换成真正的新问题以后表现可能不同。如果只测试短问题,并不能直接推出它可以稳定完成持续几个月的复杂工作。如果模型平均表现很好,也可能在少数特殊问题上出现严重错误。
所以评价人工智能时,同样需要问:这个测试究竟测了什么?它和真实使用环境有多像?平均成绩掩盖了哪些失败方式?换一批真正没见过的问题还能不能维持?
数字本身不会替我们完成解释。
三十、一个预测到底要多准,才算有用?
不同问题对准确度的要求完全不同。音乐软件推荐十首歌,猜错六首也没有太大关系。医疗筛查漏掉真正需要治疗的人,后果可能完全不同。自动驾驶识别广告牌偶尔出错和识别行人偶尔出错,也不是同一级别的问题。
所以“准确率90%”本身没有多少意义。还要知道剩下10%的错误是什么,错误会造成什么后果,有没有人能够及时发现,系统会在什么环境中使用。同样水平的不确定性,在一个场景里可以接受,在另一个场景里可能完全不能接受。现实决策不能只问:“预测准不准?”
还要问:预测错了怎么办?
三十一、不确定,并不意味着什么都可以相信
面对复杂问题,人们有时会走向两个相反的极端。一种要求科学必须给出百分之百确定的答案,否则就认为“科学还不知道”;另一种则认为,既然科学承认不确定,那任何说法都差不多。
两者都不对。我们不知道明天下午某一分钟会不会下雨,不等于不知道一场强风暴正在接近。医生不能确定某个吸烟者会不会患肺癌,不等于吸烟和肺癌之间的关系不可靠。不知道一枚骰子下一次一定掷出什么,也不妨碍我们非常准确地知道大量投掷后的频率。
科学知识常常不是一句简单的“会”或“不会”。它可能是:发生概率大约有多高,影响可能有多大,哪些因素已经确认重要,哪些部分仍然不清楚。
不确定性本身也可以被测量和比较。
无标题无名氏No.69508487
2026-09-24(四)22:06:07 ID: lBNsq7w (PO主)
三十二、为什么现实中仍然必须作决定?
如果必须等到所有不确定性都消失以后才能行动,我们几乎无法生活。开车前,我们不知道今天一定不会出事故;服药时,也不能保证药物百分之百有效而且绝无副作用;企业投资一座工厂时,不可能知道十年后的市场;城市修建排水系统,也不知道未来每一场暴雨会发生在什么时候。
现实决策真正面对的,从来不是“确定”和“不确定”之间的选择,而是:在已有信息和剩余不确定性之下,哪一种行动更合适?
这需要同时考虑发生概率、可能收益、可能损失以及行动成本。有些低概率事件因为后果极大,值得提前防范;有些风险虽然确实存在,却小到不值得投入巨大成本消除。
概率本身不能替我们决定价值取舍。但没有概率和数量级,价值取舍就很容易只剩感觉。
三十三、从规律走到不确定性
第二章从一个非常古老的问题开始:物质究竟是什么?我们一路走过了基本粒子、量子概率和时空,看到宇宙从极热的早期逐渐形成恒星和行星,看到一颗岩石行星怎样出现能够复制和演化的生命,又看到神经系统怎样产生知觉、记忆和智能。
这些过程都遵守自然规律。但随着组成部分增多、相互作用增加,我们不断遇到另一件事情:知道规律,并不等于能够准确知道每一次具体结果。
非线性会让同样大小的变化产生完全不同的后果。反馈让结果重新进入原因。混沌会放大很小的初始误差。模型必须简化现实,而观测又永远不完整。有些系统还保留自己的历史。大量局部互动又会产生必须在整体层面描述的行为。
到了真实世界,我们还需要面对概率、混杂、反向因果、选择偏差和测量误差。科学面对这些困难的方法,不是假装不确定性不存在。它发展出了概率、统计、实验、模型和因果推断,让我们能够逐渐区分:哪些事情已经知道得很可靠,哪些只能给出概率,哪些结论仍然依赖假设。
它也告诉我们,在不能随机实验的时候,仍然可以通过不同来源、不同方法、不同错误方式的证据互相核对,逐渐逼近更可靠的判断。
所以科学真正提供的,并不是一台能够预言所有未来的机器。
它提供的是另一种更现实的能力:在一个不能完全预测的世界里,仍然能够比猜测更好地判断。
到这里,本章的任务也基本完成了。我们已经有了一张关于现实本身的地图。下一章的问题会发生变化。
不再只是“世界怎样运行”,而是:理解这些规律以后,人类正在获得哪些过去没有,或者正在迅速变得廉价的新能力?
无标题无名氏No.69547508
2026-10-01(四)20:19:04 ID: lBNsq7w (PO主)
第二章 当代技术正在扩展哪些能力
第一节 计算机、芯片与网络
一、屏幕背后的计算体系
今天,人们接触计算技术,通常不是从一台孤立的“计算机”开始,而是从一项服务开始。打开地图,当前位置和道路随即出现;拍摄照片,稍后可以在其他设备上找到;输入一段文字,远处的人几乎立即收到。至于这些工作由哪台机器完成,界面通常不会告诉使用者。一项看似发生在手机上的任务,实际上可能分布在许多地方:手机完成触摸识别、图像处理和部分本地计算,通信网络把请求送出,数据中心保存资料并完成更大规模的计算,卫星和地面设施提供定位,其他机构的系统又提供支付、交通或者天气信息。最后呈现在屏幕上的结果,是这一整套系统共同工作的产物。
“云端”“无线”和“在线服务”等说法,容易使计算显得没有物质形态。实际情况正好相反。文件仍然保存在真实的存储器中,程序仍然由芯片执行,无线信号只负责其中一段传输,远处的数据中心仍然需要服务器、光纤、电力、冷却和维护。计算技术最重要的变化,不只是制造出速度更快的机器,而是逐渐形成了一种遍布个人终端、工业设备、通信网络和数据中心的基础能力。现实中的声音、图像、文字和测量结果,可以被转换成统一的信息形式,在不同机器之间流动,并由程序按照明确规则处理。这套能力从一个看似简单、实际上并不自然的步骤开始:现实中的事物怎样成为数字?
无标题无名氏No.69547511
2026-10-01(四)20:19:50 ID: lBNsq7w (PO主)
二、现实怎样成为数字信息
相机接收的是光,麦克风接收的是空气振动,温度计感受的是物体的热状态。这些现象本身并不是数字。要让计算机处理它们,首先必须决定测量什么,以及怎样用数值记录测量结果。一张数字照片可以看作许多排列整齐的采样位置,每个位置记录一定范围内的亮度和颜色;录音采取类似办法,在连续变化的声音中反复测量,记录不同时间的信号大小;文字则需要规定一套编码,使每个字符对应一个数值。
数字化因此不是把现实原封不动地搬进机器,而是根据用途选择哪些差异需要保留,测量要精细到什么程度,哪些变化可以忽略。医学影像、卫星遥感和普通手机照片,即使都以数字形式保存,对细节和精度的要求也可能完全不同。数值同它表示的对象之间也不存在天然联系。同一个数,在一种规则下可以表示某个字符,在另一种规则下可以表示颜色、声音或者时间。一个数字文件要能够被正确读取,不仅要保存一串数值,还要有共同认可的格式,说明这些数值应当怎样排列和解释。
完成这一步以后,性质完全不同的对象便获得了共同形式。照片、声音、文字、地图和实验数据都可以被存入同类器件,通过同类网络传输,并接受数学运算。计算机不必先像人一样理解一幅图像的意义,才能调整它的颜色;只要知道哪些数值表示颜色,以及应该怎样改变这些数值。
数字还需要以某种形式保存在机器中。人日常采用十进制,用0到9表示数值;计算机主要采用二进制,只使用0和1。二进制同样按位置表示大小,只是各位从右到左依次代表1、2、4、8……例如1101表示8加4加1,也就是十进制的13。它不是一种特殊的信息,只是数值的另一种写法。
采用二进制主要是工程选择。计算机可以让0和1分别对应两类容易区分的物理状态,例如较低和较高的电压。文字、图像和声音先按照各自规则变成数值,这些数值再用0和1表示,最终由芯片中的物理状态保存。真实电路总有波动,但只区分两类相隔较远的状态,机器就不必准确保存每一次细微变化。只要信号仍落在相应范围内,便可以重新判断并恢复成0或1。数字系统的可靠性,不是因为物理器件毫无误差,而是因为这种表示方式允许一定误差存在。
无标题无名氏No.69547514
2026-10-01(四)20:20:15 ID: lBNsq7w (PO主)
三、程序与通用计算机
早期的计算和自动控制装置,常常把工作方式直接做进机械结构或线路连接。它们可以迅速完成预定任务,但要改变任务,就需要重新调整机器。现代通用计算机的关键变化,是把程序——也就是机器要执行的一系列指令——也用数字表示,像其他数据一样存入机器。机器从存储器中取出一条指令,完成相应操作,再继续读取下一条;更换程序,同一套硬件就可以承担不同工作。
程序因而具有双重身份。运行时,它规定机器接下来做什么;不运行时,它又是一组可以保存、复制、传输和修改的数据。程序可以检查另一个程序,可以根据需要生成新的指令,也可以通过网络传到另一台机器上执行。处理器负责按照程序改变数据,存储器保存程序和正在处理的数据,输入输出部分则让计算机同外部世界联系。键盘、屏幕和摄像头是输入输出,传感器、通信线路、科学仪器和机械设备同样也是。
一项复杂任务最终会落实为大量简单操作:取得数据,改变数据,比较结果,根据条件选择下一步,再把结果保存或送出。但现代软件并不是每次都从这些最底层操作重新建立。人们会先写出管理存储、文件、屏幕和网络的基础程序,后来的程序再利用这些已经存在的能力。这种逐层积累,使计算机能够在硬件结构基本相同的情况下不断增加用途。底层过程没有消失,而是被稳定的接口暂时隐藏起来,使更高层的工作成为可能。
通用性也有代价。能够灵活执行多种程序的机器,需要花费一部分电路判断指令、安排数据和处理各种情况。如果任务长期固定,专门为它设计的电路往往能够以更少的能量、更低的成本完成同样工作。现代计算硬件因此并没有趋向一种万能芯片,而是形成了通用处理器与多种专用器件的分工。
无标题无名氏No.69547515
2026-10-01(四)20:20:35 ID: lBNsq7w (PO主)
四、从晶体管到不同类型的芯片
程序是一套抽象规则,真正执行这些规则的却是物理器件。机器需要保存0和1,也需要根据已有状态决定下一刻怎样改变。晶体管构成了现代数字电路最基本的控制单元。它可以用一个电信号控制另一处电流是否容易通过;许多晶体管按照特定方式连接,便能够完成判断、计数、选择和保存等基本操作。再把这些电路大量组合起来,就形成处理器、存储器和各种控制芯片。
中央处理器,也就是CPU,主要面对种类多、前后关系复杂的任务,需要不断读取指令,判断下一步做什么,并在不同工作之间切换。图形处理器,也就是GPU,最初为了同时处理大量像素而发展。许多像素需要进行相似运算,因此可以安排大量较简单的计算单元并行工作;科学计算和人工智能中也存在大量类似运算,GPU由此获得了更广泛用途。还有许多芯片只承担较固定的任务,例如无线通信、图像处理、视频压缩、电源控制或者人工智能推理。任务越明确,设计者越能删去不需要的通用功能,使芯片在速度、功耗和成本上取得优势,代价是难以通过更换程序适应完全不同的工作。
存储器也形成了不同种类。正在运行的程序需要能够快速读写的存储器,长期保存的文件则更看重容量、成本和断电后能否保持。处理器内部还会设置少量速度更高的存储区域,暂时保存最常使用的数据。因此,一台现代计算设备通常不是一颗芯片独自工作,而是多个器件组成的体系。处理器负责组织和运算,存储器保存数据,通信芯片同外界交换信息,专用电路处理适合自己的任务。它们之间怎样连接和分工,往往同单颗芯片的最高速度一样重要。