回应模式 - No.69301086


No.69301086 - 科学


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.69547517

2026-10-01(四)20:20:59 ID: lBNsq7w (PO主)

五、计算为什么受到存储、通信和能量限制
处理器完成一次简单运算可能极快,但运算开始以前,数据必须先到达。数据可能就在处理器内部,也可能存放在主存储器、固态硬盘或者远处的服务器中。位置越远,取得数据通常越慢,搬运数据所需的能量也越多。计算机因此采用分层存储:少量而常用的数据尽量靠近处理器,更大的数据保存在容量较高但速度较慢的存储器中,长期文件则放在更远的设备里。系统不断预测哪些数据即将使用,并把它们提前移到更近的位置。
当处理器速度不断提高以后,等待数据逐渐成为重要限制。增加计算单元也不能自动解决问题。如果数据来不及送到,大量电路只能闲置;如果任务本身无法拆开同时进行,再多处理核心也不会带来同等比例的加速。功耗和散热又构成另一重限制。晶体管改变状态需要能量,大量晶体管高速工作会产生热量。移动设备受电池和体积限制,数据中心则要为大量服务器持续供电并排出热量。
几十年来,半导体产业不断缩小晶体管,在同样面积中容纳更多器件。二十世纪六十年代,戈登·摩尔根据早期集成电路的发展速度提出,芯片上能够经济集成的元件数量会大约每隔一段时间翻一番。这一长期趋势后来被称为摩尔定律。它不是自然界保证实现的规律,而是从经验预测逐渐成为设计企业、设备制造商、材料供应商和晶圆工厂共同安排研发节奏的参照。产业不断投入新的设备、材料和工艺,才使这个趋势维持了很长时间。
晶体管缩小曾经同时带来更多器件、更高速度和较低的单位功耗。但随着尺寸继续减小,漏电、发热、制造难度和投资成本不断上升,提高处理器运行频率不再像过去那样容易,晶体管数量增加也不再自动转化为所有程序都更快。计算能力的提高因而越来越依赖整个系统:增加并行计算,为固定任务设计专用电路,缩短计算与存储之间的距离,提高芯片之间的通信速度,并通过新的封装和冷却方法控制功耗。

无标题无名氏No.69547519

2026-10-01(四)20:21:16 ID: lBNsq7w (PO主)

六、芯片怎样制造
芯片中的电路极其复杂,却要在一块平整的硅片上逐层制造出来。制造首先从高度纯净、结构规则的硅晶体开始。硅晶体被切成薄片,再经过研磨和抛光,成为表面极其平整的晶圆。工厂随后要在晶圆表面反复形成材料、去除材料,并改变特定位置的电学性质,其中最关键的问题,是怎样只加工需要的位置。
一种直观办法是在物体表面盖上镂空模板,再从上面喷涂材料。涂料只能穿过开口,模板拿走以后,指定图案便留在表面。芯片上的图形远比普通模板精细,工厂于是用光在晶圆表面临时形成这样的“开口”。晶圆先铺上一层材料,再涂上遇光后性质会改变的感光胶。光带着这一层电路所需的图形照到感光胶上;经过显影,一部分胶被洗去,下面的材料露出来,其余位置仍受保护。工厂随后只在露出的地方加工,可以去掉原有材料,也可以加入新的物质,或者改变局部区域的性质。加工完成后,剩余感光胶也被清除。
接下来,晶圆表面再铺一层材料,换一幅图形,重复同样过程。一次只形成一层局部结构,许多层准确叠加以后,晶体管和连接它们的金属线路才逐渐完成。这种用光把图形转移到晶圆表面的工艺称为光刻。光刻机的基本任务,是把极其精细的图形准确投射到感光胶上。图形不仅要小,还必须同晶圆上已经存在的结构精确对准;任何一层发生偏移,都可能使原本应该连接的线路错开,或者让不该相连的地方接触。
器件尺寸接近光的波长以后,图形不会像普通影子那样原样缩小。光会发生衍射,感光材料和后续加工也会使边缘变形。制造先进芯片需要使用波长更短的光、极其精密的光学和运动控制系统,还要预先修正用于曝光的图形,使加工后的结果接近设计要求。光刻只决定在哪里加工,芯片制造还要形成极薄的材料层,刻出结构,改变硅的局部电学性质,磨平表面,并在各道工序之间不断清洗和检测。晶圆会在这些步骤之间反复往返,任何微小偏差都可能影响后面的许多层。
晶圆加工完成后,还要测试其中每颗芯片,再把晶圆切开。合格芯片需要同外部电路连接,并安装在能够保护器件、提供电源、传递信号和排出热量的封装中。随着多个芯片被并排放置甚至彼此堆叠,封装已经不只是外壳,也开始直接决定系统的数据传输和散热能力。

无标题无名氏No.69547640

2026-10-01(四)20:44:11 ID: lBNsq7w (PO主)

七、良率、生产经验与硬件产业链
一张芯片设计图可以精确规定每个器件的位置,但真实生产不可能完全没有偏差。晶圆表面可能落入微小颗粒,薄膜厚度可能略有变化,光刻图形可能发生偏移,设备状态也会随时间改变。一片晶圆上同时制造许多颗芯片,最后能够通过测试的比例称为良率。良率直接影响成本:制造一片晶圆所耗费的设备、材料和时间大体相同,如果合格芯片很少,每颗产品就必须分担更高费用。
芯片面积越大,遇到缺陷的机会通常越高。把一个大型系统拆成若干较小芯片,分别制造和测试后再通过封装连接,有时能够获得更高产出,但芯片之间的通信又会增加新的复杂性。提高良率也不能只在最后挑出坏品。工程人员必须不断分析生产数据,判断偏差来自哪种材料、哪台设备、哪一道工序,或者来自不同步骤之间的相互影响;一个参数的调整可能改善当前图形,却使下一层更难加工。
这使芯片制造具有很强的积累性。同样的设备、材料和设计文件,放进不同工厂,并不保证立即得到相同结果。设备需要校准和维护,材料需要长期保持稳定,数以百计的步骤必须彼此衔接。大量经验存在于生产记录、控制方法、供应商协作和工程团队处理异常的能力中。实验室或试验线偶尔得到合格样品,同一座工厂以足够高的良率连续生产数月,是完全不同的能力。
一颗芯片背后也很少只有一家企业。芯片设计需要专门的软件和可重复使用的电路模块;晶圆制造需要光刻、材料加工、清洗和检测设备;设备本身又依赖精密光学、真空系统、运动控制、激光器和传感器。硅片、感光材料、特种气体、金属和封装材料分别由不同供应商提供。有些企业同时设计和制造芯片,有些只负责设计,把生产交给专业晶圆厂;存储器、处理器、模拟电路、功率器件和传感器需要的工艺也不完全相同。芯片完成以后,还要经过封装和测试,再进入电路板、部件、整机和数据中心。
这种分工使不同企业能够集中积累某一种能力,也让计算硬件成为全球范围内高度协作的产业。它同时意味着,设计、设备、材料、晶圆制造、存储器、封装和整机不能简单相互替代。拥有其中一个环节,并不等于拥有完整的计算硬件产业。高技术制造与一般组装之间也没有一条可以按产品外观简单划出的界线。某些整机装配已经高度标准化,增加值较低;高性能服务器、复杂电路板和先进封装却可能需要深厚的系统工程能力。真正需要判断的是一个环节解决了什么困难、积累了什么能力,而不是它处在产业链的前端还是末端。

无标题无名氏No.69547646

2026-10-01(四)20:44:57 ID: lBNsq7w (PO主)

八、个人终端、工业计算与云
计算能力进入现实以后,形成了几种很不相同的形态。手机把计算、通信、摄像、定位和多种传感器放进随身设备,使人可以持续接入网络。个人电脑和工作站则保留了更开放的文件、软件和设备连接环境,在长时间写作、编程、工程设计、科学分析和内容制作中仍然承担重要工作。它们都是人直接操作的通用终端,只是适合的任务和使用条件不同。
另一类计算机嵌入机器和基础设施内部,主要负责测量、判断和控制。它们通常不追求不断增加应用,而是要求在特定环境中长期稳定运行,在规定时间内作出反应,并在故障时进入可预期状态。工业设备的使用寿命可能远长于消费电子产品,所采用的芯片需要长期供应,也要同已经存在多年的机械、传感器和软件兼容。一颗速度更快的新芯片,如果尚未经过充分验证,或者更换后需要重新检查整个系统,未必具有实际优势。这也是较成熟的芯片工艺仍然大量存在的原因之一。
个人终端和工业设备之外,还有越来越多计算集中在数据中心。许多服务器共同使用供电、冷却、通信和维护设施,为远处用户提供存储、计算和软件服务。云计算改变的主要不是计算原理,而是取得计算资源的方式。过去,一个机构开展新业务,常常需要先购买服务器、建设机房并安装软件;云服务则把计算和存储组织成可以按需要调用的资源。任务增加时可以临时扩大,需求下降时又可以减少,使用者不必先确定每一台具体机器。
这种灵活性使小型团队也能迅速获得过去只有大型机构才能建设的计算条件,却没有消除物质限制。云端数据仍然位于具体设备中,远距离访问仍会受到网络速度影响,数据中心仍然需要大量芯片、电力和冷却。服务集中以后,一次故障也可能同时影响许多机构和用户。现代计算体系因此同时包含分散与集中:个人终端和各种设备遍布现实环境,大型计算和存储又不断集中到数据中心,网络把两者连接起来,使一项任务可以在不同位置之间分配。

无标题无名氏No.69547695

2026-10-01(四)20:53:01 ID: lBNsq7w (PO主)

九、互联网为什么能够形成整体
互联网不是由某个机构一次建成的单一网络。家庭、企业、学校、数据中心和通信运营商各自建设网络,不同网络再按照共同规则彼此连接。“互联网”这个名称本身,指的就是网络之间的互联。信息传输时,一份文件通常不会作为不可分割的整体直接送往目的地,而会被分成较小的数据包。许多用户的数据包可以共享同一条线路,中间设备再根据地址逐段转发。部分数据包可能经过不同路径,到达时间也可能不同,接收端按照共同规则检查和重新组合。
这种方式不要求发送者和接收者之间始终保留一条固定线路。某段网络拥堵或者中断时,数据可能改走其他方向;但数据包也可能丢失、重复或顺序混乱。通信协议规定了双方怎样确认数据、何时重新发送、怎样控制速度以及如何识别不同类型的服务。更特别的是,互联网没有一个负责安排全球全部通信的总调度中心。
一家网络运营者主要管理自己的设备和内部连接,同时同相邻网络交换信息,说明哪些目的地址可以经过自己到达。其他网络结合这些信息,决定数据下一步应当交给谁。大量局部选择连续起来,便形成跨越许多网络的路径。单个网络不必掌握互联网全部线路的实时状态,也不必预先知道每个数据包最终经过哪些设备,只需要按照当前掌握的信息作出下一步转发决定。从有限的局部信息中形成全球连接,是互联网最重要的结构特征之一。
这种体系同神经系统有一点形式上的相似:局部单元不必拥有完整的整体地图,也能通过有限连接参与全局活动。但互联网依靠的不是自然演化形成的神经回路,而是公开的技术协议、网络之间的协作以及工程人员持续不断的运行维护。互联网也不是所有部分都同样分散。域名解析、云服务、软件平台、海底光缆和大型数据中心都可能集中在少数机构或地点,大型运营网络在连接体系中的地位也不相同。更准确地说,互联网的基本通信架构没有一个必须控制所有数据的中央节点,但建立在它上面的具体服务完全可能高度集中。
这种结构使互联网容易扩展。一个新网络不必等待某个全球控制者重新设计整个系统,只要获得地址、建立连接并采用共同协议,就可以加入互联网。局部线路发生故障时,其他路径也可能继续工作。同样的结构也会带来问题:网络之间交换的路径信息可能出错,软件和设备可能存在缺陷,少数重要线路和服务中断也可能产生广泛影响。互联网能够运行至今,并不是因为去中心化天然可靠,而是因为共同协议、分散决策、冗余连接和长期维护共同维持了这个不断变化的体系。

无标题无名氏No.69547699

2026-10-01(四)20:53:20 ID: lBNsq7w (PO主)

十、经典计算之外:量子技术
前面讨论的计算机,无论采用中央处理器、图形处理器还是专用芯片,都用明确的0和1表示信息,并通过经典电子电路改变这些状态。量子计算尝试使用另一类物理过程处理信息。量子计算机使用能够保持和控制量子状态的物理对象作为量子比特。计算过程中,多种可能状态共同参与后续演化;经过精心安排,不同演化路径可以相互增强或抵消,最后再通过测量得到普通的数字结果。
它经常被说成“同时尝试所有答案”,但这种表述夸大了叠加本身的作用。量子计算机在最后测量时不能把所有可能答案一起交出来。如果没有合适的算法安排干涉,最后得到的只是一种概率结果,并不会比随机尝试更有价值。因此,量子计算并不是一种对所有任务都更快的计算机。只有某些问题具有适合量子算法利用的结构。大数分解、量子物质模拟以及少数数学问题可能获得重要优势;文字处理、数据库、网页服务、机械控制和绝大多数日常计算,不会因为改用量子计算机就普遍加快。
证明某种量子算法在理论上更快,同制造出足够大、足够稳定并能完成实际任务的机器,是两件不同的事。量子状态容易受到环境干扰,操作误差又会不断积累。为了得到少量可靠的逻辑量子比特,可能需要大量物理量子比特进行检测和纠错。量子计算更可能成为经典计算体系中的专用工具:普通计算机准备数据、控制装置并处理大部分工作,量子设备只承担其中适合量子算法的环节。它的长期价值不能从“量子现象很奇特”直接推出,而要看这种特殊计算方式最终能解决多少重要而又无法由经典计算有效处理的问题。
量子通信和量子传感虽然也利用量子规律,却不是量子计算的附属用途。量子通信试图利用测量会改变量子状态的性质建立新的密钥分发方法;量子传感则利用量子系统对环境变化的敏感性,提高时间、磁场、重力和加速度等测量精度。三者面对的问题、工程条件和成熟程度并不相同,不宜合并成一个笼统的“量子产业”。

无标题无名氏No.69547702

2026-10-01(四)20:53:44 ID: lBNsq7w (PO主)

十一、从执行程序到从数据中学习
从数字编码到程序,从晶体管到芯片,再到个人终端、数据中心和互联网,现代计算已经形成一套覆盖信息表示、运算、存储和传输的完整体系。这套体系最擅长处理能够写成明确步骤的工作。一旦规则已经确定,计算机可以用远超人的速度反复执行,而且不会因为疲劳而随意改变标准。科学计算、工业控制、通信、金融记录和现代行政系统,都建立在这种能力之上。
但现实中还有许多任务,很难预先写出完整规则。人可以辨认不同角度、光照和背景中的物体,却很难逐条说明自己究竟依据了哪些特征;人能够理解同一句话在不同语境中的含义,也很难为语言的所有变化列出确定规则。传统程序并非完全不能处理这些问题。人们曾经编写大量规则,规定机器应该寻找哪些特征、遇到哪些情况作出什么判断。这种方法在范围明确、环境稳定的任务中仍然有效,但当对象变化太多、规则数量迅速增长时,人工列举很容易达到极限。
另一条道路由此逐渐发展起来:不再由人预先写出全部判断规则,而是让机器从大量数据中调整一个模型,使它在新的输入上给出合适结果。程序仍然由计算机执行,训练仍然依赖芯片、存储器和网络,但机器能力的来源发生了变化——一部分规则不再由人逐条规定,而是从数据和训练过程中形成。人工智能不是脱离计算机出现的另一种神秘机器,而是在数字化、芯片、软件和网络已经发展到足够规模以后,人类获得的一种新的信息处理方法。下一节将讨论:机器怎样从数据中形成模型,这种方法为什么能够处理语言、图像和声音,又为什么它在表现出惊人能力的同时,仍然会犯下与传统程序很不一样的错误。

无标题无名氏No.69569838

2026-10-05(一)21:10:59 ID: lBNsq7w (PO主)

第二节 人工智能:机器怎样从经验中形成能力
一、过去的计算机,首先要求人知道规则
上一节讲过,计算机能够按照程序处理数据。长期以来,这种能力有一个很自然的前提:人必须先知道怎样把任务写成规则。
计算工资,可以规定税率、收入和扣除项目怎样计算;数据库检索,可以规定符合哪些条件就返回哪些记录;工厂控制系统,也可以规定传感器读数达到什么范围以后启动什么设备。只要规则足够明确,计算机能够比人快得多,也稳定得多。
但人类长期掌握着另一类能力。
我们能认出一张陌生的脸,听懂一句从未听过的话,判断一张模糊照片里是什么东西,也能从一篇文章中大致把握作者在说什么。这些事情并不是没有规律。问题在于,规律很难被完整写成一张规则表。
例如手写数字“7”。不同人的写法可以粗细不同、倾斜不同、大小不同,有的人中间加一横,有的人不加;笔迹还可能断裂、模糊,甚至和“1”有些相似。人通常仍然能够识别。若要求程序员预先规定“只要满足这些具体条件,就是7”,很快就会碰到大量例外。
早期人工智能曾经大量尝试这种路线:把专家使用的知识和判断规则直接写进机器。它在规则明确、范围有限的问题上取得过成功,但面对图像、语言和复杂环境时,规则数量会迅速增长,而且新的例外不断出现。
机器学习带来的重要变化,是把其中一部分工作倒了过来。
人不再要求先把完整规则写出来,而是给机器许多实例,让它在处理这些实例的过程中形成自己的处理方法。

无标题无名氏No.69569845

2026-10-05(一)21:11:46 ID: lBNsq7w (PO主)

二、机器究竟学到了什么
还是从手写数字开始。
一张28×28像素的灰度图片进入计算机以后,可以表示成784个数,每个数记录一个位置的明暗程度。为了说明方便,我们暂时只看其中几个,把它们叫作a、b、c……
下一层会产生另一批数,例如d、e、f……其中每一个数,都由上一层的许多数按照同一种简单办法算出来。例如:
d = 0.8a − 0.3b + 0.2c + … + 0.1
算完以后再作一个很简单的处理:如果结果小于0,就把它记成0;如果大于0,就保留原来的结果。
e也是这样算,只不过前面的系数换成另一组数;f也是如此。这一层的其他数字,都采用同一种基本计算方法。
到了下一层,还是一样。假如这一层已经得到d、e、f……,下一层的某个数p可以是:
p = 0.4d + 0.7e − 0.2f + … + 0.3
然后同样判断一次正负。
所以,如果某一层是一批数a、b、c……,下一层是另一批数d、e、f……,每一个下一层的数,都是把上一层的许多数分别乘上不同系数,再加起来。基本规则并不会随着层数增加而突然变得神秘,变化的是每个连接使用什么系数。
每层的数字个数也不必相同。一张图片开始时有784个输入,下一层可以变成128个数,再下一层变成64个,最后只留下10个数,分别表示这幅图像更像0、1、2……还是9。哪个数最大,模型就作出相应判断。
单独拿出任何一个节点来看,它所做的事情都只是乘法、加减法,再加一次简单判断。复杂性来自另一件事:这样的节点很多,一层接一层,而且每一条连接前面的系数都可以不同。
这些系数,以及算式最后额外加上的数,就是模型能够通过训练改变的参数。
一个很小的“784—128—64—10”网络,已经有大约11万个这样的参数。怎样理解这个数字所产生的复杂程度?
不妨作一个极端简化:假定每个参数只有10种可能取值。那么整个网络就有10的11万次方种可能的参数组合。这个数字写出来并没有多少帮助,可以换一种想法。
宇宙从大爆炸到今天大约经过了4×10^17秒。可观测宇宙中的恒星数量大约在10^22到10^24这个量级。假定每一颗恒星都变成一台计算机,而且每秒能够试十亿种参数组合,从宇宙诞生一直试到今天,所有恒星加在一起也只能尝试大约10^51种组合。和前面的参数空间相比,这个数量仍然小得几乎没有意义。
甚至可以继续作一个荒唐的想象:把每一颗恒星都换成一整个同样大小的可观测宇宙,再让里面每颗恒星都这样计算;然后再把里面的每颗恒星继续换成一个宇宙,一层一层套下去。要把这个数量级追上,需要套上数千层。
真实训练当然绝不会把所有可能组合逐个尝试。它利用的是另一件事:模型每次犯错以后,可以算出许多参数分别朝哪个方向稍微改变,通常能使误差减小一点。于是它不是在一个不可想象的组合空间里随机试错,而是沿着能够让结果逐渐改善的方向,一点点改变参数。
经过大量训练以后,一批局部看起来极其简单的加减乘法,最后却可以共同完成数字识别这样的任务。神经网络的复杂,并不意味着每一步计算复杂。恰恰相反,每一步可以简单得近乎乏味;复杂能力来自海量简单关系经过训练以后形成的组合。
经过这些层以后,模型内部形成了一批新的数值关系。同一个“7”可以写得很大、很小、很斜,原始像素可能相差很多;经过多层计算以后,它们却可能变成较为接近的内部状态。相反,有些局部相似的“1”和“7”,又可以逐渐被分开。机器学习中所谓“表示”,大体说的就是这种事情:原始数据仍然是那些数据,但模型学会了一种更适合当前任务的组织方式。