无标题无名氏No.69301086 只看PO
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.69598657
2026-10-10(六)20:19:27 ID: lBNsq7w (PO主)
六、从认识环境到形成行动
传统工程通常喜欢把从感知到行动的过程分得比较清楚。例如汽车可以先从图像中识别车辆,再计算车辆的位置和速度,再预测它可能怎样运动,然后规划路线,最后由控制系统执行。
机械臂也可以先识别一个杯子,测量它的三维位置和朝向,再计算抓取位置,最后控制关节运动。这种结构有明显优点,每一步都比较容易理解,也比较容易单独检查。
机器学习的发展使另一种路线逐渐成为可能。上一节已经看到,神经网络可以从大量输入中形成一些人没有逐项规定的内部表示。这样的表示不一定只用来判断“这是一只猫”或者“这是数字7”,也可以参与形成行动。
例如一个机器人要抓桌上的杯子,它当然可以先明确计算杯子的距离、方向和大小。但通过大量抓取经验,它也可能形成一些更直接服务行动的内部关系:这个位置够不够得到,从哪里抓更稳,需要多大力,向这个方向移动会不会碰到其他东西。
这些内部状态未必能够被人逐项翻译成传统工程量,却仍然可以帮助机器产生正确动作。于是,从计算结构上看,可以出现一种很直接的关系:传感器输入 → 神经网络 → 动作。
这和上一节的“像素 → 神经网络 → 数字判断”在原理上并没有一道无法跨越的鸿沟。机器学习最初大量用于感知,后来逐渐进入预测、规划和动作选择。一些系统还把从感知到行动之间的多个步骤一起训练,这通常称为端到端学习。
现实机器经常采用混合结构。学习模型处理难以写出规则的环境信息,传统控制器负责快速、稳定地执行动作;一些安全限制则仍然可以由独立系统负责。过去必须由工程师事先规定的一部分环境表示和行动策略,现在也可以从经验中形成。
无标题无名氏No.69598660
2026-10-10(六)20:19:45 ID: lBNsq7w (PO主)
七、机器可以一边行动,一边认识世界
更通用的机器人还会遇到自动驾驶中没有那么突出的一类问题。一个物体离自己多远,可以通过视觉估计;但它究竟有多重、表面有多滑、是否柔软、里面有没有液体,往往不能只靠远距离观察准确知道。
机器人可以先伸手接触。手指碰到物体以后,可以知道表面是否容易滑;稍微抬一下,可以判断它比预计轻还是重;物体开始移动以后,还能发现内部东西是否会晃动。行动本身产生了新的信息。
人也一直这样做。拿起一个不熟悉的箱子时,我们通常不会先测量它的质量,再决定如何发力。我们会先试着提一下,然后根据箱子的反应立即调整力量。
所以机器的感知并不一定在行动以前已经完成。有些信息只能通过行动获得。这使“感知—判断—行动”的关系进一步变成一个连续过程。机器可以为了获得信息而行动,再根据新信息继续调整下一步动作。
对于更通用的机器人来说,环境状态也不一定首先是一份完整的物理说明书。一个机器人未必需要知道某个物体“准确重3.72千克”,才知道它应该双手去拿;也未必需要把所有空间关系换算成一组人能读懂的坐标,才知道一个东西“够得着”或者“过不去”。
机器可以形成直接和行动有关的内部关系。这种能力如果进一步发展,机器面对现实世界的方式就会和传统自动化出现很大差别。传统机械臂要求环境先被整理好;更通用的机器则需要在不断变化的环境中,边感知、边行动、边修正自己对世界的认识。
无标题无名氏No.69598663
2026-10-10(六)20:20:05 ID: lBNsq7w (PO主)
八、为什么少见情况最难处理
机器进入开放环境以后,会遇到一个很难彻底消除的问题:现实情况的组合几乎没有尽头。正常天气、正常道路、普通车辆可以产生大量数据,也最容易被模型学好,真正困难的往往是少见组合。
强烈逆光下正在施工;货车掉下一件形状奇怪的物体;原有标线和临时标志互相冲突;行人从遮挡物后突然出现;一个熟悉物体以从未见过的姿态出现。每一种情况都很少见,但机器运行得足够久以后,就会不断碰到各种不同的“很少见”。
所以,一个系统在99%的普通场景里表现很好,并不意味着剩下1%的工作也只剩下原来的百分之一。剩下的部分往往更复杂。这些少见、边缘和异常情况,常被称为corner case,或者长尾问题。
一种处理办法,是让真实运行不断产生新的经验。系统一旦在某类场景中表现不好,人们就可以把这些场景收集出来,加入后续训练和测试。自动驾驶尤其容易形成这种循环:大量车辆在真实道路上运行,不断暴露过去没有充分考虑的情况,再把其中一部分变成新的训练材料。
但单靠等待并不够。真正危险的事件往往太少,不能等它自然出现很多次。因此,还可以主动寻找罕见场景,或者在仿真环境中制造强光、暴雨、打滑、传感器故障和突然障碍,让机器反复经历现实中很难大量收集的情况。
无论真实数据还是仿真,都不可能提前列举未来所有组合。因此,可靠系统还需要知道自己的工作边界。如果多个传感器互相严重矛盾,如果输入明显偏离训练中见过的情况,或者系统无法可靠判断接下来应该做什么,就需要进入一种更保守的状态。
无标题无名氏No.69598666
2026-10-10(六)20:20:27 ID: lBNsq7w (PO主)
九、自主系统怎样真正成为现实能力
一种很自然的想法是:机器负责普通情况,遇到困难以后,把控制权交还给人。这在一些场景中有效,但并不是普遍可靠的安全办法。
如果机器已经连续很长时间自己运行,人可能没有持续保持对当前状态的完整认识。突然要求人在几秒内理解环境、判断机器为什么退出并立即接管,本身就可能很困难。而且机器最希望退出的时候,往往正是环境最复杂的时候。
因此,可靠系统需要预先设计不同的退路。汽车可以减速并寻找安全位置停车;无人机可以先维持稳定姿态;工业设备可以停止动作、释放危险能量;某些系统还可以切换到能力较弱、但行为更容易预测的备用控制方式。
人的接管只是其中一种可能。真正的问题始终是:在当前状态下,哪一个部分拥有足够的信息、能力和反应时间。
开放环境很难,也不意味着所有机器都应该越来越通用。工业机械臂提供了另一条一直有效的路线:继续改造环境。仓库可以规定货架和地面路线;工厂可以使用标准托盘、夹具和定位标记;港口可以限制车辆运行区域。
如果稍微改造环境就能让机器可靠工作,就没有必要要求机器理解无限复杂的世界。道路、家庭、农田、建筑工地和灾害现场则很难完全这样做,这些地方更需要机器自己适应环境。
人形机器人之所以重新受到重视,也可以从这个角度理解。现代建筑、楼梯、门把手、工具和工作台原本就是按照人的身体设计的。如果机器拥有与人相近的身体结构,它理论上可以直接利用很多现成环境。
但人形结构同时带来平衡、能耗、机械复杂度、可靠性和成本等困难。所以现实中的机器发展,很可能长期存在两条并行路线:让机器越来越能适应现实,或者继续把现实设计得更适合机器。
从固定工位上的机械臂,到自动驾驶,再到更通用的机器人,机器行动能力扩展的并不只是“能够做多少种动作”。更重要的是,它能够面对的现实范围越来越大。
固定环境中的机器依靠坐标、反馈和标准化就能获得很高精度;环境开始变化以后,需要更丰富的感知和状态估计;开放环境进一步要求机器在有限时间内判断、行动,再根据结果修正下一步;机器学习又使其中一部分表示和策略可以通过经验形成。
最终,机器行动变成一个持续运行的循环:感知世界,形成足以行动的内部状态,选择动作,改变世界,再从新的世界继续感知。
人工智能正在改变这个循环中越来越多的部分,但物理世界的约束并没有消失。传感器会出错,计算需要时间,控制存在延迟,动作会产生新的扰动,训练数据也不可能覆盖未来的一切情况。
当计算结果不再只是屏幕上的文字和图像,而开始真正变成车辆转向、机械臂运动和机器施加的力量以后,算法最终仍然要回到现实世界接受检验。
下一节将进入另一种更加复杂的对象。计算机和机器人主要处理信息与外部物理世界,而现代生命科学正在使人类获得另一类能力:读取生命系统,并逐步设计、干预和改造其中的一部分。
无标题无名氏No.69724688
2026-11-02(一)22:19:48 ID: lBNsq7w (PO主)
第四节 读取、干预与利用生命
一、从遗传信息到实际功能
前一章已经讲过,DNA适合长期保存遗传信息,细胞会把其中一部分信息转成RNA,再进一步制造蛋白质。同一个人的神经细胞、肝细胞和肌肉细胞,拥有的DNA大体相同,却会调用其中不同的部分,因此形成完全不同的状态。
这里还需要补上一个很容易被日常语言遮住的概念:蛋白质究竟是什么。对许多人来说,“蛋白质”首先是食品包装上的一个营养指标。但在活细胞中,蛋白质首先是一大类真正承担具体工作的分子。
有些蛋白质能让原本很慢的化学反应迅速发生,这类蛋白质通常称为酶。有些蛋白质嵌在细胞表面,控制盐和其他物质进出;有些能够识别外界来的特定分子,这类蛋白质常被称为受体;有些负责搬运物质;有些构成肌肉和细胞内部的支架。人体产生的抗体,本身也是蛋白质。
蛋白质由较小的分子——氨基酸——一个接一个连接而成。生命常用的氨基酸大约有20种。它们的性质并不相同,于是一条氨基酸链形成以后,通常还会折叠成特定的三维形状。这个形状直接影响它能够做什么。
例如,一个酶表面的某个凹陷如果正好能够容纳一种特定分子,就可能抓住这个分子,帮助它发生化学反应。一个受体如果能够和某种激素结合,细胞就可能借此知道外界发生了什么。
所以,从DNA里的一串信息,到一个细胞真正表现出的功能,中间还有很长一段过程。DNA中的信息被读取,RNA参与传递和调节,蛋白质被制造并形成特定结构,许多不同分子再彼此作用,最终形成细胞的状态和行为。
而这个系统的可能性大得惊人。人的成熟胰岛素总共只有51个氨基酸;血红蛋白中的一条常见蛋白质链有146个氨基酸。所以,一条100个氨基酸长的蛋白质其实并不算大。
但如果这100个位置中的每一个位置,都有20种常见氨基酸可以选择,理论上就有大约10¹³⁰种不同排列。直接看到这个数字,很难产生真正的感觉。
可观测宇宙大约有10⁸⁰个原子,宇宙年龄大约是4×10¹⁷秒。假设做一个完全不现实的实验:让宇宙里的每一个原子,从宇宙诞生开始,每秒都制造并检查十亿条不同的100氨基酸序列。一直做到今天,总共也只能检查大约10¹⁰⁶条。
离全部可能的序列,仍然差大约10²³倍,也就是千万亿亿倍这个数量级。真实蛋白质还常常比100个氨基酸更长。
这并不是说,有用蛋白质在所有可能序列中平均随机分布,也不是说自然界需要把这些排列一个个试完。真正重要的是:即使只看一个不大的蛋白质,可能空间也已经大到无法靠穷举解决。
后面许多现代生物技术,其实都在回答同一个问题:既然不可能把所有可能性都试一遍,人类怎样找到有用的结构和功能?
无标题无名氏No.69724694
2026-11-02(一)22:20:24 ID: lBNsq7w (PO主)
二、我们开始能够直接读取生命内部
过去研究生命,很多时候只能从外面观察结果。一种动物长成什么样,一种细菌在什么条件下生长,一个病人出现了什么症状,一块组织在显微镜下发生了什么变化。
现代生命科学把观察逐渐推进到了分子层面。最直接的一层是DNA。今天可以直接读取大量DNA的碱基排列,比较不同人、不同细胞或者不同生物之间的序列差异。
但DNA更多保存长期信息。一个细胞此刻正在做什么,仅看DNA还远远不够。当细胞大量使用某些基因时,通常会产生更多相应的RNA。因此,测量各种RNA有多少,可以看到这个细胞此刻重点调用了哪些遗传信息。
还可以继续测量蛋白质。因为真正承担大量具体工作的,是蛋白质本身。某种RNA很多,并不保证相应的蛋白质一定同样多。蛋白质制造以后还可能被改变、搬运到别处或者很快分解。
还可以测量许多更小的分子。糖、脂肪酸、氨基酸以及细胞化学反应中不断产生和消耗的各种物质,都能反映一个细胞正在怎样使用物质和能量。
过去一次实验可能只检测几个指标。今天,一次实验可以同时得到成千上万个变量。一次观察一整类分子,而不是只看其中一两个,这类方法常被统称为各种“组学”。
观察的尺度也在继续缩小。以前研究一块组织,常常把其中所有细胞混在一起检测。这样得到的是平均结果。
但一块肿瘤组织里,不只有肿瘤细胞,还可能有参与免疫反应的细胞、组成血管的细胞和其他细胞。如果全部混在一起,一个只发生在少数细胞中的强烈变化,很容易被平均掉。
现在已经可以把大量单个细胞分别测量,再判断其中有哪些不同类型、分别处于什么状态。更进一步,还可以保留这些细胞原来在组织中的位置。
于是,人们不仅知道“这里有这种细胞”,还可以知道某种细胞是不是集中在肿瘤边缘,另一种是不是主要靠近血管,两类细胞是不是经常紧邻出现。过去看起来像一整块均匀材料的组织,开始显露出内部真正的组成和空间结构。
这种变化非常大。越来越多过去只能间接猜测的生命内部状态,现在可以被直接测量。这些信息又会告诉研究人员下一步应该往哪里找:哪些分子可能彼此有关,哪些细胞可能正在互相影响,哪些变化值得进一步验证。
无标题无名氏No.69724702
2026-11-02(一)22:20:55 ID: lBNsq7w (PO主)
三、细胞里的“通路”是怎样得到的
生物学书籍中经常可以看到一种图。一个分子旁边画一根箭头指向另一个分子,第二个再指向第三个,最后引起某个基因开启,或者让细胞生长、分裂、移动或死亡。这类关系通常被画成“信号通路”。
这种图非常有用,但真实细胞内部并没有一根根像电线一样预先接好的线路。细胞里同时存在大量不同分子。它们不断运动,也不断被制造、运输、改变和分解。
如果两个分子在物理和化学性质上能够彼此结合,又恰好在同一时间出现在同一个位置,而且数量足够,它们就可能发生作用。同一个蛋白质往往不只有一个可能作用对象。
附近如果还有其他能够与它结合的分子,就会发生竞争。有些结合很牢,有些只是短暂接触;有些分子很多,有些极少;有些位于细胞表面,有些只存在于细胞内部。
所以研究人员画出的“通路”,更像是从一个庞大而不断变化的分子网络中,抽出一组在某种现象中反复出现、作用特别重要的关系。
例如,胰岛素进入血液以后,会和细胞表面能够识别胰岛素的受体结合。受体发生变化以后,又影响细胞内部一系列蛋白质,最终使一些细胞更积极地摄取和利用葡萄糖。把其中最重要的步骤抽出来,就可以画成一条“胰岛素信号通路”。
这样的图能够帮助人抓住主干。但细胞里的实际情况通常比图复杂得多。
现代技术使寻找这些关系越来越快。研究人员可以观察某种处理以后成千上万个分子怎样变化;可以检查两个蛋白质能不能直接结合;也可以把其中一个蛋白质减少、增加或者破坏,再看后面的变化是否随之消失。
这些实验的意义并不完全相同。如果把两个分子以很高浓度放在同一支试管里,发现它们能够结合,只说明它们在化学上存在发生作用的可能。
如果在活细胞中还发现它们确实出现在同一地点,而且改变其中一个会稳定地改变另一个以及后面的细胞行为,那么这条关系就可靠得多。
正是靠大量这样的实验不断叠加,人们逐步建立起今天关于代谢、免疫、发育和疾病的大量知识。通路图因此是一种很有用的地图。它帮助人理解生命,却并不是细胞内部所有相互作用的完整复刻。
无标题无名氏No.69724707
2026-11-02(一)22:21:18 ID: lBNsq7w (PO主)
四、我们开始能够按目标改变遗传信息
只观察一个系统,往往很难判断某个变化究竟是不是原因。如果一种蛋白质在病变细胞中总是升高,它可能推动了病变,也可能只是病变发生以后被动升高。
一种更有力的方法,是主动改变它,再观察发生什么。这种思路很早就存在。研究人员可以制造遗传突变,也可以用药物阻断某个蛋白质,还可以设法让一个基因不再工作。
现代基因编辑技术,使这种干预变得容易和灵活得多。其中最著名的一类工具叫CRISPR。
它的一部分机制原本存在于微生物中。研究人员后来发现,可以利用一小段RNA去识别目标DNA附近的序列,再把负责作用于DNA的蛋白带到相应位置。
这段RNA像一个可以更换的地址标签。如果想换一个目标,很多情况下不必重新制造一种完全不同的蛋白质,只需要改变这段RNA的序列。
于是,只要知道一个基因的DNA序列,研究人员通常就可以很快设计出若干候选方案,尝试让CRISPR系统去作用于这个位置。这使大规模研究基因功能成为现实。
例如,可以准备成千上万种不同的引导RNA,让不同细胞中的不同基因分别失去作用,再看哪些细胞因此停止生长、哪些对某种药物突然变得敏感。原来需要一个基因一个基因慢慢研究的问题,现在可以一次同时检查大量候选。
CRISPR也不仅能用来“破坏”基因。早期方法常常先把DNA切开,再利用细胞自己的修复过程形成改变。这种办法很有效,但修复后的结果不一定完全相同。
后来又发展出更加细致的方法。例如,有些工具可以直接把DNA中的某一种碱基改成另一种,而不必先把DNA两条链完全切断。还有一些方法能够按照额外提供的序列信息,对一小段DNA进行更复杂的改写。
到2026年,基因编辑已经是一类非常强的实验和工程工具,但不同层次上的能力仍然有明显区别。选择目标位置这一层已经很灵活:换一个引导RNA,就可以把同一套基本工具重新指向另一个DNA位置。
真正产生什么编辑结果,则要看具体方法和对象。有些细胞和位置可以让很高比例的细胞获得希望的改变;另一些组织很难把编辑工具送进去,或者编辑以后会产生多种不同结果。
DNA改好以后,生物学结果有时很直接,有时则复杂得多。如果破坏一个制造某种关键蛋白的基因,效果可能非常明确;如果一个基因同时参与许多过程,其他分子还可能进行补偿,最终结果就更难预测。
所以基因编辑真正改变的,是人类已经可以相当普遍地对指定遗传位置主动做实验,而不再只能等待自然突变出现。
无标题无名氏No.69724709
2026-11-02(一)22:21:40 ID: lBNsq7w (PO主)
五、无法穷举,就把“寻找”本身变成技术
前面已经看到,一个很短的蛋白质就拥有无法穷举的可能序列。人类怎样从里面找到有用的东西?
一个办法,是利用自然界已经进行过的搜索。几十亿年来,生命不断复制、变异和选择。不同生物生活在高温、低温、高盐、缺氧等各种环境中,也不断面对病毒、捕食者、竞争者和各种有毒物质。
这些漫长过程留下了大量特殊功能。有些蛋白质能够感受光,有些能够运输离子,有些可以在接近沸水的高温环境中仍然正常工作,还有一些能够制造结构非常复杂的化学物质。
现代生物技术中的很多工具,就是先发现自然界里已经存在一种有用能力,再把它分离出来、研究和改造。今天寻找这些能力的范围比过去大得多。
一把土里可能有成千上万种不同微生物,其中许多根本无法方便地在实验室里单独培养。过去,没有培养出来,就很难研究它。
现在可以直接从土壤里提取混合DNA,一次读取其中大量遗传序列,再寻找可能编码特殊蛋白质的片段。海水、污水、人体肠道以及极端环境也可以用类似方法研究。这相当于把大量过去从未进入实验室的生命,也纳入了搜索范围。
但自然界只探索了全部可能空间中的一小部分。人类还可以自己制造新的变化。
例如,一种工业酶已经能够完成某个化学反应,但在60摄氏度时很快失去活性。研究人员可以制造成千上万个稍有不同的版本,看看哪些在高温下还能工作,再用其中最好的版本继续产生新的变化。
一轮又一轮进行下去,就可能得到比原始天然蛋白质更耐热的酶。这种“制造变化—筛选—继续变化—再筛选”的方法,通常称为定向进化。
研究者不需要事先知道“最耐热的蛋白质序列应该是什么”。只要能大量制造候选,并且有办法快速测出谁更好,就可以一步步向目标推进。
类似的方法也被用于抗体、药物靶点和基因研究。例如,可以一次让许多不同基因分别失去作用,再找出哪些变化使癌细胞更容易被某种药物杀死。
现代自动化设备可以培养大量样品,机器人可以加液和取样,仪器可以快速检测结果,计算机再从大量数据里挑出值得继续研究的候选。于是,“寻找”本身也变成了一种可以不断扩大规模的技术。