Tips无名氏No.9999999

2099-01-01 00:00:01 ID: Tips

( ´ρ`)性感红名♡在线要饭(`ε´ )
https://afdian.com/a/nmbxd

无标题无名氏No.69508464

2026-09-24(四)22:03:58 ID: lBNsq7w (PO主)

二十一、“这个说法被纠正了”到底说明什么？

这种证据逐渐累积的过程，还带来另一个很容易误解的问题：科学结论会不断被修改。

假设有人说：“一瓶这种饮料含有50克糖。”后来实验室检测发现，实际平均含量是48.7克。从字面上说，原来的50克当然不准确。

但如果原来争论的是“这瓶饮料是不是含有大量糖”，那么50变成48.7，几乎没有改变核心结论。如果后来发现其实只有5克，意义才完全不同。

所以看到“某个说法被否定”“研究出现争议”“专家意见不一致”时，一个重要的问题是：到底哪一级结论发生了变化？是50变成48.7，还是50变成5？是现象确实存在，但大小需要修正？是机制解释改变了？还是原来以为存在的现象根本没有重复出来？

把局部修正包装成“整个事情都是假的”，和把一个大体正确的核心结论包装成“所有细节都已经得到证明”，都是同一种偷换。

真正需要知道的是：他们到底在争哪一句话。

二十二、“统计显著”到底有多显著？

假设有人研究一种新的鞋垫，想知道它能不能让人走得更快。研究200个人以后，使用新鞋垫的一组走一公里，平均比普通鞋垫组快了3秒。

这3秒到底说明什么？有可能鞋垫真的有一点作用，也可能只是随机分组以后，恰好这一组里多了几个走路比较快的人。

统计学首先试图回答的，就是后一个问题：如果鞋垫实际上没有作用，仅仅靠人与人本来的差异，我们有多容易碰巧看到现在这么大的差别？所谓“统计显著”，主要是在回答这个问题。

现在把实验扩大到200万人。最后仍然发现，新鞋垫组走一公里平均快3秒。因为人数极多，我们可以非常确定，这3秒大概不是随机分组碰巧造成的。统计上，它可能“极其显著”。

但对一个普通人来说，一公里快3秒有什么实际价值，是完全不同的问题。于是，同一个研究可以同时成立两句话：这个差异几乎肯定真实存在；这个差异小到大多数人根本不在乎。

这就是“统计显著”和“实际重要”之间最关键的区别。研究论文里常见的 P<0.05，就是这类统计判断的一种传统表达。普通读者不需要会计算它，但至少应该知道，它不等于“95%的概率理论是真的”，更不等于“疗效有95%”。

无标题无名氏No.69508467

2026-09-24(四)22:04:25 ID: lBNsq7w (PO主)

二十三、测得越多，为什么越容易找到“发现”？

事情还可以更糟。假设研究者不仅测“走一公里需要多久”，还同时测走100米多快、走500米多快、左脚步幅、右脚步幅、心率、出汗量、疲劳感、脚底温度、第二天腿酸不酸……

如果一次测很多指标，即使鞋垫实际上什么作用都没有，也越来越容易碰巧找到其中某一个看起来“显著”。这时候，如果最后只把那个最漂亮的指标拿出来，说“研究发现新鞋垫具有显著效果”，数学本身甚至可能没有算错。

真正出了问题的是研究者怎样使用数学。

所以看到“具有统计学显著性”以后，还得继续问：到底差了多少？这个差异有没有现实意义？研究一开始是不是就打算测这个指标？还是看完数据以后才发现它最好看？换一批人还能不能重复？

把“统计显著”直接翻译成“重要”“有效”或者“科学证实”，中间缺了好几步。

二十四、先看到成功者，再去寻找共同特点，会发生什么？

同一个问题还会以另一种方式出现。假设一种治疗已经给很多人使用。有人明显改善，有人没有变化，也有人变得更差。

这时回过头去看那些改善的人，很可能发现他们似乎有某些共同特点。于是产生一个新的结论：原来这种治疗不是对所有人有效，而是只对“这一类人”有效。

这种发现完全可能是真的。现代医学本来也不断寻找真正不同的治疗响应人群。问题在于，如果这个“某一类人”是在看完结果以后才定义出来的，就很容易把偶然差异当成规律。

年龄可以切，性别可以切，症状可以切，生活习惯可以切，化验结果可以切。再把几个条件组合起来，几乎总有机会找到一小群效果看起来格外漂亮的人。这和前面“测很多指标以后挑一个最好看的”，其实是同一种问题。

真正有力量的下一步，是把这一次发现当成新的线索，再拿下一批还没有看到结果的人，提前按照这套规则分类。如果下一批人仍然如此，这才开始成为真正有预测价值的规律。

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.69508493

2026-09-24(四)22:07:08 ID: lBNsq7w (PO主)

第一章完结，还有两章，一章讲相对前沿的技术，一章讲相对成熟的技术

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。