NewsCove - Watch & Read Online Free

ADVERTISEMENT

ADVERTISEMENT

【AI时代，別慌】丁源森 / AI误言，孰之过？

讲一件2025年下半年发生在澳洲、值得我们提早留意的事。澳洲就业部门花了44万澳元（折马币约130万），委托全球4大会计师事务所之一的德勤（Deloitte），做一份独立的政府系统审查报告。审查对象是澳洲一套“自动扣减没按时找工作的福利金领取者补助”的执行机制，评估它是否运作得当。报告完成、公开后不久，有人认真翻了一遍，意外发现报告里多个学术文献根本不存在，一段联邦法官判词更是凭空虚构，前前后后被翻出二十几处错误。事后，德勤发布了更正版，确认报告里有部分内容是用类似ChatGPT的AI起草的，并退还了一部分合约费用，事情才告一段落。类似的乌龙，其实不只这一桩 2023年，美国一位律师在准备诉状时，让ChatGPT帮他找判例。AI很热心，端出一大堆“看起来很像”的案例，连法官姓名、案号、判词都齐全。律师没核对就提交了。结果对面律师怎么也查不到，因为这些案例全部是AI编的。法庭最后判处5000美元罚款，案子一时哄动业内，成了法学院讲课时常被搬出来的反面教材。乌龙是一件事。但这两个故事真正值得我们深思的，是另一个问题——当AI写错了东西、害了人，到底谁该负责？听起来简单，其实没那么好答。粗略至少有3种立场： AI公司可以说：“我们卖产品时白纸黑字写明AI会胡说，使用者自己要核实。我们的告知责任尽到了。” 中间的专业人士可以说：“AI是个黑箱，里头怎么运作我们也看不清。它出错的具体方式我们无从预料。” 而买单的客户则会说：“我请你这位专业人士，就是请你替我把关，不是请你转手拿AI复制粘贴。” 3种说法各自有理。可问题来了——前两种立场如果都同时成立，整个系统就出现一个奇怪的真空：每个人都把球往别人那边踢，最后没人接得住。法律学界把这个现象戏称为“双重免责盾”（Double Shield）。这个问题，人类法律史上其实早就遇过一次类似的版本，只不过那时候的主角不是 AI，是药。笔者举个简单的例子。你今天去医院看病，医生开了药给你，吃下去出了大问题。请问，是制药公司的错，还是医生的错？美国法律过去大半个世纪的答案大致是：制药公司只要把这款药的风险、副作用、禁忌都清楚告知医生，它的责任就尽到了一大半。剩下的责任要由医生承担，因为医生才是那个了解你的体质、判断这款药适不适合你、决定要不要开给你的人。这条原则有个名字，叫“学识中介原则”（Learned Intermediary Doctrine），上世纪60年代由美国法庭在一桩制药官司里正式定名，沿用至今。简单说，制药公司和病人中间，必须有一个“懂的人”在做判断，整套系统才跑得动。而这个“懂的人”的价值，恰恰来自一件事——他必须真的去判断。如果医生只是把药商广告单原封不动塞给病人，那他其实没在当中介，只是在传话。法律上这种情况，他的“中介身分”就作废了。搬回AI时代，问题突然就清晰了当一家中介把AI起草的报告不充分核实就送出门，当一位律师把ChatGPT找的判例直接呈给法庭，他们都不是“用户”，而是中介。他们存在的价值，就是用专业判断把AI的产出过滤一遍，再交给客户。如果他们跳过这一步，他们其实没在当中介，只是在传话，而且还收了一笔不小的费用。而一旦中介自废了武功，AI公司原本可以躲在它身后的免责盾也跟着塌了，因为整个免责机制的前提，就是“有一个懂的人在做判断”。中介不判断，盾就保不住。所以这个问题真正的答案，往往不是简单地说“AI公司有错”或“用户活该”，而是那个夹在中间、本该负责把关、却把这一关跳过去了的专业人士，错最大。不只关乎会计师事务所或律师老师用AI改作业、医生用AI看片、科学家用AI写论文、工程师用AI写程序——只要你以“专业人士”的身分，把AI的产出转交给依赖你的人，你就是那个中介。AI出的错，最后是要算在你头上的。当然，查证的力度要和事情的分量成正比。一份内部草稿，不必逐字推敲；但当产出关乎客户的钱、病人的健康、被告的自由，那核实就不再是“最佳实践”，而是专业的底线。笔者自己是科学家，对这件事感受特别深。我们这行用AI加速研究已经是日常，但AI偶尔会编出一些听起来言之凿凿、其实根本不存在的文献和数据。所以越倚赖AI，论文出门前的逐项核对反而越不能省。一旦有什么漏过去，把锅推给AI公司是不可能的，也不应该。这件事放回马来西亚也值得留意。本地不少行业，从咨询、会计、法律到医疗和教育，都已经在不同程度地引入AI工具。如果我们的专业守则和行业自律没有跟上AI的步伐，类似的问题恐怕也不会离我们太远。那政府监管能不能解决这个问题？只能解决一部分。欧盟2024年通过的《人工智能法案》，把司法、教育、医疗等高风险领域的AI应用纳入了事前审查与透明度要求，并明文规定这些系统必须设计成“让人类可以有效监督”。换言之，人在那里，不能只是装饰品。这是好事。但监管能定的是“底线”，定不了“上限”——它没办法替每一位医生、每一位律师、每一位老师，对每一份具体的AI产出做判断。最后回到很多人焦虑的那个问题：专业人士，会不会被AI取代？笔者的答案是：不会被取代，但角色会换。过去，专家的价值更多在“能干别人干不了的事”。现在，AI可以代劳很多这种活。但AI干不了一件事——承担责任。法律责任、道德责任、社会责任，这些只能落在人身上，因为只有人才能被告、能被吊销执照、能在镜子前为自己的判断负责。也正是因为这一点，“专业”两个字在AI时代要被重新理解。专业不再只是“会做”，更是“为别人对一份产出负责”。 AI能帮你写，但它没办法替你签名。而签名两个字，在AI时代的分量，比从前任何时候都更沉。 *本文部分论述思路与素材，来自笔者与所指导的法学院学生Blaise Tayese的合作讨论，及其近期论文“The Duty to Verify”（《核实之责》）。特此致谢。相关文章：丁源森 / AI会答题，但不会替你提问丁源森 / AI已经进入了下半场，你准备好了吗？更多新教育：排练24小时就登台表演半岛古典吉他合奏团并非速成班廖克发：创作不是把人当材料有些故事，不能随便讲

1天前

【AI时代，別慌】丁源森 / AI会答题，但不会替你提问

关于教育，有一种说法笔者一直挺喜欢：好的家庭教育，与其每天问孩子“今天考了几分？”，不如问“今天在学校问了什么好问题？” 放在AI时代，这句话突然不只是鸡汤，而是一道实打实的现实题。笔者在大学教书多年，明显感觉到这两年学生的焦虑大了一个量级。报章上“AI焦虑”的报道其实有点滞后——以美国为例，目前最焦虑的一群学生，反而是常春藤名校里的尖子生。他们当中已经有不少人提前辍学，跑去矽谷淘AI的金，赌自己会成为下一个扎克伯格或马斯克。剩下没辍学的，也常常半夜睡不着——AI写得比我快、算得比我准、知道得比我多，那我念了这么多年的书，到底图什么？这种焦虑不只是学生有。许多马来西亚的家长心里也在犯嘀咕：让孩子从小学一路念到大学，到底有没有用？如果AI什么都会，那这套漫长的教育系统，意义在哪？笔者觉得，要回答这个问题，得先回到一个更老、却又最被忽略的问题：教育到底是在学什么？什么叫做“理解”了一件事？这个问题听起来抽象，但其实有一个意外的入口——AI本身。 AI是怎么“理解”事情的？ AI内部到底是怎么运作的，笔者下一篇会更技术地聊（先挖个坑）。这里先讲一个比喻。大家手机里都看视频。一段两小时的电影，原始信号其实大得吓人，但你的手机却可以轻松存下、流畅播放。怎么做到的？靠的是压缩。压缩这门学问的本质，不是“把所有信号都塞进去”，而是聪明地决定哪些信号可以丢掉——丢掉之后，我们的眼睛照样看不出差别。任何压缩都是有损的。这件事的核心，从来不是记得多，而是知道什么不重要、可以舍弃。 AI，尤其是ChatGPT、Claude那一类的大语言模型，本质上做的就是这件事。它的目标不是把全世界的知识点全部背下来，而是从海量信息里找出可以泛化的规律。一旦压缩到位，即使遇到训练时没见过的新问题，它依然能讲出个八九不离十。人类的学习，其实是同一回事讲到这里，重点来了：人类学习的本质，也不外乎是这个过程。笔者本行是物理。我常和朋友开玩笑说“物理是最简单的学科”——别人听了以为我在凡尔赛，其实不是。物理之所以“简单”，是因为它的复杂度低：你只要搞懂万有引力，连黑洞也能讲出个所以然。一条公式，可以解释从苹果落地到星系旋转的几十种现象。这就是一种极致的压缩。但这套“从复杂里压出可泛化规律”的逻辑，不局限于物理，甚至不局限于科学。举一个文学的例子。诺奖作家海明威是公认的文字压缩大师——他主张写作有所谓“冰山理论”：呈现于文字的只有八分之一，剩下八分之七由读者去脑补。其中一个常被引用的传说是：海明威曾和朋友打赌，能用6个英文字写完一整篇小说。这则6字短篇，是英语文学里最经典的极限压缩案例之一： “For sale: baby shoes, never worn.” （“出售：婴儿鞋，全新未穿。”） 6个字。没有形容词，没有情节，但读完那一刻，你脑子里自动浮现的画面、揪心、和那位母亲未曾道出的故事，远远超过字面意义。这就是文学的压缩——把一整个世界，藏进6个字里。历史也一样。读一本史书，不是要记得公元某年某月某日有谁打了喷嚏，而是要从纷繁的事件里提炼出可以理解世道人心的范式。所以一个人“成为某个领域的专家”，本质上不是堆叠知识量，而是学会了那个领域特有的压缩方式。爱因斯坦掌握的是物理世界的压缩法，海明威掌握的是文字的压缩法。每个学科，都有一套自己独特的“如何把世界塞进有限的脑袋里”的手艺。一个可能让大家有点意外的事实笔者几年前在专栏里提过一件事：华尔街最赚钱的对冲基金里，许多大佬是数学博士、物理博士出身，其中尤其多的反而是天体物理博士（这是业内的小秘密，圈里几乎人人知道）。矽谷也是同样的故事——OpenAI、Anthropic这些公司里，物理背景的不只在创始团队，连不少技术核心人物本身就是物理博士出身。为什么？不是因为物理课教了他们怎么炒股、或怎么训练AI。是因为物理训练教会的是一种在复杂系统里寻找可泛化规律的能力。股市、AI模型，本质上都是复杂系统。同一套压缩肌肉，换个对象，照样能用。笔者自己在马来西亚学术休假，闲着也手痒搞了几个宏观经济模型、甚至比特币的定价模型来玩——倒不是真要去做交易，纯粹是好奇这套范式能走多远。回到马来西亚的教育文化讲了一大圈，回到正题。笔者一直觉得有点可惜的是，马来西亚的教育文化——从家长到学校到大学——很喜欢用一个标准来衡量学习：有没有用？这门科有没有用？这个学位能不能找到工作？这种问法的潜台词是：教育的价值在于它外在的输出。可是在AI时代，外在的输出，恰恰是最容易被取代的那一层。AI写得了文案、画得了海报、写得了基础程式、整理得了数据——这些“看起来很有用”的能力，正在以肉眼可见的速度被商品化。真正不容易被取代的，反而是藏在背后的那个东西：这个人如何看问题、如何在混乱里提炼出规律、如何决定什么该被舍弃。这恰恰是马来西亚教育系统最少谈论的一面。我们花了大量精力训练学生“答得对、答得快”，却很少训练他们“问得好”。这也是为什么笔者特别喜欢开头那句话——好的教育，不是问“今天考了几分？”，而是问“今天问了什么好问题？” 提问题，是压缩的起点。结语：无用之用那是不是大家都该一窝蜂去念物理？当然不是。复杂的系统，比如人类的道德、社会的伦理、AI该如何与人类对齐（alignment），并不是物理学的那套解题套路就能搞定的。事实上，Anthropic内部还常驻一支哲学家团队，专门处理这些“物理不会教你”的问题。你会发现不同公司的AI助手“个性”不太一样——很大程度上，是这些团队调教出来的结果。一个社会的力量，恰恰在于每个人压缩世界的方式都不一样。物理学家压缩出公式，文学家压缩出故事，哲学家压缩出原则，史学家压缩出范式。一个成熟的社会，懂得欣赏并培养这些不同的压缩方式——而不是用单一的“有没有用”去衡量它们。庄子说，“无用之用，方为大用。”在AI时代，这句话听起来比任何时候都更像一句忠告。马来西亚要在AI时代走得更稳，第一步并不是逼所有人去学写程式、学跟AI聊天。第一步，是让我们的教育系统、家长、孩子，重新学会一件最朴素的事：问对的问题。剩下的，AI帮不了你，但它也抢不走你。（*本文整理自笔者近期于母校吉隆坡中华独中的一场公开讲座，发表时有所删节与改写。）作者简介：吉隆坡中华独中毕业生，美国哈佛大学天体物理博士，现任美国俄亥俄州立大学天文系副教授，曾任澳洲国立大学天文与电脑科学双系教授、美国普林斯顿高级研究院（IAS）NASA哈勃学者。研究方向包括开发AI系统以自动化科学发现。个人网站：https://www.ysting.space 更多新教育：丁源森 / AI已经进入了下半场，你准备好了吗？华文本该是一条路如今却像一道门槛

2星期前

【AI时代，别慌】丁源森 / AI已经进入了下半场，你准备好了吗？

讲一件你可能没注意到、但很值得注意的事：今年2月份，短短48小时之内，全球软件付费行业的市值蒸发了大约2850亿美元——折合马币，差不多是1.3万亿。一夜之间，整个产业被市场跌到自己起了一个外号叫SaaSpocalypse，“软件付费末日”。 SaaS（software as a service）这个英文术语听起来很冷门，但其实离我们的日常并不远。简单说，就是那些“按月、按年付费”的软件——公司用的Zoom、Salesforce，到我们个人订的Netflix、Spotify月费，背后都是同一套生意。这门生意撑起了过去二十年硅谷的半边天。今年2月份，半边天塌了。 AI写程序进入了新阶段塌天的根本原因，是过去这一年多，AI写程式的能力突然进入了一个新阶段——好几家大公司都在推，其中跑得最前面的是Anthropic（开发Claude的那家AI公司，ChatGPT的主要对手）和它的Claude Code系列。华尔街盘算了几天之后得出一个结论：手上不少SaaS公司，可能已经没什么未来。如果说市场是衡量人民福祉最冰冷的一把尺，那这把尺告诉我们：AI在2026年，已经实打实地走进了我们的生活。这种“走进”，不是说学生用它写写作业，或者诈骗集团用它打打电话——那些当然也是AI时代的一部分挑战，但更深层的冲击，是像SaaSpocalypse这样、毫无预警地把一整个行业连根拔起。读过笔者前几年专栏的朋友应该知道，我自认是个AI“鸽派”——就是不太相信AI在短期内会把世界翻天覆地的那一派。每隔几个月就跳出来宣告“AI要取代人类了”的鹰派，向来是我的吐槽对象。但讽刺的是，在AI时代里，AI啪啪打脸比翻书还快。即使是鸽派如我，过去这两年也皱了好几次眉头。所以才有了这个新系列——希望用更冷静、更量化的角度，和大家一起看清楚到底在发生什么。那这个“软件末日”到底是怎么来的？虽然AI一开始主要处理的是语言（写文章、翻译、聊天那类活），但很早就有人发现：它最重要的用途之一，其实是写电脑程式。原因不复杂——程式设计本身也是一门语言（所以才叫programming language），自然落入AI的射程之内。而我们现代社会无时无刻不在和软件打交道，从WhatsApp的语音通话、记账App，到银行的每一笔交易，背后都是程式员一行一行敲出来的。但是“AI能帮你写”和“AI能自己写”，是两回事。 2024到2025年中那段时间，AI写程式确实是有两把刷子，但业内共识是：它适合做副驾驶（co-pilot），掌舵的还得是人类。这点笔者深有体会——那时候用它就有点像写短信时的autocomplete，我开个头，AI帮我补完后半句，效率提升不少。可是如果你大胆把方向盘整个交给它，它会在原地鬼打墙，绕来绕去出不来，比新手Grab司机走KL老街区还迷路。但从2025年下半年开始，方向盘悄悄换手了。 METR算是目前业内公认比较权威的、专门给AI编程能力打分的机构。他们有一个非常直观的指标：AI在没有人类干预的情况下，能独立完成“人类专家需要花多长时间”的编程任务。这个数字过去6年是以指数级在涨——长期平均下来每7个月翻一倍——2024到2025年间，更是加速到每4个月翻一倍。讲得具体一点：2024年初，AI大概可以独立处理人类专家半小时左右的工作量；到了2026年初，这个数字已经是10个小时。听起来像是又一组干巴巴的数字进步。但它恰恰卡在了软件工程的死穴上。打个比方：如果你下面的初级工程师每工作一个小时就要出一次错，那作为主管，你就别想清闲了，必须时时刻刻盯着他。可是如果他平均工作10个小时才出一次错，工作的性质就完全变了——你只需要每天结束时听他汇报一下，按报告给他下一轮指示就好。前者你是在养下属，后者下属在帮你做事。回到AI编程亦然。当它跨过10个小时这个门槛（也就是开始能“以天为单位”独立工作），它就从副驾驶一跃坐上了主驾驶，人类反而退到副座。对那个靠“人类付费用软件”撑起来的SaaS行业，这是摧毁性的。举个笔者自己的例子：这10年来，我工作上要用的软件订了一大堆，每一份单算下来，一年差不多就要400到500令吉。一份份累加起来，那笔账到掏钱的时候是有点肉疼的——可是要我自己一个一个写替代品，即使有那个能力，也未必有那个时间。但是过去这一年，我订阅的软件里有一半，已经让我用AI帮忙重写了一个替代版。AI基本可以独立搞定，人类偶尔进场修修补补，一个下午就完事。一个下午换一份500令吉的年费，这吸引力可不小。当整个市场都意识到这件事时，结局就是开头那一幕：2月份，SaaS市场被自己端了。笔者去年年底其实就和同事在私下嘀咕“SaaS要出事”，可惜光说没用，没去short这些股票，现在只能捶胸到吐血。插个小插曲：所谓“AI代理”（agents），简单讲就是把整个任务丢给AI、让它自己跑去搞定的一种用法——不是像聊天机器人那样一问一答，而是接到一个目标就自己想办法完成。这件事要真的跑得动，AI必须同时具备“以天为单位”的耐力和靠谱的长期记忆。最近最红的代表，是开源代理OpenClaw（logo是一只龙虾），业内于是把这一波戏称为“养龙虾”。大家最近常听到的vibe coding（“氛围编程”——意思是“我也不太懂程式，靠感觉和AI聊一聊，让它帮我写”），背后其实也是同一个原因。而那条指数曲线目前看来还稳得很。可以预见的是：再过不久，即使是人类专家需要100小时（也就是以“周”为单位）的任务，AI也能在没有监督的情况下独立完成。事实上这个过程已经在悄然发生。业内最近流传一种说法：在编程这个领域，人类连副驾驶都不是了——我们更像是机场塔台的指挥员，同时盯着好几个AI主驾驶在跑，只要他们不撞机就好。连锁反应还在持续发酵这种连锁反应也还在持续发酵。最近不少公司疯狂烧钱建data center（数据中心），赌的就是：从10小时跳到100小时这一关一旦打开，背后会催生出一整批新型企业。笔者不做投资建议，但作为鸽派的一面也忍不住多嘴一句：百小时级别的任务到底能撑起多少新型行业？我自己心里其实是打问号的。这盘棋怎么走，留给市场去回答。总而言之，以上这些消息，大家平时或许也听过一些边边角角。但这个新系列希望做的，是用更量化、更冷静的角度，和大家梳理AI时代正在发生的事，以及背后那些可以被推演的逻辑。恐惧是徒劳的——因为你真正的对手，从来不是那个虚无缥缈的“AI”，而是站在这套冰冷逻辑后面、动作比你更快的那一群人类。作者简介：吉隆坡中华独中毕业生，美国哈佛大学天体物理博士，现任美国俄亥俄州立大学天文系副教授，曾任澳洲国立大学天文与电脑科学双系教授、美国普林斯顿高级研究院（IAS）NASA哈勃学者。研究方向包括开发AI系统以自动化科学发现。个人网站：https://www.ysting.space 更多新教育：廖克发：创作不是把人当材料有些故事，不能随便讲直击IFRC巴生港口仓库当灾难发生，救援从这里出发！营养知识到位城乡都能打造健康生活

4星期前

发现宇宙“吞噬者”扬威天文界丁源森独中的骄傲

今年3月21日，国际权威科学期刊《自然》封面发表了科学家的一项重要研究成果“每12颗恒星中至少1颗吞噬了一颗行星”，揭示了天文界的一个惊人现象，我们浩瀚的宇宙中存在着“吞噬者”。

2年前

【代码之外】丁源森／透视人工智能机遇与责任同行

有一天，我们团队里一名博士后在Slack群里用ChatGPT发了一首“歌颂AI老大千秋万载”的颂词。他自嘲说，如果有一天AI真的统治世界，他就用这首诗投靠AI，以求保命。虽然他是在开玩笑，但这让我意识到，对于“天网”式的AI统治，确实有不少人是真的感到恐惧的。正因为很多人对AI和机器学习持悲观态度，我在之前的文章中也努力向大家展示其正面影响，尽量以务实和乐观的角度来论述。但赞美之余，我们也不能掉以轻心，忽视其潜在问题。老子说，“祸兮福所倚，福兮祸所伏”，因此，这个系列的最后一篇，要全面探讨一下AI的好与坏。只有全面、理性地探讨，我们在问题出现时才不会乱了方寸。 AI在基础科学研究中的多面作用：不仅仅是效率目前的AI在多个方面都给了我们保持乐观态度的理由。它在各领域解决了一些长期困扰我们的“瓶颈”问题。在生物科技这个领域，AI帮助我们更快、更低成本地了解蛋白质是如何折叠的，这对于发现新药至关重要。借助AI，我们能够快速从大量的基因序列中推测分子结构和属性，无需耗费大量资金进行生化实验。这不仅大幅降低了生产成本，也显著提高了研发效率。值得一提的是，目前AI在这一领域的表现已远超传统技术。除了生物科技，物理学也因为AI的加持而得到了重大突破，特别是在核聚变研究方面。如果您还记得我们在〈黑洞与咸煎饼〉中的讨论，您就知道核聚变理论上并不是难以克服的难题——太阳就是一个天然的核聚变反应器。然而，在地球上模拟这一过程的主要挑战在于，我们很难精准地控制电离子以实现全方位的均匀施力。借助强化学习，也就是AlphaGo等软件所使用的技术，现在我们能够实时预测和调整各个不均匀的部分。这也使得核聚变首次实现了能量输出大于能量输入。而如果核聚变能够成功实现商业化，它将成为一种极度环保的能源选择。与核裂变不同，核聚变不仅是一种干净的能源形式，还不存在失控的风险。又比如在我的研究领域——天文学，AI也具有巨大的潜力。您可能在疫情期间看过Netflix的电影《不要抬头》（Don’t Look Up），它讲述小行星即将撞击地球的故事。尽管这个主题有些老套，但在现实生活中，从海量数据中识别对地球潜在威胁的小行星，确实是一项极其复杂的任务。我和我的同事们也正在利用电脑视觉技术——类似于监控系统的人体追踪技术，来寻找这些小行星。当AI被不当使用的潜在危害尽管机器学习在多个方面都正在推动我们社会的发展，但并非所有影响都是正面的。虽然我之前一直强调AI的积极潜力，但我们也必须警觉于它可能带来的风险。在马来西亚，我们普遍存在一个误区，感觉大家好像认为机器学习是一个高端且难以触及的领域，我们也只能嗑瓜子，看着中美竞争就好了。然而，事实上，机器学习的入门门槛其实相对低。尽管有些研究确实需要大量资金，但普通学生甚至高中生也能理解其中的基础概念。据我所知，像新加坡就正在全球以高额奖学金吸引电脑科学博士生。如果我们马来西亚不开始重视AI和机器学习，那么我们将面临严重的全球竞争劣势。我们需要让年轻人知道，机器学习并不是高不可攀，反而是未来发展的必备技能。而正因为机器学习的门槛相对较低，这也为不怀好意的人提供了更多可乘之机。我们常说人工智能正在变得越来越“智能”，但这种智能不是说有意识，而是它可以用少量的样本做到泛化。以人类来说，我们能够仅凭几句话就识别出说话的人，这是一种高度的泛化能力。而当前的人工智能技术也越来越能在少量样本的基础上进行泛化。这样的进步当然带来潜在的社会风险，比如通过简短的语音样本就能模仿某人的声音。但是这种问题，我觉得所谓“魔高一丈，道高一尺”，最后我们社会也会慢慢适应。说到坏人用AI做坏事，其实还有更令人担忧的潜在问题。我曾与一位专门使用AI进行蛋白质折叠研究的同事讨论过这个问题。他最担心的是，这种低成本的“制药”技术具有双刃剑的性质：一方面具有制药的潜力，另一方面则可能利用AI来设计病毒，而且成本不高。我自己当时听的时候也是吓出了一身冷汗。这让我回到了文章的开头，我觉得我们有时在讨论AI时会失焦。像大量失业和“天网”式的自我意识机器人的出现确实有些过于想像，但我们应记住，人类最大的威胁往往还是来自人类自身。勇往直前，在风险与机会中寻求平衡有人可能会问，既然有这么多不确定因素，为什么不直接限制这些技术的发展呢？这当然是一个值得深思的问题，美国等国家也在频繁讨论这一点。但核心问题在于，即使我们限制大型模型的发展，问题本质并未解决。小型模型同样有可能造成巨大的破坏，特别是考虑到这一领域的入门门槛相对较低。另一方面，我们面临许多紧迫和复杂的问题，从应对气候变化和寻找可持续能源，到治疗癌症，甚至应对不可预见但极其严重的问题如小行星威胁。在所有这些方面，机器学习都是我们人类现在唯一的希望。因此，我们不能因为某些潜在的风险而因噎废食。然而，不管大家觉得我们是因噎废食还是饮鸠止渴，事实是这个大门已经被敲开了。我们现在能做的最好的事情，就是每个人更深入了解这些新兴技术，并形成自己的见解，而不是随波逐流。不确定的未来的确会令人不安，不过我觉得人类发展总是像在高空的钢索上行走，永远都具有风险和不确定性。但停滞不前不是选项，我们唯有勇往直前才能保持平衡。更多相关文章：【代码之外】丁源森／AI在天文上的神助攻【代码之外】丁源森／做AI时代里的六边形战士【代码之外】丁源森／论AI的养成与黯然销魂饭【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人

3年前

【代码之外】丁源森／AI在天文上的神助攻

当OpenAI发布了ChatGPT，那个月简直不要太疯狂。事实上，业内早有大型语言模型在测试中，但都等待着一个先行者。OpenAI勇敢地走在了前列，行业巨头如谷歌都hold不住了，紧随其后发布了自家的Bard模型。在Bard的示范中，它回答了这样一个问题：“如何向我的9岁孩子解释詹姆士·韦伯望远镜的某个发现？”Bard说：“韦伯望远镜拍下了第一张太阳系外行星的照片。”虽然听起来感觉没问题，但如果Bard读过《Newswire》的专栏，就会知道这是错的。尽管韦伯望远镜主要用来研究太阳系外的行星和它们的大气，并拥有高清成像功能，但首张行星照片的记录其实是20年前的事。（20年前，“自适应光学”Adaptive Optics开始在天文领域流行，尤其应用在8-10公尺的大望远镜上。这技术为望远镜提供了“降噪”功能，通过调整镜片消除大气扰动，使我们能更清楚地观测远方的行星。）当Bard的这一错误被揭露后，资本市场对谷歌这类大模型的信心大受打击，谷歌市值蒸发了千亿。深入机器学习：训练大型语言模型的机制那么，为何Bard会犯下这种“幻想”（即一本正经胡说八道）的错误呢？要理解这一点，我们首先得了解这些模型的训练机制。前文曾经提过，机器学习和传统编程不同的地方在于：我们不再逐个给机器下命令，而是让机器自己从数据中发现规律。实际上，机器学习语言的方式跟我们小学的文字游戏很像，即从网络上的大量文本中挖掉一些词，然后尝试填补空白。例如，“（某某）是马来西亚的第十任首相”，或“（某某）是马来西亚的传统美食”。在这过程中，每个句子里的关键词都有可能被隐藏，模型的任务就是要猜测这些空格的内容。有时候，一个空格可能有多个合适的答案，因此机器不仅要给出答案，还要给出各种答案的可能性。看起来简单，但是模型可以通过这种方式学习到很多东西。就像我们小时候在各种科目做的填空题，虽然填空，但每门课教给我们的东西是不同的，比如语文教我们语法；历史教史实；数学教逻辑。同样的，机器也在大量数据中努力学习，仿佛不停地刷题。大型语言模型就像云顶高原的老虎机，每次“摇动”都产生不同的输出。通过大数据训练，我们就像在老虎机上作弊，使得它的输出更符合我们的预期。超越ChatGPT：开源模型的多样化应用了解这个概念后，你就能明白为什么Bard突然短路了。詹姆士·韦伯望远镜有很多“第一”，它确实重点研究太阳系外行星并拥有先进的成像技术，但把这些信息组合起来却反而不对，这就像有人问你在马来西亚应该吃什么，你回答“Roti Canai夹榴梿配 Laksa。” 虽然当前的AI仍然会犯一些低级错误，但是大语言模型的应用不仅仅局限于简单地使用ChatGPT，要知道ChatGPT只是众多大型语言模型中的其中一个。虽然OpenAI已经不再 Open（开源），但众多模型包括脸书Meta的LLaMa模型系列仍是开源的，而这些开源的模型允许我们在这些训练模型的基础上进行微调，进而释放更多潜力。这好比你已经有一群优秀的大学毕业生，虽然他们不一定会有特定领域的专长，比如说天体物理的一些特定知识，但如果可以让这些模型再“进修”，那么它就可以发挥更大的能量。这正是我的研究团队正在探索的其中一个方向。让AI看懂30万篇天文论文最近我们的团队对这些开源模型进行了微调，利用过去30年天文科学期刊发布的大约30万篇文章对其进行训练，训练方法和上述说的文字填空和接龙是一样的。当然，这里对于模型的训练还包括我们的一些小巧思。比如说让两个语言模型“对战”，其中一个模型扮演学生回答天文问题，另一个则扮演教授点评学生的答案，两者互相竞争。（这里就不谈技术细节了）其实我们一开始也没底，就觉得可以试一试。模型的表现确实让大家很震惊，比如说我们尝试用AI生成天文学博士论文的研究方向，并请天文物理学家评分。评分结果显示，AI生成的论文题目在专家眼中甚至优于一般天文物理博士生能够提出的论文方向，一些同事不禁戏称：“真的不能让你继续搞下去，不然我们都失业了。” 必须说明的是，我们的目标并非取代人类工作，但我们必须接受的是，在这个新的时代里，AI生成的答案已俨然成为了评价的基线，只有超越AI的答案才被视为有价值。虽然这么说感觉有点残忍，但这未尝不是好事，因为AI把所有人的基准能力都拔高了一个纬度。要知道每个人都有自己的特长，而这些特长大概率还是比目前的模型更好，但是模型却可以补足每个人在其他方面的短板。比方说，我以前觉得自己做研究还可以，但比较苦恼的是如果要我用英文写期刊文章，我就觉得对我这种非英语母语的人特别吃亏。虽然现在的模型不见得能写出媲美狄更生和王尔德的大作，但我却可以享受着类似用母语写作的畅快。 AI：平等的桥梁与公正的裁判从宏观角度来看，我乐观地认为无论是回顾历史还是展望未来，这些AI模型将促进人与人之间的平等，并为弱势群体创造更多机会。比如说，以前我们时常依赖某些指标，例如论文的被引用次数来评估一个人对于某个领域的贡献，但学术界其实并非完全公正。有时候，一些普通的论文莫名火起来，而其他有价值的论文却可能因为种种原因被埋没，所以这些指标往往并不能很公平地去评断一篇学术论文的价值。而我们的研究团队正在研究的其中一个方向，就是用我们微调后的模型去读遍所有论文，忽略人为的主观评价，客观地分析所有文章，从而找出任何一个能推进这个领域的真正先驱。至于展望未来的部分，AI也只会让科技更加平等与开放。以天体物理为例，这是一个高投资的研究领域，可惜绝大部分的人再有才识也可能只屈就于一些岗位上，找不到人去交流。但微调后的大型模型可以独当一面，能力未必比各个领域的博士们差，可以成为弱势研究者的研究伙伴，不让个人际遇妨碍他们的成就。这也是我们团队做这项研究的最大初衷，而我们的团队也逐步在网上公开所有AI生成的天体物理博士论文方向。还记得IBM的深蓝吗？有人说，AI的出现是人类的消亡，可是要知道这种论述在历史上从来没有断过，但是也从来没有预言成真过。还记得IBM的超级电脑深蓝曾经击败国际象棋大师卡斯帕罗夫吗？当时有人悲观地认为国际象棋已经结束了，但在二十多年后的今天，人们反而可以在任何地方、任何时间和AI对弈及学习，我们看见的是国际象棋更加昌盛，在很多非传统强国也是遍地开花。更多相关文章：【代码之外】丁源森／做AI时代里的六边形战士【代码之外】丁源森／论AI的养成与黯然销魂饭【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人

3年前

【代码之外】丁源森／做AI时代里的六边形战士

对于真正对电脑感兴趣的学生，选择电脑科学系当然没问题。但要明白，电脑科学系的课程远不止机器学习那么简单，还包括传统的电脑系统设计、编译器等。对于仅仅想了解机器学习的学生，这些课程不见得是最重要的。在大型语言模型日益普及的今天，跨学科知识变得尤为重要。

3年前

【代码之外】丁源森／论AI的养成与黯然销魂饭

小时候，网络还未普及，每逢农历新年，我总被TV2“逼迫”着再看一次星爷的《食神》。片中最后他和反派来一场厨艺battle，反派做出了精致且食材丰盛的佛跳墙，但星爷却用内功做出了简朴无华的叉烧饭，名叫黯然销魂饭。无招胜有招，最终，黯然销魂饭大获全胜，评委薛家燕和司仪罗家英都流下了感动的眼泪。让我们从黯然销魂饭开始，谈谈AI是如何养成的。传统编程的局限首先，我们来了解传统计算机编程。传统编程中，计算机的功能是复刻所有人类设定的明确指令。以超市收银机为例，其指令非常明确：见到泰国龙珠香米，收费X令吉；见到宾宾米果，收费Y令吉。这也可能是大家比较熟知的计算机功能，它可以熟练地重复执行某些特定的指令。照本宣科，就像孩子把一本课本从头到尾的死背硬记，但这种方式是有巨大的局限性的：第一，这种传统编程方式在处理大量或复杂数据时往往力不从心，就像一锅佛跳墙，虽然食材种类繁多，但最终能加入的调料和步骤都是固定的，即使面对更丰富的食材，如果你只按照固定的食谱来烹调，最后出来的还是同样一道佛跳墙；第二，许多数据里并没有像刚才这个收费清单的简单情况，即 A（货物）和 B (价钱) 这样一对一的对应关系。例如YouTube视频，其内部知识大多是隐性的，难以设定明确指令。机器学习（Machine Learning，也俗称为AI）应运而生，其核心是在没有对计算机下特定的指令识别数据的规律。实际上，计算机学习的这些核心思想并不新鲜，早在上世纪中叶，包括计算机之父图灵在内的人，就已经开始对这方面探索。 “Laksa-槟城+怡保” 我小时候，妈妈怕我读书太辛苦，带我去一个关于训练记忆力的补习班。我依稀记得里面核心的思想可以分成两个部分：第一，不要死背硬记，要把知识点压缩成知识图谱（mindmap）；第二，大量运用联想，从而对很多知识点进行整理。现代机器学习的思路与之相似，计算机学习在很大程度上是内建自己的一个知识图谱，把海量的信息简化成自己的一套关系链，并通过这些内建关系实现泛化（即一通百通，举一反三）的能力。这里比较经典的一个例子是，比如说你在ChatGPT里输入：国王（King）减掉男人（Man）加上女人（Woman）。ChatGPT给你的回答会是女王（Queen）。这展示了机器不是简单地记住词汇，而是理解了其内在关系。例如，它把“国王”解构成“权利+男人”，所以当你减去男人再加上女人的时候，那这时是“权利+女人”，所以可以对应的是女王。看官也可以试试在ChatGPT上输入“Laksa-槟城+怡保”，回答是河粉。知识图谱与认知过程电脑学习在某种程度上是对世间万物信息的一种内建压缩。正因为这种内建的知识结构，机器学习才表现出了所谓的“智能”。这与人类的认知过程颇为相似。很多人错误地认为眼睛就像照相机，完整复制进入视野的所有信息。但实际上，如果我们的眼睛真的每一秒都要完整成像，那会对我们的能量造成巨大的消耗。正如计算机的学习模式，我们的大脑接收的信息其实是非常碎片化的。而是根据大脑内建的世界认知，在大脑中用部分信息自动重塑整体。正因为我们的感觉器官都在重塑信息，我们会被一些光学幻觉所欺骗。比如，两个实际身高相同的人在某种背景下，可能看起来一个比另一个高。这是因为，我们大脑运用了我们对于世间的内建规律去补全信息。当你刻意去打破这些规律时，重塑起来的成像就会偏离原型。大家可能还记得AlphaGo与李世石的围棋比赛。尽管人类在多数情况下都溃败了，但在第四局中，李世石下了一步意想不到的棋。这像光学幻觉一样，超出了AlphaGo的内建知识图谱的范围，导致它连续走了若干“臭棋”，从而让人类扳回一局。其中的道理也是一样的。超越棋局：机器学习的变革如何构建知识图谱一直是电脑学习的6关键，但这也是我们长久以来的盲区。在深度学习兴起之前，比如在国际象棋方面，我们人类对我们从经验得来的方法论是非常自信的，所以大部分的下棋机器，都有一堆我们人类的经验规则。尽管机器里面有“学习”的成分，但是这就有点像做佛跳墙。我们一开始就决定了要用哪一些食材，认为这些食材和食谱上的方式必然就是最好的。计算机学习界的权威人物瑞奇·萨顿（Rich Sutton）在其“苦痛的教训”博客中深入批评了这种自以为是的态度。我们经常认为自己对这个世界的解读方式是最佳的，但多次的失败证明这种思维方式是短视的。过去10年里，计算机学习领域的大部分突破，无论是AlphaGo的升级版AlphaZero还是现有的ChatGPT，都采取了一种更自然的“黯然销魂饭”的做法，即让机器在尽可能少的人为干预下自主学习如何从数据中发现规律。而瑞奇·萨顿认为，鉴于计算机的计算能力将会持续指数增长（也就是所谓的摩尔定律），让机器自我学习才是最佳选择。写到最后，我还是担心这种计算机“自我”学习的描述可能会让一些人感到不安。但是，还是接我们上一篇聊到的，这种自主其实和我们认知中的“自主意识”是完全不同的概念。还是那句，这些机器学习模型仅仅是对大量信息进行解析、分类和抽象链接——就像那个国王的例子一样。当我们使用Google搜索或浏览抖音推荐时，这种信息解构和分类的概念早已融入我们的生活中。与其毫无根据地感到担忧，不如静下心来享受一顿美味的黯然销魂叉烧饭。作者简介：吉隆坡中华独中毕业生，2017年美国哈佛大学毕业，2019年获得美国NASA哈勃奖学金，于美国普林斯顿高级研究院（IAS）研究天体物理，现任澳洲国立大学电机系和天体物理系副教授，专注于利用机器学习技术研究天文大数据的统计推理。更多相关文章：【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人

3年前

世界最先进望远镜——韦伯，要来到马来西亚啦！

韦伯是什么？如果你是天文学迷的话，你一定还记得去年的盛事，那就是韦伯望远镜成功升空，成为天文界最新的宠儿。比起勤勤恳恳工作数十载的哈勃望远镜，韦伯望远镜更具优势，笔者也就不跟大家哈拉，上来直接给你们硬核的。韦伯的半径是哈勃的3倍。因为采光的速率和镜面的面积成正比，所以韦伯的效率约为哈勃望远镜的10倍，即一个哈勃需要花10年去干的活，韦伯只需要一年就“搞定”。更重要的是，哈勃主要的观测波段是紫外线和可见光，而韦伯观测波长较长的红外线。韦伯当初设计时采取红外观测的主要考量，就包括了目前天文界比较火爆的两个课题——寻找太阳系外的生命，和寻找最古老的星系。寻找系外生命关于前者，天文界寻找外星文明的主要手段是仔细刻画太阳系外行星（简称系外行星）的大气——看看那些类似地球的行星中有没有一些有机气体和水分。而韦伯在这里发挥的作用是巨大的。要知道水分在大气中主要“发光”的波段为红外线，但是地球的大气水分同时也大量地吸收红外线，所以地球上的天文仪器很难去捕捉系外行星红外的波段。由于韦伯发射在地球之外，不会被地球大气所“蒙蔽”，因此也成为了少数可以去研究系外行星大气的仪器。而现在实测下来也确实如此。要知道当初韦伯的第一次成果发表会，NASA发了5个结果 “秀秀肌肉”，就展示了韦伯能够精确无误探测到系外行星的水气。当然了，那个结果并不意外，因为我们之前就通过一些手段知道该行星是有水分的，不过因为那个行星并不在适合生命发生的宜居带，所以这个结果也只是实测一下韦伯的能力。但即便如此，笔者当初在线上观看这个“直播”时也是被震掉了一个下巴。依韦伯的这个实力，估计找到在宜居带且有水分和有机气体的行星也就是10年以内的事了。寻找最古老的星系不过除了寻找系外生命，韦伯的另一个主要突破点，如上所说，是寻找宇宙中最古老的星系。这里请跟随笔者一个比较绕的逻辑链。宇宙里最古老的星系也是离我们最远的星系，这是因为光“只能”以光速传播。比如说，太阳离我们有大概8“光分”，即光需要8分钟才能从太阳抵达地球。但是换一个说法，我们现在看到的太阳并不是现在的太阳，而是8分钟前的太阳（是的，如果太阳现在爆炸了，你还有8分钟能活）。以此类推，如果一个星系离我们130亿光年，它们的光在宇宙中传播了约130亿年（这里稍微不准确，应为精确的算法还需要涉及宇宙的膨胀）才抵达我们，也就是说我们现在接受到的关于这些星系的照片，是宇宙130亿年前的情况。简单扼要地说，只要找到越远的星系，他们对应的也是最古老的星系。可是如何找到这些遥远的星系呢？这里，宇宙的膨胀又帮上了一个大忙。由于宇宙一直在膨胀，因此当光运行的时候，它们也会不断地被时空拉长——可见光会被“拉扯”成红外线。而因为越遥远的星系的光要运行得更久，一般的星系发射的光大部分都在可见光的波段，所以如果它们是遥远的星系，它们现在就会呈现成一个主要在红外波段发光的天体。笔者绕了九转十八弯，简单扼要地说，只要我们能找到在韦伯（红外线）能观测到，而比如说哈勃（可见光）又看不见的星系，这些都有可能是最古老星系。韦伯的意外发现在韦伯还没发射前，透过哈勃我们知道的最古老的星系约为宇宙大爆炸后4亿年的星系，而且就只有一个。而韦伯发射后，天文圈的“考古队”真是内卷得不可开交。就一两周的时间，多个团队陆续发表已搜索到“一打”比5亿年还年轻的星系，而且刷新了之前的纪录。现在最古老的星系约为3亿年。笔者的一些同事都是没日没夜地卷。这样刷榜可能看起来没什么营养，但其实不然。这个发现可以说是天文界的一个震撼弹，笔者这里震掉的就不止一个下巴了。天文圈之前虽然知道韦伯必然能超越哈勃找到更古老的星系，但这个成群的发现其实是远超乎预期的，主要因为宇宙这么早期就出现“星系婴儿潮”实际上违背天文其他的一些观测，比如说所谓的宇宙再电离现象。简单说，如果有大量的早期星系，他们的辐射应该会将宇宙早期的气体（比诺兰更高级的“Intergalactic” medium) 造成一定的影响，而这个和现在对于再电离的研究还是有点分歧的，因此韦伯前几个月的观测迫使了天文学家再次审视关于星系形成和演化的理论。韦伯真的要來了说到这里，就要回到笔者的标题党。不说你不知道，一说你吓一跳。笔者将在吉隆坡（2月6日到10日）组织第一次，由国际天文学联合会（International Astronomical Union, IAU）冠名的天文会议（详情浏览 jwstmalaysia.com）。这项会议将迎来许多天文界国际大腕，重点讨论韦伯的发现和关于古老星系的形成，届时将有八十多个演讲和170个与会者。这项会议也是IAU第一次在马来西亚的会议，上一次IAU在东南亚的会议还得追溯到30年前在印尼的会议了。虽然这个会议的对象是天文界的科研工作者，不过为了让民众共襄盛举，我们也特别邀请3位天文界大腕在2月8日（星期三）下午两点半，在马来亚大学公开演讲，这场活动免费且完全对外公开，不管你是男女老少，懂不懂天文，爱不爱天文，都欢迎前来感受天文的美。有兴趣的人请到jwstmalaysia.com点击“Public Talk” 登记。号外笔者两年前还常常在Newswire《活力副刊》和大家聊天文，本以为休息一段时间后再执笔，可是这两年一直都搁着，因为工作确实比较忙，要带十多人的科研小组，还要写企划书找经费写得头顶冒烟，以及组织这个会议（其实还有一个同其他大马天文学家组织的2023年全球大马天文学家大会GMAC），搞得笔者这两年都一直处在爆肝状态，所以就没更新专栏。不过，如果这次在吉隆坡的天文会议能够点燃大家对于大自然的兴趣，那已足矣。作者丁源森现任澳洲国立大学天文系与电脑科学系副教授，主要研究方向为人工智能在天文中的应用。他是吉隆坡中华独中校友，2017年哈佛大学天文系博士毕业，后为NASA哈勃学者、普林斯顿大学及普利斯顿高等研究院博士后研究员。更多文章：【研究故事】利用真菌修复被污染的土壤 2青年为少数民族室内设计夺金奖 2022年USAHA TEGAS文化遗产美术赛：学生结合经验及想法，画出独有文遗创作绘画，是21岁的她在俗世中唯一念想

3年前

丁源森 | 天文的新家要盖好咯

詹姆斯·韦伯望远镜将是历史上最大的太空望远镜（6.5米）。这个面积可是比目前的哈勃望远镜的面积要大了个6倍。什么概念？这个望远镜大到没有火箭能直接装上它，而必须透过日式褶纸的概念，先把它“褶”起来，等到了太空再机械地“打开”。 2020年这么晦气，到了年末的最后一期，我们今天来说说天文界2021年有什么好值得期待的事。学术里的《我是歌手》这几年上班族流行一个词“996”，即每天从9点工作到9点，一周6天。最近和同学吃饭，我的同学就开玩笑说，11月这种非常时候，做学术怎么可能“996”，基本都“007”了。作者本身必须说明，学术是一个非常需要想像力的工作，所以生活和工作确实需要拿捏一个平衡点，所以不鼓吹996或007。就像运动员一样，一直盲目练习没有意义，可是11月真心忙。忙什么？忙着写企划书呗。 [nonvip_content_start] 这里就要解释一下教授除了教书，更多时候都在干什么呢？一般上，比如说在美国（其他国家都大同小异），政府会固定拨款给国家科学基金会（National Science Foundation，简称NSF）和NASA 。要知道大学给的钱，一般就是教授本身的薪水，但是这不足以支撑他的科研团队。这时候学校的科研人员就必须写企划书向NSF和NASA要钱做研究。而审核的过程里，NSF和NASA会邀请其他外面的科研人员对这些企划书进行双盲的评估（即双方都是匿名的，确保完全公正公平）。但问题是全球对于科学的投入最近几十年都乏善可陈。虽然每次科研人员都需要洋洋洒洒写数十页的企划书，不过真正能拿到钱的企划书大概就是15至20％。这个比起比如1990年代的40至50％，差别是显而易见的。虽然说15至20％听起来感觉还可以，但是要知道投这些企划书的都是相关领域的万里挑一佼佼者。简单来说就像中国湖南卫视的《歌手》（之前又名《我是歌手》）。作者也常担任审核人员，所以对这情况也略知一二。大部分时候其实很多科研对于人类的福祉作用是显而易见的，但政府拨给科研的钱就这么多，评审有时候确实也就只可以“挑刺”。在《歌手》的语境就是“嗯，这个歌手唱得挺好的，可是就是没有打动我”，或是“嗯，有那么一个句子，pitch有点不准” 。詹姆斯·韦伯望远镜要发射了除了申请研究经费（主要用来付学生的薪水），天文科研工作者写的企划书常常是为了申请大望远镜的时间。要知道世界最前沿的望远镜其实就那么几台，一年却只有365天，所以大家都抢破头，希望每年能分到一两天的时间。而这个秋季，更是出大事情了，因为千呼万唤的詹姆斯·韦伯太空望远镜（James Webb Space Telescope）终于要在明年底发射了，所以詹姆斯·韦伯太空望远镜在今年11月首次招募了第一轮的企划书（也是双盲评选），很多人11月于是都在忙这个企划书。詹姆斯·韦伯太空望远镜主要的任务是替代已经运行了30年的哈勃太空望远镜。简单来说，就是等了30年，天文界终于要搬新家咯！然而，不是每个人都能马上入住新家，要知道申请哈勃望远镜的时间本来就比申请研究经费还难，一般成功率也就10至15％左右。而詹姆斯·韦伯望远镜，作者估测成功率大概是5至7％。什么概念？百分之五相当于电影《饥饿游戏》里的主角存活率，而且还不是第一季的存活率，是第三季的情况。这些“参赛者”之前都是从一波人中脱颖而出的佼佼者，然后再放在一起死磕。詹姆斯·韦伯太空望远镜那为什么大家都想要争取詹姆斯·韦伯太空望远镜的时间呢？简单的说，就是詹姆斯·韦伯望远镜将是历史上最大的太空望远镜（6.5米）。这个面积可是比目前的哈勃望远镜的面积要大了个6倍。什么概念？这个望远镜大到没有火箭能直接装上它，而必须透过日式褶纸的概念，先把它“褶”起来，等到了太空再机械地“打开”。这里先解释几个概念。一、为什么要建大望远镜呢？这个其实很好理解。请想像天空中下着微雨，宇宙里的光就像这些雨滴。你有越大的桶，同时间里就能盛到更多的雨水。而詹姆斯·韦伯就是一个6倍大的大桶，所以收集光的能力和速度将是原本哈勃望远镜的6倍。以前要看10年的东西，现在不到两年就可以完成。而有越大的望远镜就能看到越暗的天体，同理也能看到越远的天体。二、可能大家又要问了，为什么要花这么大的力气把望远镜发射到太空里？好好地在地球上建望远镜不是很好吗？当然，地上的大望远镜也很重要，而且确实也大得多，目前地球上建的光学望远镜最大是30米左右（等于半个足球场），这个以后再说，但是太空望远镜重要的地方有两点，而这两点都和地球那“该死”的大气层有关。首先，大气会使得光线变得模糊，这也是为什么从地面上看星星，星星会“眨眼”。而有些天文观测需要非常精准的定位和追踪，比如说前几期聊到的那种可以跨过一个南中国海看一根头发的晃动，就只能在太空里实现。其次，地球大气当然是个好东西。大气挡住大部分有害的紫外线、X—射线等，但是也因为这样，地球的大气也“过滤”掉了很多有用的信息，导致地面上的望远镜只看到能透过大气的光。比如说除了看不见的紫外线，地球的水气也吸收了部分的红外线。你看到的太阳是8分钟之前的？那詹姆斯·韦伯望远镜能给天文带来什么突破呢？这里可从以上的两点来展开。关于第一点，即能看到更远的东西，这里就要说到其实宇宙本身就是一个时光机。怎么说？光的速度是有限的（约30万公里每秒）。比如说太阳的光从太阳发射到地球需要约8分钟。也就是说，我们现在看到的太阳，并不是当前的太阳，而是太阳8分钟前的影像。要知道宇宙的宽广可要比这个距离大得太多。而天体物理一个很重要的分支就是去看一些非常遥远的星系，这些星系非常远，它们的光是经过几百万亿年才跨过宇宙到达地球。就好像说，你给自己寄一封信，如果这封信需要20年后才收到，那你20年后收到的时候，就可以透过信件了解到20年前的自己。这也是为什么，我们常常说我们可以了解宇宙早期的情况。因为宇宙大到，只要我们可以看得更远，这些“信件”都是百亿年前“寄出的”。詹姆斯·韦伯望远镜能够做到的，就是比哈勃望远镜看得更远，收集一些更久远的早期宇宙给地球人捎来的信件，所以也就让我们更能窥探到宇宙早期的情况。而关于第二点，能看到一些其他波段的光，那就要说到另一个天文的热点，也就是寻找太阳系以外的外星文明。要知道天文从业员都不是直接去“找”外星人（因为太远，臣妾真心做不到），所有的努力都是在找一些有类似与地球大气一样的行星。可以想像一下，如果外星人要发现地球，最好的方式还真不是电影里那些开着飞船乱闯的笨蛋外星人。最佳的方式，是看看比如说太阳的光透过地球以后，有没有一部分的光被地球的大气吸收掉。而通过了解这些被吸收掉的光，就可以推算地球大气的成分，进而知道这个行星存不存在生命体征。而这也是詹姆斯·韦伯望远镜的一个重点，看看有没有一些星星的光透过他们的行星时，有这些被水分（和其他有机气体）吸收过的痕迹。暂时说再见詹姆斯·韦伯望远镜明年发射固然是科学界的一大盛事（如果万一发射失败，天文要往前进步恐怕就要再等个30年），不过另一方面我们这30年来还一直用着老旧的哈勃望远镜却侧面的反映了一个问题。常常别人会问为什么要花钱在基础科学上，可是大家可能比较不知道的是，科研的经费相对于政府其他花钱的领域简直是九牛一毛。政府以外，随便一个跨国企业的财力如果愿意在指缝中漏一点给科研人员，就可以让科学上有质的飞跃（大家可以脑洞一下，如果我们的疫苗科技比现在强个10倍，也许我们就不会有今天的窘况）。但是在目前的严峻情况下，当政府要砍经费，科学往往就首当其冲。这结果是一个无限往下坠的死循环。科研人员花了好大力气申请一些可能其他领域都看不上的经费，但竭尽全力挣扎求存却也导致认真做科研的人，再也没有力气去和大众做交流。缺乏交流导致大众对于科学意兴阑珊，也导致居心不良的人有机可乘。而这之后，政府就更觉得可以向科学经费开刀，然后这个恶性循环就造成了今天很多科研的种种困境。而这一点也是作者这么多期以来希望能尽一点微薄之力改变的现状。当初【新教育】找上我的时候，我一直想，我作为一个理工男，文笔上想当然非常一般，说起科学来也肯定没有那些职业做科普的YouTube达人说得清楚（我自己很喜欢看的频道叫Veritasium，向大家推荐一下）。不过唯一可以提供作为参考的就是我作为一个科研从业员的所思所想，不只分享一些科研的乐，也希望大家看到科研的苦。最后，由于最近被申请经费，兼顾科研，同时带学生做研究搞得身心俱疲，所以会休笔一段时间。期待往后有机会再与大家分享。更多文章：丁源森 | 黑洞与咸煎饼丁源森 | 吐槽一下好莱坞科幻电影丁源森 | 聊一聊暗物质

5年前

丁源森 | 黑洞与咸煎饼

肯定的是，你、我和黑洞都是星星的孩子。而我们之所以研究黑洞其实也是在研究我们地球上的元素，乃至我们本身，到底从何而来，而我们将往哪里去。最近几年，黑洞可以说是频频刷屏，其中包括在2015年，因一对约30倍太阳质量的黑洞合并而探测到的引力波信号。当时这两个黑洞不仅仅在时空里泛起了涟漪，更是在科学界掀起大地震。就在探测到引力波的短短两年内，诺贝尔科学委员会就以极其罕有的速度，在2017年颁发诺贝尔物理学奖给这方面的3个先驱。而去年2019年，我们和黑洞的那个酷似甜甜圈的首次亲密“照相”，再次引爆了朋友圈。都还来不及反应过来，就在这篇稿发表的前夕，黑洞又在今年诺贝尔物理学奖再下一城。（作者注：作者段位太低，并没有诺贝尔奖的任何小道消息。纯属巧合。）来自星星的你（和黑洞）黑洞听起来感觉很玄乎，其实简单来说就是星星们的“残骸”。虽然2019年那张照片的黑洞看起来像个甜甜圈，但其实黑洞的生成过程更像是个“咸煎饼”。既然说黑洞是星星们的坟墓，那么要了解黑洞就绕不过我来唠叨一下到底什么是星星了。 [nonvip_content_start] 宇宙初期原是空无一物，主要成分也就只有氢气和氦气而已。但是由于引力（就是地心引力的引力），这些简单的气体会慢慢聚集起来。这时候如果没有相对应的抗力，万事万物就会因互相吸引而无止境的坍塌。这个过程会一直持续到星星的形成。而星星的形成，就是当气体坍塌到了一定的程度时，气体在压缩中被诱发了“核聚变”。核聚变是物理过程。在这过程中，小的元素会“合并”形成大的元素，就像买了一包棉花糖，我们可以取出多个棉花糖揉成任意的大小。这里重点来了，这个“揉”的过程常常会“掉渣”，而这些星星丢失部分的质量就会转换成能量。这也是爱因斯坦那出名的方程E=mc^2，简单来说，就是星星在揉“氢气”的过程中“卖掉”了一点质量，然后“兑现”了一些新能量。而这新能量也是为什么星星们（比如说太阳）之所以能发光的原因，同时这能量也暂停了星星自身气体的坍塌。这就像把咸煎饼的面团丢到油里去炸，由于额外的热量，所以咸煎饼会发胖发胀。当然了，星星能进行核聚变的原料是有限的。当能源耗尽“熄火”后，咸煎饼再也没有能量去抵御引力的诱惑，星星内的气体就会继续坍塌。而这结局有两个。质量较小的星星，本身的一些内在潜能其实还是可以hold得住的，这些星星就成为了所谓的白矮星。白矮星就像把木材烧完后的灰烬，这些灰烬会在持续很长的一段时间里继续在宇宙中发出微弱的光芒，直到余温慢慢褪去。但是一些质量较大的星星在熄火后是完全hold不住的。星星引爆的结果是镜像在极速的坍塌下，这些星星被引爆了。爆炸中星星们挤出了之前通过核聚变生成的元素（大棉花糖），且在这爆炸的高热中也加工生成了其他的元素。这就像咸煎饼在被挤压下，馅料被挤得到处都是。这就包含了我们呼吸的氧和地球组成的主要成分，比如镁（magnesium）、硅（silicon）等等。同时星星的核心则坍塌成了黑洞（有的也成了“中子星”，不过这里就不细分了）。星星引爆的结果是一个镜像，往内一面是无底的黑洞深渊，但是往外的一面却促成了一个更绚丽和终于拥有不同元素的宇宙，这些元素一部分后来就形成了地球。肯定的是，你、我和黑洞都是星星的孩子。而我们之所以研究黑洞其实也是在研究我们地球上的元素，乃至我们本身，到底从何而来，而我们将往哪里去。黑洞的研究和展望既然黑洞不外乎是星星的残骸，就不难估算在银河系里理应有上亿个黑洞。那问题来了：它们都在哪里呢？黑洞确实是在天体物理中一直让人比较一筹莫展的问题，毕竟黑洞最为人熟知的就是它的引力大到连光都逃不出去。既然黑洞本身不发光，所以是不可能被直接观测的。尽管如此，侧面研究和印证黑洞的方式还是有的。比如说，黑洞在形成后会依然吸积周围（比如说邻近的星星）的气体。而这些气体在被黑洞“吸魂大法”后会被加热到非常高温，并辐射出X-射线，这就是我们研究黑洞的主要途径之一。通过探测X-射线，其实在引力波之前，就早已找到了二十来个黑洞。这里插个小细节。说了这么多，我们只是聊到了个体星星坍塌成的黑洞，但除了这种不到数十个太阳质量的“恒星黑洞”外，每个星系的中心都有所谓的“超大质量黑洞”，例如我们银河系中心就有个比太阳重400百万倍的黑洞（其发现就是今年的诺贝尔物理奖其中两个得主得奖的工作）！与其把这种超大质量黑洞想像成是星星的残骸，不如把每个星系的中心都想像成有个大型的“乱葬岗”是比较恰当的比喻（虽然它们的形成还没有定论）。2019年照相拍到的是黑洞“乱葬岗”（约数十亿倍太阳的质量），而2015年引力波探测到的是黑洞“残骸”（30倍太阳质量），不能混为一谈。简单的说 2017 年诺贝尔物理学奖颁给了小黑洞，今年的诺贝尔奖颁给了大黑洞。黑洞有星星“粉丝” 比起恒星黑洞，超大质量黑洞是比较好观测的。所以对于它们的研究在这二三十年一直都是如火如荼，但是与之不同的是恒星黑洞的研究才刚刚起步。除了文章开头说到的引力波，我们上几期聊到的那个能同时追踪数十亿颗星星的Gaia探测器，也将产生巨大作用。虽然黑洞自己不发光，但往往有一些普通的星星“粉丝”伴随它们。这有点像是在一个不开灯的探戈舞会里，只要其中一个舞伴是荧光的，即使另一个舞伴一身漆黑，我们也可以通过荧光舞伴的舞步英姿得知另一个人的存在。而伴随着对于引力波的探索和对于银河系大量星星的监控，恒星黑洞终于拉开帷幕，估计未来10年还会不断刷屏，习惯就好。（作者再注：真是说时迟那时快，小伙伴们的脸书估计要被今年诺贝尔物理学奖刷屏了。）最后要说的是，不说你不知道，一说可能就要吓一跳了。很多天文数据是完全公开的，Gaia在往后几年也会把那数亿颗星星的具体“舞步”完全对外公开，意思是只要你有足够的物理知识，在家上网也可以找黑洞。研究天体有用吗？现在又到本专栏固有的闷骚环节。常常有人问我：“天体研究有用吗？”这问题我确实答不上来（注：就是拿诺贝尔拿到手软），不过我觉得其他事情其实也挺没用的。宇宙形成之初本来空无一物，而结局也会是如此。在遥远的未来，当所有宇宙的能源都被耗尽后，剩下的就是无数黑洞和一些烛火残存的白矮星。而那又有谁能定义何为有用呢？也许人类唯一能做的就是《三体》的那句“给岁月以文明”吧。作者简介：丁源森是吉隆坡中华独中毕业生，2017年从美国哈佛大学毕业，2018年获得美国NASA哈勃奖学金，现于美国普林斯顿高等研究院（IAS）研究天体物理。本文英文版链接：Black holes and souffles 更多文章：丁源森 | 吐槽一下好莱坞科幻电影丁源森 | 聊一聊暗物质丁源森 | 一个世界两个夜空，科技背后的折叠星空

5年前

丁源森 | 吐槽一下好莱坞科幻电影

不过，我不能认同一些好莱坞大片，漠视博物馆的壮阔与历史，随手挑了个耀眼的小图腾，把其放大特写，再加特效，然后还硬要说这图腾是博物馆的精华。想像一下，你继承了曾祖母呕心沥血的画作，你穷极心思把它修复好了，并放在博物馆里展示。有一天，有个导演说要给这幅画拍个特辑，但他来到博物馆后二话不说，就只盯着画上的一个图腾拍局部特写，只字不提这幅画的壮阔与历史。大话星际穿越作为天体物理学家，我是不折不扣的科幻迷。2014年，大导演诺兰（Christopher Nolan）有一部有口皆碑的好莱坞大片——《星际穿越》（Interstellar），作为诺兰老粉的我，那时可是盼星星、盼月亮地期待这部电影上映。然而，盼到电影，却也盼到失望。话说在电影里，女主角的老爸掉进了黑洞，并意外获得操作时空的能力。当女主角叹到“啊，原来爱就是第五纬度”的时候，此处理应要热泪盈眶，可是不知道为什么我却一秒出戏。 [nonvip_content_start] 我是个科幻迷，所以了解科幻源于创作，不能事事较真。我后来也检讨了一下，毕竟诺兰的《盗梦空间》（Inception）是同等的不科学，却是我最喜爱的电影之一。而我小时候更是喜欢金庸的武侠小说，对于武侠的腾云驾雾，也不会戏谑这不符合牛顿力学，所以常反思自己对于好莱坞星际大片的一些偏见。星际类型电影的困境一直觉得所有文学的创作，包括电影，是作者和受众的一份契约。大家约定在一两个小时内，进入作者与受众达到共识的虚拟空间。而星际科幻的难点恰恰在于，常常星际科幻都是标榜着那虚幻空间是“在不太久远的将来”。这里问题就来了：既然标榜的是可能发生的将来，这份契约和武侠小说是截然不同的，毕竟大多数人不会认为武侠是可以在现实发生的，而星际的契约潜台词却是这是有可能发生的。所以当女主角说“爱是第五纬度”的时候，这句牛头不对马嘴的话，又如何叫人不觉得违和呢？那有没有好的星际科幻呢？我自己就非常推崇刘慈欣的《三体》（据说奥巴马也爱看），这是第一部以华文写作并获得雨果奖的小说，它棒的地方不在于科学上无可挑剔，而是在于它尝试把视角放高，纵观宇宙，不拘泥于滥情。 3块大钢板的故事说到视角，就要说到我最常被别人问及的问题之一——“作为天文学家，宇宙这么大，你会不会觉得人生观变得很‘豁达’？”而我一般都笑答：“才不呢。” 这样被问其实无可厚非，毕竟地球万物在宇宙都是沧海一粟，我做学术报告时，所有天体的时间单位都是以百万年为基数。我所在的普林斯顿大学天体物理系，系外有个美国极简雕塑大师里查·塞拉（Richard Serra）的作品。作品名叫《刺猬与狐狸》（The Hedgehog and The Fox），我们系里的同事都笑称那是“3块大钢板”。实际上，那作品确实就是竖着3块4米乘25米的大钢板（人家“极简”大师也不是浪得虚名的）。有趣的是，3块钢板外面是宽敞的，但是只要到了里面，视野立马就变得非常局限。古希腊诗人阿尔基罗库斯（Archilochus）这么说到：“狐狸诸事皆知，刺猬仅知一要事（A fox knows many things, but a hedgehog one important thing）。对照这句话，这个雕塑设在举世闻名的普林斯顿理论物理系、天体物理系和数学系的中心位置，用意也就昭然若揭。做学术的悖论恰恰在于，你越往深处研究，你越是坐井观天。这雕塑一直是我对本身工作的一份警惕。天体物理学没有想像中的这么高大上，我更加愿意把我的工作比喻成博物馆里其中一幅画的修复师。确实，对于很多做学术的，我们都是穷其一生研究一个课题。我们汲汲营营地工作，为自己最感兴趣的一幅破损古画进行最大努力的修复。然后，把这幅画裱好，再进行最详细的注解。在这偌大的博物馆里，流淌这么多人的心血，而每一幅画的个体都是微不足道的，但是放在一起，那感觉就对了。有人会问，我会不会在意别人参观博物馆时不太留意注解，其实真的不会，因为总有人会像刘慈欣一样，受到这宇宙博物馆的感召而产生了创作的灵感，也有人会在宇宙博物馆沉思，并获得心灵的洗涤。不过，我不能认同一些好莱坞大片，漠视博物馆的壮阔与历史，随手挑了个耀眼的小图腾，把其放大特写，再加特效，然后还硬要说这图腾是博物馆的精华。堂堂好莱坞，何以把偌大的宇宙拍小了。本文英文版链接：Hollywood science fiction: Lost in Space 更多文章：丁源森 | 聊一聊暗物质丁源森 | 一个世界两个夜空，科技背后的折叠星空丁源森 | 黑洞与咸煎饼

5年前

丁源森 | 聊一聊暗物质

暗物质到底是什么呢？这里是要让大家遗憾了。虽然现在我们知道它无所不在，方方面面地影响着天体的运作，不过它具体是由什么组成的目前还是个未解之谜。从小到大我都是一个不爱说话的小孩，所以平常交友会特别别扭。一般实况如下： “我是个会计，你呢？” “呃，我是个天体物理学家。” 一般说到这里，双方都可以感觉到气温骤降，空气凝固。所幸，作为天体物理学家的我有“破冰”三宝——外星人、黑洞、暗物质。在这千钧一发的时候，我一般都会使出杀手锏，一举扭转了整个局面。 “你有听说过暗物质吗？” 今天我们就先来聊聊暗物质。 [nonvip_content_start] 表象與本質骇客任务（The Matrix）是我最喜欢的电影之一。故事的大纲是主角尼欧（Neo）在坏人电脑为了驯服人类而生成的虚拟空间中，察觉到了事物的矛盾，从而看穿了感官的表象，进而认识到了现实的本质。电影里的慢动作打斗画面固然让人津津乐道，但骇客任务之所以能成为经典估计还是要归功于其所投影出的哲思。而与这哲思遥相呼应的是古希腊哲学家柏拉图的洞穴比喻。柏拉图在洞穴比喻里描绘了一群囚徒被困在一个黑漆漆的山洞里。他们的颈部和身体俱被镣铐在洞穴的一面墙上。而这面墙上的背后上方是洞穴的出口。虽然出口是明亮的，时而也有小动物路过，但是由于囚徒们的视野有限，只能看到小动物的投影，因此大部分囚徒都默认他们看到的影子即是现实，直到有像尼欧一样的囚犯打开了思想的枷锁，认识到了影子只是现实的表象，从而发掘了背后的广阔天地。而这，也是我们如何发现暗物质的。暗物质的发现话说约在1970年，天文望远镜开始能比较好地探测到星系里星星和气体的移动。而这科技的突破，对于天体物理学家来说是梦寐以求的。由于星星是受星系重力的影响，通过研究它们的轨迹，理论上就可以给星系量个“体重”。那时候大家的认知是，越在外围的星星，由于星系的重量开始下降，那么其运行的速度理应会比在内部的星星来得缓慢。这就如我们太阳系里，越往外的行星，比如说天王星等，绕太阳的速度都会比地球缓慢。可是那时候天体物学家却惊然发现，观测数据与理论预期刚好相反，外围的星星依然以飞速在绕行！星系含大量暗物质要知道这有点像在玩旋转木马，如果要转得飞快而不发生意外，那么安全绳就必须非常牢固。而在星系里，这安全绳就是星系的重力，只是让大家不得其解的是，这星星高速移动所需要的安全绳，可是要比在星系里可见的物质的总重量还要大上个10倍！也就是说，星系明明看起来是个瘦小子，但称起来却是一个大胖子！而这表象的矛盾，迫使我们重新认清了事物本质。而唯一合理的解释就是星系里除了有可见的物质外，还必须有大量我们看不见的物质。而这就是所谓的暗物质。虽然说暗物质可以解释星星的运行，但科学精神要求的是如果暗物质是确确实实的存在，那它必须可以经得起推敲。而在目前庞大的天文研究体系中，无论是宇宙大爆炸里各元素的生成，还是星系的具体分布等，暗物质都已被反复证明是不可或缺的枢纽，它的存在是板上钉钉的事，我这里就不一一阐述这些其他实验。暗物质是个好帮手不过要说这其中比较有趣的，就必须说到暗物质的“引力透镜”效应。简单来说，爱因斯坦的广义相对论说明，当观察某星系时，如果这视野中刚好穿过一团大量的暗物质，那暗物质的巨大重力会引起时空扭曲，导致这星系在观测时变形且被放大。这有点像是透过一个玻璃瓶的底部去看一个光源，那光源透过玻璃的折射会产生变形。虽然说这种超大团的暗物质不常见，不过这有趣的现象也是经过哈勃望远镜反复核实，侧面再次印证了暗物质。更重要的是这透镜效应在研究宇宙里一些很古老的星系特别重要。一些非常古老的星系由于离我们太远，一般都是无法直接去研究的。而这时候暗物质偶尔会跑了个龙套，客串了一下放大镜，无心插柳地帮助了天体物理学家，从而让我们能窥探宇宙早期的情况。暗物質仍是個謎说了这么多，暗物质到底是什么呢？这里是要让大家遗憾了。虽然现在我们知道它无所不在，方方面面地影响着天体的运作，不过它具体是由什么组成的目前还是个未解之谜。但也许留个遗憾也不是什么坏事。这警惕着我们的渺小，像极了柏拉图笔下那一群被困在地球的囚徒。但是人类了不起的地方恰恰是，即使被束缚着，还是能透过无限的想像力不断窃取宇宙的秘密。我们是囚徒，也是尼欧。本文英文版链接：The Matrix, Plato and dark matter 更多文章：丁源森 | 吐槽一下好莱坞科幻电影丁源森 | 一个世界两个夜空，科技背后的折叠星空丁源森 | 黑洞与咸煎饼

5年前

丁源森 | 一个世界两个夜空，科技背后的折叠星空

由于星星的运动是受银河系重力的影响，只要能测得星星的运动和轨迹，我们就可以窥探银河系的点点滴滴。话说在1994年，美国加利福尼亚州发生大地震，引发了洛杉矶全城大停电。当时人们惊慌失色地走到屋外，仰头一看，顿时震惊，简直不能相信自己的眼睛。惊慌中，有人打电话给邻近天文台，气喘吁吁地问：“先生，请您告诉我，那天上划过的大片银光，该不是什么噩耗吧？”电话另一头的天体物理学家，被这一问可是乐开了怀，然后缓缓说道：“不，先生，那是银河系，我们太阳所在的星系，它一直都在。” 有没有想像过，在没有电灯之前，是一个什么样的世界？ [nonvip_content_start] 我是一位天体物理学家，主要研究对象是我们太阳所在的星系——银河系。这事说来其实有一点奇葩，在吉隆坡长大的我，小时候所意识的夜空是黑压压的，什么都没有。即使回到了家乡诗巫，也只能非常零星地看到几个最亮的星座。天空有什么好研究的？不是都说什么“黑夜给了我黑色的眼睛”吗？我心里嘀咕着，说这话的诗人顾城一开口就暴露了自己是个现代人。我们往往只看到科技给人们带来了城市的绚丽，却忽略了光害也给天空泼上了永久挥之不去的黑漆。科技当然是个好东西，无需为之辩驳，但科技的飞速发展也确实使我们常忘了，这电光石火的发展史其实还不到150年。也就是说，在漫漫人类的历史长河中，看见灿烂星空是常态，也就是到了近100年，夜空才被光害吞没，迎来了真正的黑暗。当然了，都说上帝把一扇门关了，还是会为你留一扇窗。想看到真正的星空，其实也不是不可能的事。但现在大多数的天文望远镜都是建在最荒无人烟的地方，而作为天文学家，这还真是有够折腾的。我每次前往智利阿他加马沙漠的天文台观测，从美国东岸普林斯顿的家出发都要转上3趟飞机，再加上两三个小时在沙漠中颠簸的车程才能到达。但即使如此，每每我看到那划过天际的银河系，一切都显得那么值得。我总是在想，人类有文字记载的历史就这么几千年。但是在没有文字，甚至没有语言的几十万年间，到底有多少人曾经住在山洞里，看着同一片天？测星星轨迹窥探银河系在古希腊神话中，银河是希拉女神的母乳，所以也有了银河系的英文名The Milky Way这个说法。但是我们现在知道这片银河其实不是什么神仙母乳，而是由我们太阳和它的星星邻居们所一起构成的。话说太阳其实也就是一颗貌不惊人的星星，而在银河系里就住着约一万亿颗这样的星星。要知道这星星的数量可比在地球上所存在过的人（把祖宗十八代都算上）还要再多个10倍。另外，银河系的跨度也是惊人的，从银河系的一端到另一端的距离约为10万光年，也就是说如果从银河系的一端发射一束光，这束光可要在10万年后才到达另一端（光一秒就可以在地球上绕7.5圈）。那天体物理学家又是怎么知道这些的呢？这其实又要算到科技的头上了。要给银河系量个“腰围”、称个重，理论上也不是什么难事。虽然我们够不着太阳，但是由于地球和其他行星的运行速度是受到太阳重力所吸引，所以只要能测得行星的运动轨迹，自然就能知道太阳的重量。同理的，由于星星的运动是受银河系重力的影响，只要能测得星星的运动和轨迹，我们就可以窥探银河系的点点滴滴。话虽如此，要测星星的运动轨迹可不是个易事。打个比喻，我小时候常愣愣地看飞机在天上缓缓地移动，要知道飞机飞行的速度可是比高速公路的限速还要快个10倍，那目测的缓慢主要是由于飞机离我们很远，所以即使它在高速的移动，在天空划过的投影距离还是微小的。而天体物理学要测的却是离我们好几千乃至好几万光年的星星的运动，那扰动更是微乎极微。超厉害的Gaia望远镜但是，就如美国前总统肯尼迪在〈我们选择登月〉的演讲所说，我们所做的事情“并非它们轻而易举，而正是因为它们困难重重……因为这个挑战我们乐于接受。”而恰恰就是为了了解银河系，欧洲太空总署在2013年发射了Gaia望远镜。你可能会问这Gaia有多厉害？要知道Gaia望远镜能分辨的精准度，相当于在吉隆坡隔着南中国海看诗巫一个阿伯其中一根头发的晃动。而Gaia的细致使得我们可探测到银河系10亿颗星星的运动与距离，从而永久地改变了我们对银河系的认知。当然了，这只是冰山一角，我们现在有的银河系数据不止于Gaia，也不限于给银河系量腰称重这么“肤浅”。能做的事情多的是，而银河系的研究这几年更是红红火火。这些由于文章长度有限，我就不赘述，以后若有机会再聊。后记：我住在离纽约不远的普林斯顿。这里和地球大部分的地方一样，看不到银河系，但是现代天文学所做之事，毕竟早已超越了我们所有的五官，甚至是想像力能及的地方。科技背后分化出的是两个夜空。一个，光害笼罩，大多数人都不会特意抬头去看一看的“黑”夜；另一个却是超越五官，不可肉眼观看的夜空。而我又何其荣幸能在这两个夜空中穿梭。 Yuan-Sen Ting: One world, two skies: The bifurcation of the sky by technology 更多文章：丁源森 | 吐槽一下好莱坞科幻电影丁源森 | 聊一聊暗物质丁源森 | 黑洞与咸煎饼

5年前

Malaysia news headlines and analysis Info lengkap di www-sindonews-com www-malaymail-com Site www-detik-com Site