帮edge出道年度问题-那些常用的隐喻需要科学解释

2019-07-06 约 3693 字预计阅读 8 分钟

Edge网站的年度问题，是我每年都是必看的。不知为何今年都过了一半，还是没有更新，不过想想去年的问题是“what’s your last question？”，毕竟John Brockman连续出了20年的题目，审美疲劳了。我就想，为何不由我来出一道题目，这题目要跨学科，连接科学和人文。下面是我给出的题目，以及我的几个回答。欢迎各位思考一下这个问题，并在留言中给出你的回答。

题目：

Which commonly used metaphor need new scientific explanation？

哪些常见的隐喻需要最新科学研究对其加以注解？

详解：

我们的日常生活中充满了隐喻，离开了隐喻，我们会缺少词汇去描述抽象的或者新发的事物。隐喻通过简化帮我们从复杂的信息中抽取核心特征，通过联想让我们借由熟悉事件更好的解释事件发生的前因后果。然而，当前常用的隐喻中，部分需要用科学的眼光加以重新审视并对其进行修正，从而使大众不至于误用或滥用该隐喻；还有一部分隐喻，虽然不广为人知，但随着科技的普及，势必将大范围的普及，从而有必要对其提前进行宣讲。

每一个隐喻的诞生，都有其特定的历史机缘，最初从某个学科开始，之后由于一俩个关键事件，一下子变成了人们日用而不知的，梳理隐喻的发展历程，可以让我们理解为何当下的语言中，隐喻所承载的意义是如何变化的，是否会随着不同的认知背景，代表不同的涵义。而隐喻之所以流行，则都是由于科技的进步带来的热点新闻，只是大众会习惯性的忽略技术背后的科学原理，而只从熟悉的技术中，根据进化预设的偏好，选取熟悉的突出的来作为隐喻的素材，直到新的技术取代旧技术，使得新隐喻替代了旧隐喻。例如在计算机出现以前，人们用已知的最强大的机器蒸汽机来比喻大脑的运作，而之后就把大脑比作了羰基集成电路。

回答一：碎片化知识

碎片化的知识，不是21世纪的新鲜事，中学生作文中的“名人名言”就是其雏形，借着移动互联网的东风，越演越烈。最初的“得到”app，是25分钟听完一本书，到如今抖音上的科普短视频，只有1-2分钟。碎片化的知识，其背后的隐喻是有人将一本书撕碎，从中找出精华的部分，让你能随时冷启动，在零散的时间里获得信息。

这背后的假设是一本书的内容是如同一串珠子一样串起来的，而实际上，任何一本书，一面学科的信息都是如一张网络一样，相互连接的。网络科学的研究指出，你从网络中随机选取几个节点来代表整个网络，那整个网络呈现出的性质，就会消失，这种现象称为“涌现”，如果将信息看成是网状的，而不是线性的，那就会明白碎片化的知识这个隐喻是个伪命题，由于碎片化，因此无法传递涌现出来的信息。故此“碎片化的知识”这个隐喻，需要被修正。

举例来说，介绍最新的研究成果，如果只能用2分钟，那就无法介绍之前的研究的局限和疏漏，而只能介绍成果和应用。由于上述缺失，带来读者无法体会科学的发展历程，会误解科研的进程是一帆风顺的，而忽略了质疑的重要性。而在介绍颠覆式的发现时，碎片化的方式突出介绍不同之处，指出这一修正是革命性的而不是渐变的，这样的介绍缺少介绍观测技术的改进和其他学科进展的部分，会让读者以为科研只需要去质疑前人的成果就足够了。在这个案例中，涌现出的，同时也是碎片化知识无法传递的是科学精神和方法论。

“涌现”现象指出，必须足够多的个体，且这些个体相互连接，相互之间有作用力和反作用力，有反馈循环，才会出现集体的特征。也就是说，不管如何选取有代表性的个体，数量不足，或者没有相互之间的关联，都无法出现涌现出的特征。而学习的过程，从信息到知识，再到运用知识的智慧，其中的每一步都需要“涌现”才可以产生。因此精读从理论上就不能够为你节省时间，若想从碎片化的学习方式中获益，就需要换一个隐喻，即Polya的罐子。

这是统计学中的一个经典的抽样模型，说的是罐中有a个白球，b个黑球，每次从罐中随机抽取一球，观察其颜色后，连同附加的c个同色球一起放回罐中，再进行下一次抽取，其中abc的数值不同。由于抽取后观察后会放回c个同色的球，这一步就让你在信息之间建立了联系，并同你个人的生活体验产生了共鸣，从而可以形成网络，而且每次随机抽取的时候，之前抽取过的，也会重复出现。这也不同于碎片化知识对实效性的追求。在Polya罐子的这个隐喻中，知识的学习同样是被切成一小块一小块的，但这里是随机性的去选，而不是由他人选好，是需要再放回，且需要放回的和抽取的不同。Polya的罐子突出了知识学习的反复，越是重要的部分，越需要反复一遍遍的被抽取，而你学到的多少，来自于个人的领悟能力，也就是你能放回多少信息去原来的信息池里。

回答二：溢出

在计算机编程中，溢出错误是最常见的一种错误类型，至少对于C这样和硬件打交道的语言是这样的。程序员间交流技术问题的专业版知乎，叫做“stack overflow"，直译为堆栈溢出，指的是不顾堆栈中分配的数据块大小，向该数据块写入了超过预定量的数据，导致数据越界，结果覆盖了别的数据。像Python这样的高级语言，程序员已经不需要关注这类问题了，会由编译程序自动处理，但这不意味着该问题不存在了。

溢出在生活中常用的表达是水满则溢，提醒个人要保持谦虚，企业要在好年景更要警钟长鸣，常思“下一个倒下的就是自己”。而了解溢出在编程中的含义，将其作为生活中的隐喻，则可以具体化为何要谦虚。首先是你要设定好一个数据存储所需的大小，或者你选取默认的大小，之后要看你处理的信息，是否已经超越了预先的设定。不是无条件无底线的说自己不行，而是避免自己对不属于自己预定的范围进行读取和修改。也就是说，到了自己不熟悉的领域，既要少说，更要避免修改已有的信念，听风就是雨。如果要修改，需要先对其设定范围。

溢出隐喻的普及，于认知领域，可以帮我们更准确的理解谦虚的意义，还可以化解消费主义对幸福感的侵扰，在“千与千寻”中，吃的太多就会变成猪；而当代越来越多无用的消费品，让我们个人与我们的地球，都背上了沉重的负担。进化让我们的味觉喜欢甜味，但如今加工食品中过多的糖分，就是“溢出”的体现，而溢出的糖在时刻损害着我们的健康。而当你面对过多的选项而产生选择焦虑时，这时你也要想到溢出的危害，这里溢出选项占据了本来可以用来做更重要决定的认知资源。

教你怎么去读 “Edge的2016年度问题-这一年里有趣又有用的科学新闻”

吸引子2019-07-06 09:13:06

阳光之下无新事，传统机器学习在遇到维度灾难的时候难解，神经网络隐喻成寒武纪大爆发，是在传统机器学习做分类基础上解决维度灾难的有效武器。而新知识信息出现，又是头疼问题，其实就是无数新的小数据问题。为什么跟机器人长期聊天它会越来聪明？是小数据变到了大数据，了解了套路就知道怎么说话了。无数小数据之间建立关系，形成逻辑和推理又是目前卡壳的问题，碎片化的知识不建议学习，因为它看到的只是局部，来龙去脉不明就会下错结论开错车，有些人保持着反思质疑的精神，就不会陷入这局部最优。stack overflow是避免不了的，隐喻可以发挥人对认知事物的泛化迁移能力，解决事物间的共性问题，而不至于对新事物太陌生，而个性问题因为时间有限，只能保持谦虚的态度前行，尽量避免overflow，直到数据降为压缩和新认知形成。

Elfe Xu2019-07-06 00:43:18

去年是最后一个年度问题。结束了。

作者

你确定吗？请问消息来源是？

贾新彬2019-07-23 09:17:04

隐喻的唯一目的就是唤起视觉形象——George orwell，politics and the English language

起跑线的效率2019-07-06 16:19:21

能不能一方面垃圾分类另一方面，找出一些把“自然条件下垃圾必须历经几十数百年各种各样的作用才能消解”这样一个过程统统压减到尽可能短的方法。【早期阶段】提供一批垃圾处理方法，让有能力的个人或家庭、或院校、企业选择一些方法处理自己生产生活产生的垃圾；通过平台提交处理后形成的东西，并填写处理了哪些垃圾、垃圾是怎么处理的、垃圾处理了多久之类的信息。【研制阶段】实验机构们用大数据对提交的信息和收集到的、处理后的东西进行分析。假设当从处理后的东西里发现了未被记录过的新物质，而且—— 天南地北相距甚远的不同地区、不同的垃圾处理方法、甚至于不同的垃圾被相似的处理方法处理后 …… 各种情况下都能发现数量不等的同一种新物质—— 能不能根据大数据分析结果研制出不但能处理垃圾、还能提高新物质出现概率的相关设备随着技术的与时俱进，全民普及下，以 “让组成垃圾的分子可以重组的方式处理垃圾—～—再从垃圾被处理后东西里发现新物质”这样的方式发展后，将来，会不会以每年甚至于每月新增包括新材料和新能源在内一定数量各种各样新物质——大跨步的让曾经的科幻成为现实

沙绿洲2019-07-06 08:14:13

ALL WORK AND NO PLAY MAKE JACK A DULL BOY.感觉是实践总结的很正确的一个俗语，作为一个客观现象，为什么？也许要从脑科学、心理学、生物学、历史等多方面多学科融合解答。

Elfe Xu2019-07-06 08:02:34

egde网站，去年最后的一个问题，是what is the last question？在问题说明里就有说 run out of questions…so for the finale…

作者

好吧，以为是老外谦虚

黄小骑2019-07-06 00:31:23

好问题