令人备感不幸的是，网络上有关卡纳韦罗的视频令人感到非常不舒服。当时还出现了各种关于他的言论。比如，“世界由此将被改变”；他的科学实验被称为“天堂”和“双子座”；用挤压的香蕉代表受损的脊髓，并将其与一个被整齐切割的香蕉放在一起，以描述他的这项看上去很简单的计划。卡纳韦罗一再称这种手术为“混合意大利面”，甚至提到他的俄罗斯捐献者有“90%的概率能获得再次行走的能力”。
《卫报》曾报道，卡纳韦罗出版了一本名为《发现女人》（Women Uncovered）的书，书里描述了他经实践检验的约会技巧。很显然，在头颅移植手术这件事情上，我们很难规避细节，掩盖事实，因为数百万四肢瘫痪的患者正在密切关注着重新修复脊髓的可能性。
我这里所说的并不是名人轶事。我认为，就目前而言（指2017年），这一手术很难实施。但2027年、2037年、2047年又将如何呢？如果回顾过去，我们就能发现复杂性的增加，不得不认为这将会成为现实。那么，这就引出一个有趣的问题：如果幻肢会带来严重的心理问题，那么整个“幻肢”将会带来什么影响呢？自我形象（self-image）是一种非常精妙的“程序”，涉及复杂的信号、流体和信使化学（messenger chemistry）(49)，怎么能在远程实现稳定的状态呢，更不用说正常状态了。
巴纳德曾被问道：“为什么有人会选择风险如此高的手术呢？”他回答道：“对于生命濒危的人来说，移植手术不是一个很难的选择。如果有一只狮子将你追到一条有许多鳄鱼的河边，你肯定会跳入水中，并在内心说服自己有可能游至对岸。但是，如果没有狮子，你肯定不会冒这种险。”
虽然我连走进牙医的候诊室都感到害怕，但30年后，我也许会选择面对“鳄鱼”。如果霍金能活得更久一些，他应当尝试所有的治疗方法。我知道，有些人最大的愿望就是获得一颗新的大脑。因此，对于完整的头颅移植手术，我持两种观点。
104
THE EN-GENDERING OF GENIUS
天才的性别
丽贝卡·戈尔茨坦（Rebecca Goldstein）
哲学家，小说家，纽约大学客座教授；著有《谷歌时代的柏拉图》（Plato at the Googleplex）。
在人类历史的大部分时间里，人类系统性地浪费了自身的人力资本。原因在于，我们拒绝了半数成员的创造力潜能。20世纪之前，很少有女性能够接受高等教育，而接受了高等教育的女性被隐去了性别。直到几十年前，性别之间的差距才明显缩小。从1982年开始，美国获得学士学位的女性超过了男性；从2010年开始，美国获得博士学位的女性超过了男性。近些年取得的这些进步也反映了我们过去对女性人力资本的极大浪费。
尽管如此，一些学术领域仍然存在性别上的差距，这些学术领域包括科学、技术、工程与数学领域（以下简称四大学术领域）。这种差距在欧洲和美国普遍存在。对于男性为什么在这四大学术领域占主导地位这个问题，人们提出了一系列解释，并就如何克服这种性别差距提出了很多建议。如果女性在这四大学术领域表现出的劣势不是因为兴趣和能力上的天生性别差异，那我们应该努力克服这种差异。这个社会存在许多理论和实践上的难题急需解决，如果我们不充分利用已有的合适人才，实在有些愚蠢。
这也是我认为安德烈·席丕安（Andrei Cimpian）和萨拉-简·莱斯莉（Sarah-Jane Leslie）发表的一篇文章(50)所述的内容算得上一则重大新闻的原因。首先，他们搜集的数据表明，不应该通过四大学术领域或者非四大学术领域的男女比例来衡量性别差异。在美国，获得四大学术领域中有些学科（比如，神经科学与分子生物学）的博士学位的男女比例相等。同样，非四大学术领域中的有些学科，比如音乐理论及作曲（15.8%）、哲学（31.4%）与四大学术领域中的物理学（18%）、计算机科学（18.6%）以及数学（28.6%）等学科的性别差异相当。他们的研究取得的第一个令人震惊的发现是：无论从何种角度来看，并不是科学本身造成了顽固存在的性别差异。在某种程度上，这一发现本身已经改变了关于性别差异的相关推测。
简·莱斯莉和席丕安所测试的假设很罕见，并且测试过程也很困难。他们将这种假设称为“领域相关能力信仰假设”（field-specific ability belief，简称FAB）。这一假设关注的是，在某一特定领域取得成功是否需要纯粹的天赋才能，而且这种才能无法通过学习获取，无论多少后天努力都无法取代，我们可以称之为“心灵捕手”。在1997年的同名电影中，马特·达蒙饰演了麻省理工学院的一名清洁工。某天深夜里，他看到了教室黑板上留下的一道数学题，于是放下拖把，毫不费力地解答出来了。
为了测试领域相关能力信仰假设，研究人员向美国顶尖大学的相关人员（教授、博士后和研究生）发出了调查问卷，以了解在具体的领域里，对天赋才能的信仰在多大程度上占据了主导地位。在一些领域里，成功更多地被看作动机与努力的产物，而在另一些领域，拥有“心灵捕手”才能的人则更容易成功。
这项研究取得的第二个令人震惊的发现是：在某一特定的领域里，相比于其他主流假设，领域相关能力信仰假设对该领域女性所占比例的预测更为准确，其他主流假设包括特定领域中工作和生活的平衡情况，以及对系统化与共情技巧的依赖。换句话说，席丕安和简·莱斯莉的这一发现的重点在于，如果一个领域越是被认为成功仅靠智力，比如天赋，该领域内女性所占的比例就越少。领域相关能力信仰假设坚决地否定了四大学术领域和非四大学术领域这种划分。
席丕安和简·莱斯莉十分谨慎地强调，他们的发现并不意味着领域相关能力信仰假设是性别差异一直存在的唯一原因，而只是说明这种假设是有效的。在后续的研究中，他们还讨论了一些非正式的证据，以证明领域相关能力信仰假设的合理性。这些证据包括流行文化中虚构的男性天才（从夏洛克·福尔摩斯到豪斯医生，再到心灵捕手）与女性天才数量的比例。天才几乎全都是男性。我想补充的是，当女性天才成为主角时，性别将会成为与天赋同样重要的焦点，甚至关注度更高。如果天才是一种反常现象，那么女性天才就更反常了，因为它被看作是女性自身的反常。就是因为存在这种刻板印象，那些强调天赋的领域才会出现女性数量偏少的现象。
这两位作者关注的只是学术领域。有一个注重创造力的领域特别关注天赋和天才，这一领域就是艺术，其中包括文学。数据表明，这一领域长期以来也存在性别失衡的现状。尽管当年女性作家的数量众多，但由女性文学组织统计的数据表明，美国与英国的顶尖文学杂志更多关注的是男性作家写的书，并且更倾向于委托男性作者撰写书评。领域相关能力信仰假设能否解释这种失衡，并证明席丕安和简·莱斯莉的第一个发现呢？
我知道，相对于冰盖消融速度比预期的要快等重大新闻，领域相关能力信仰假设只是小众新闻。这也是在回答今年的“Edge年度问题”时，我一开始便选择写冰盖问题的原因。然而，对于超过人类半数人群的创造力潜能，我们所用的衡量标准太过狭窄，这本身就有问题。从全局来看，对于人类科学和文化来说，还有什么比增加有能力做出重要贡献的人才的数量更为重要呢？
105
DIVERSITY IN SCIENCE
科学的多样性
吉诺·塞格雷（Gino Segre）
宾夕法尼亚大学荣誉退休教授；著有《平凡的天才》（Ordinary Geniuses）。
在美国最高法院关于高等教育平权行动的听证会上，一位法官提出了这样一个问题：“少数族裔的学生能为物理课带来什么独特的看法？”如果将物理学视为机器人的工作，那答案就是“没有”。然而，与所有科学类似，物理学与我们之所以为人的偏见和视角相关。无论是出于自律还是自发，科学都是一项关于直觉和系统的事业。
引领物理学研究朝前发展的是人，他们设立了物理学研究机构，或者身兼教职，研究物理学是他们的兴趣、专业或者日常工作。如果科学家的组成缺乏多样性，我们便很容易看出物理学研究的发展方向。
科学上的协作越来越普遍，这使多样性成为科学最重要的特征。直到最近，从事物理学研究的大都是单身人士，他们主要是来自北欧的白人男性。以前，在已发表的论文中，我们很难找到有两位作者合著的情况，三位以上的作者更是罕见。而在第二次世界大战之后，这种情况发生了剧烈的转变。
具有不同性别、人种和种族的大型科学协作已成为新常态。研发ATLAS(51)的团队（也是欧洲核子研究中心发现希格斯玻色子的主要研究团队）由来自38个国家的175家科研机构的3 000名物理学家组成，他们展开了密切合作。即便是单个大型设备的建造，比如粒子加速器或大型望远镜，也出现了与人类基因组计划和人类微生物组计划类似的合作模式。不过，这种合作模式还面临着一项复杂的挑战：如何让各个组成部分之间进行有效的协作。
因此，我认为的重大新闻是，科学协作的成功施行正在为建立国际协作的模型奠定基础。各国共同应对气候变化便是国际协作最好的例子。
成员背景的多样性使科学研究的方法变得更多样化，这便是科学协作的一大优势。据调查，如果物理学院录取学生主要基于考试成绩，那么最终招收的新生几乎全部都来自以成绩为导向的国家。大部分学院认为，这种情况对学生和学术领域都无益。因为这将会导致同质化，而不能鼓励必要的原创性和开创精神。
无论是在课堂上还是研究上，科学的未来与性别、人种、种族和阶层的多样性息息相关。如果我们无法实现这样的多样性，科学的未来将岌岌可危。
106
THE DEMOCRATIZATION OF SCIENCE
科学的民主化
迈克尔·舍默（Michael Shermer）
《怀疑论》杂志创始编辑，《科学美国人》专栏作家，美国克莱蒙特研究生大学客座教授；著有《道德之弧》（The Moral Arc）。
过去25年间最重要的新闻是科学知识的民主化，而且这将会成为各种潮流的基础，推动科学的发展。知识传播的第一次浪潮发生在几百年以前，以印刷出版和批量印制的书籍为标志。第二次浪潮发生在第二次世界大战之后，以大学、学院的扩张，以及对高等教育对于培养有用、有文化的人才的必要作用的信仰为标志。第三次浪潮开始于25年前，以第三种文化为标志：“部分专家、学者通过各自的工作和发表的文章来呈现生命的深层次含义，以及重新理解人类自身等，他们正在逐步取代传统的知识分子。”这句话是约翰·布罗克曼于1991年所说的。
过去25年间发生了很多事情。关于第三种文化的话题仍然是当前的主流，比如人工智能、人类遗传学、网络空间等，而有些话题已经褪色，比如混沌学说、分形理论、盖亚假说等。作为一种被重新定义的力量，科学文化正在通过越来越多的传播途径延伸到社会的各个角落，使每一个人都能参与进来。25年前，第三种文化主要通过书籍和电视来影响大众，而现在的传播途径有电子书、音频书籍、虚拟图书馆、社交网站、博客、播客、文件共享、视频共享、论坛、大规模在线开放课程（MOOC）、远程音／视频课程、虚拟教室以及虚拟大学等。
这些事件的新闻价值不仅限于传播知识的新技术，还在于那些政治掮客接受了这一观点：第三种文化是所有其他文化（政治、经济、社会和意识形态）的驱动因素；通过学习科学知识，人人都可以成为有影响力的人这一理念已被广为接受。
科学的民主化改变了一切，因为这使我们解放了数十亿人的大脑，用于解决问题。物理学和生物学在20世纪取得的伟大成就正被社会科学和认知科学迎头赶上。我们开始意识到，比起物理学或生物学的力量，人类的行为对于未来具有至关重要的意义。
107
NEWS ABOUT SCIENCE NEWS
关于科学新闻的新闻
舍扎夫·拉法利（Sheizaf Rafaeli）
以色列海法大学互联网研究中心教授、主任。
有人说，新闻只是历史的初稿，而新闻报道只是在匆忙之中赶写出来的文学。历史和文学往往比匆忙进行的科学研究更有耐心和视野。那么，科学领域有什么新鲜的发现呢？或者说有什么新闻呢？我认为，这一领域的重要新闻来自新闻本身及其与科学之间的关系，其中最为重要的是，科学能变得有多透明。
新闻既来源于社会，又有助于构建社会。新闻之所以能够反映社会，是因为它与周围环境息息相关，新闻是主观的，且持续的时间比较短暂。新闻通过告诉我们“我们是谁以及是什么”来构建社会。自从柏拉图提出洞穴理论伊始，我们就已经知道了新闻对政治和权力的构建作用。我们已经意识到，透明、开放的科学新闻加强了科学与社会构建之间的关系。通过科学新闻，我们逐渐了解到，科学多大程度上是由社会构建的，以及我们应当如何应对这一事实。
关于新闻最重要的变化在于，它们本身是社会性的。包括科学新闻在内的新闻被越来越多的利益相关者收集、整理、展示和消费。在我们这一代，甚至最近10年间，科学、新闻、社会三者之间的关系已经被完全改变。新闻已经不再是所谓的涓滴式的广播方式，而是成为一种自下而上的现象。关于发现、创新、争议的新闻和证据正越来越多地由草根阶层制造和排名。从总体上来说，新闻变得更容易获取了。关于学费和预算的经济学起到了一定的作用，对知识结构的不断加深的认知也起到了类似的作用。
很多因素促成了这些变化。比如，人们的阅读写作能力提高了，审查没那么严格了。此外，新闻的获取方式增多了、同质化程度降低了，以及部分人或机构对新闻的操控放松了，即便新闻的算法排名和管理变复杂了。因此，通过科学新闻及其报道，人们对科学的民主化、资金投入与成果的期望都提高了。实际上，Edge上公开的跨学科讨论就是一个令人欣慰的例子。
虽然操控或过滤新闻的行为从未减少，包括科学新闻，但政府和相关权威人士不再像以前那样轻易地掩盖突发事件和重大发现了。在线共享信息的方式增多了，科学新闻就是一个很好的例子。科学出版与新闻企业之间的界限正在逐渐消失。在如今这样开放与透明的环境中，像阴谋论和反科学这类行为很难获得认可。这样，人们便更易于接近真相。
然而，科学的民主化带来的未必都是积极正面的。我们不应该放松警惕，问题与挑战无处不在。一方面，科学变得更透明、更具参与性可能会导致民粹主义的兴起。我们应该继续保持对新闻传播机构和渠道的批判性思考。另一方面，垄断现象仍然存在，至少在科学出版方面是如此。媒体报道的集中所有权仍然是一种威胁，而且在一些地区，这一趋势不断在加强。试图操控新闻、科学文献和课程以服务于某种意识形态、权力或特殊利益群体的行为依然存在。传统新闻场所的消失、其他国家商业模式的侵蚀，以及一些科学传播机构正面临的问题，都仍然令人担忧。不过，当前正处于过渡时期，总体形势朝着好的方向发展。
无论是历史的初稿还是匆忙之中赶写出来的文学，其重点在于能被旁观者注意到，而非无人问津。因此，关于科学最鼓舞人心的新闻是，越来越多的人开始关注科学新闻、为其排名，并开始参与和应对科学新闻。
108
THE BROADENING SCOPE OF SCIENCE
科学的范围正在不断扩大
塔尼亚·隆布罗佐（Tania Lombrozo）
加州大学伯克利分校心理学教授。
每当我们学到新东西时，大脑就会发生变化。孤独症儿童的大脑与正常儿童的大脑是不同的。不同类型的道德选择与不同的大脑活动模式有关。当涉及精神和情感体验时，神经活动会随着体验的不同而变化。
在大多数情况下，这一发现不应该被算作新闻，至少在21世纪或20世纪不应该如此。因为我们已经了解了大脑与行为和经验的关系，以上发现并没有什么新意。这是为什么呢？行为和经验上的任何差异都必然伴随着实现这种差异的深层次变化，而我们已经知道根源在于大脑。
那么，为什么这类有关神经科学的发现仍然能成为新闻呢？
也许，原因在于某些相关细节具有新闻价值，比如，在学习的过程中，大脑发生变化的具体方式能告诉我们如何改进教育。不过，关于思维的神经科学发现之所以能成为重大新闻还有另外两个原因，它们值得我们认真深思。
第一个原因在于心理学家保罗·布卢姆（Paul Bloom）所说的“直觉二元论”（intuitive dualism）。直觉二元论是一种信念，即认为思想和身体以及思维和大脑在本质上是不同的。而且，它们之间的区别非常大，以至本文开头关于思维的神经科学发现所揭示的精确的对应关系令人感到惊讶。将思维等同于大脑是错误的，也许用马文·明斯基（Marvin Minsky）(52)的话来说比较合适，“思维是大脑的行为”。我们应该拒绝那些基于直觉二元论的笛卡尔式的承诺，无论它们看上去多么直观。
第二个原因在于，关于思维的神经科学发现表明，科学的范围正在不断扩展。随着测量、分析和理论水平的提高，我们可以通过科学解决更广泛的问题。这本身并没有什么新意。而真正具有新意的是，当前的科学已经囊括了众多领域，包括关于道德判断、宗教信仰、创造力和情感的心理学，简而言之，就是思维与人类的体验。我们终于在起初认为科学难以施展拳脚的领域取得了进展。
当然，这并不意味着，科学能够回答所有的问题。目前，仍然有许多关于思维的经验问题难以得到解答，有些也许永远都无法得到答案。还有一些问题完全与经验无关。与山姆·哈里斯（Sam Harris）相反，我不认为科学本身会告诉我们该如何生活，或者该相信什么。不过，思维与体验才是科学研究的主题，我们在这些领域正努力取得值得关注的进步。我认为，这是一则好新闻。
109
Q-BIO
定量生物学
奈杰尔·戈登菲尔德（Nigel Goldenfeld）
物理学家，伊利诺伊大学香槟分校教授。
2015年真是科学新闻的好年份。通过几十年的努力，有两项研究已接近成熟，它们将会在未来数年成为重大新闻。第一项研究还没有被报道出来，但如果有的话，大字标题可能是“具有模式生物的数学家真的存在吗”。
我们都知道数学家是什么，但“模式生物”（model organism）是什么意思呢？它指的是生物研究人员精心挑选的用于研究的某种生物，通过操作或控制其细胞或基因以达到研究目的。比如，黑腹果蝇，它可能是多细胞真核生物研究中运用最广泛的生物，因为一代又一代的研究人员发现了操作其基因的可靠方法，这样便能精确地观察其细胞的生长。将数学家与模式生物联系起来似乎令人难以想象。这一研究到底有什么新闻价值呢？有个小故事可以回答这个问题。
有一天，我和一位数学家同事一起吃午饭。她是微分方程和动力系统方面的专家，曾发表过一篇题为《非完整约束及其对克莱因-戈尔登晶格动力学模型的影响》（Non-holonomic Constraints and Their Impact on Discretizations of Klein-Gordon Lattice Dynamical Models）的文章。在吃午饭期间，她说自己最喜欢的模式生物是水蚤。这是一种生活在池塘与河流中的浮游生物，身长大约几毫米，它们的身体是透明的，因此我们很容易就能看到它们的内部构造，并可以清晰地观察出当摄入食物时，它们的身体会发生何种变化，比如酒精能使它们的心跳加快。我这位同事还是一个科研团队的成员，这个团队研发出了一种运用数学研究生态学的方法。他们用这种方法研究人口、传染病、生态系统的稳定性以及对资源的竞争。他们还能做出可靠的预测，与知名的生态学家共同发表论文。
具有模式生物的数学家宣告了“定量生物学”（quantitative biology）时代的到来。有几代生物学家已经投入这一领域，他们中的一部分人是为了逃避对微积分和其他高等数学的恐惧才加入这一领域的。以前的生物学是描述性科学，而现在的生物学已经逐渐演变为定量和预测性的学科。推动这一变化的主要代表人物是遗传学家埃里克·兰德（Eric Lander），他是“人类基因组计划”的主要带头人、麻省理工学院和哈佛大学旗下的博德研究所（Broad Institute）创始主任，他还是一位训练有素的纯数学家。
应用数学家和理论物理学家正在致力于研发新的复杂工具，用于处理定量生物学的其他非基因组难题。其中一项挑战是，某个群体的人数可能很多，但还是没有肺里的空气分子多。因此，基于统计模型的物理学传统工具是时候该升级了，这样才能应对以后会遇到的大波动，比如，细胞中的蛋白质或生态系统中的个体在数量上的波动。
第二项研究是关于生命系统的能量来源的。从本质上来说，生命系统是遵循热力学定律的，因此无法通过爱因斯坦、路德维希·玻尔兹曼（Ludwig Boltzmann）(53)和乔赛亚·吉布斯（Josiah Gibbs）(54)在100年前发展起来的统计热力学工具来描述。曾参与氢弹设计的数学家斯坦尼斯拉夫·乌拉姆（Stanislaw Ulam）曾打趣说：“不要问物理学能为生物学做些什么，而是要问生物学能为物理学做些什么。”现在，答案明确了：生物学正迫使物理学家开发新的实验和理论工具来研究活细胞。
对于物理学家而言，最基础的生物学问题与生命背后的基本物理原理有关。物理定律而非热力学定律是如何促使自发形成的物质进行自动组织并演化成更复杂的结构的呢？若想回答这个问题，我们需要将生命系统的组织原则从基于生物学的化学结构中抽象出来。这也许能表明，地球生物的出现不是不可思议的偶然事件，而是物理定律不可避免的结果。搞清楚生命出现的原因有利于预测其他星球是否也存在生命，以及如何才能发现它们。
此外，还有一项重大发现，土星的卫星土卫二表面以下是液态海洋。该发现由托马斯（P. C. Thomas）发表于科学期刊《伊卡洛斯》（Icarus）上，标题为《对土卫二的物理测量表明其表面以下是海洋》。这也是一则很有价值的新闻，讲述了人类聪明才智的又一大胜利。美国国家航空航天局向土星发射了一架探测器，在7年的时间里，它精确地观测了土卫二的运转模式，结果发现，它在旋转时会发生摇摆。如果有两颗鸡蛋，一颗是煮熟的，而另一颗是生的，我们可以通过它们旋转和停止旋转的方式来做区分（试一下吧）。
土卫二就像一颗生鸡蛋，它旋转时会发生摇摆，就好像内部都是液体一样。土卫二的固态冰表面以下全都是水，而且由于潮汐引力和地热活动，水的温度可能保持在零度以上。土卫二是太阳系中我们已知的具有大量温暖的水和地热活动的星球，那里可能适合生命生存。
这架探测器还拍摄了从土卫二南极喷射出的喷泉和蒸汽，并对这些区域的分子结构进行了检测。土卫二的后续计划将专注于探测生命。我希望定量生物学也能在这件事上发挥作用，至少是在精神上，比如，基于土卫二的地质化学属性，确定要寻找的东西。定量生物学也许还能让我们确信，我们探索的所有地点都存在生命。
110
MATHEMATICS AND REALITY
数学与现实
克利福德·皮寇弗（Clifford Pickover）
著有三部曲《数学之书》（The Math Book）、《物理学之书》（The Physics Book）、《医学之书》（The Medical Book）。
近期，《自然》杂志一则头条新闻的标题为《数学的核心悖论让物理问题无法得到解答》（Paradox at the Heart of Mathematics Makes Physics Problem Unanswerable）。3 Quarks Daily网站也加入了这一讨论：“哥德尔不完备定理与量子物理学中的不可解计算性有关。”实际上，数学对现实的描述、限制和预测的程度在几年内，甚至几百年内必然会成为热点话题。
1931年，数学家库尔特·哥德尔（Kurt Gdel）认为部分命题是不可判定的。这表明我们无法证明它们的真假。在第一不完备定理中，哥德尔意识到，总会存在关于自然数的一些命题，这些命题虽然是真的，但在系统内无法被证明。80多年后，我们已经知道，无法用哥德尔的定理来计算物质的一种重要属性，即物质电子的最低能量层级之间的差距。尽管这一发现似乎与物质中原子的理想化模型有关，但托比·丘比特（Toby Cubitt）等量子信息专家认为，这一发现限制了我们对某些真实物质和粒子的行为的预测。
在这一发现之前，数学家也发现质数与量子物理学之间存在联系，而起初我们以为这是不太可能的。比如，1972年，物理学家弗里曼·戴森与数论学家休·蒙哥马利（Hugh Montgomery）发现，如果检查ζ函数黎曼临界线(55)中的零点串，我们就会发现，实验中记录的大质量原子的原子核的能量层级与这些零点的分布存在神秘的对应关系。反过来，这些零点的分布又与质数的分布存在关联。
数学是不是通往宇宙本质和真理的可靠途径，这一点还存在很大的争议。一些人认为，从本质上来说，数学是人类想象的产物，我们研究数学是为了描述现实。
然而，数学理论有时可以做出超前的可靠预测，而其中有些预测在几年前才被证实。比如，麦克斯韦方程预测到了电磁波的存在；爱因斯坦的场方程认为引力会使光线发生弯曲，以及宇宙正在不断膨胀。物理学家保罗·狄拉克（Paul Dirac）曾指出，当下我们研究的抽象数学有助于我们展望未来的物理学。实际上，他的方程预测到了反物质的存在。这一点在后来得到了证实。同样，数学家尼古拉·罗巴切夫斯基（Nikolai Lobachevsky）曾说：“所有数学的分支，包括抽象数学，都能用于描述真实世界。”
关于数学的发现往往会成为轰动一时的新闻，尤其当物理学家和宇宙学家运用数学方法取得惊人的进步时，或是将宇宙看成波函数以及运用数字推测出多元宇宙的存在时。由于数学触及的问题十分深奥，因此我们将会持续讨论数学与现实世界的关系及其相互影响。也许，只要人类一直存在，这种讨论就会一直持续下去。
NOW THAT WE KNOW HOW TO SYNTHESIZE LEARNING, WE’LL EXPECT ALL THINGS TO AUTOMATICALLY IMPROVE AS THEY’RE USED, JUST AS DEEPMIND’S GAME LEARNER DID.
既然我们已经知道如何人造学习，自然而然就希望所有东西都能在使用的过程中自动改进，就像会进行深度思维的游戏学习者一样。
——凯文·凯利，《人造学习》
111
SYNTHETIC LEARNING
人造学习
Kevin Kelly
凯文·凯利
《连线》杂志创始主编；著有《必然将塑造未来的科技力量》（The Inevitable）。
深度思维公司（DeepMind）是伦敦的一家人工智能公司，最近，其研究人员宣告，他们“教会”了计算机系统如何学会玩49种简单的视频游戏。注意：不是如何“玩”视频游戏，而是如何“学会”玩游戏。这一区别至关重要。即使玩20世纪70年代的经典游戏《乒乓》（Pong）这类简单的视频游戏，都涉及一系列复杂的感知、预测和认知技巧。10年前，还没有出现能完成这些任务的算法，但今天，大部分计算机游戏都包含这样的游戏执行代码。实质上，今天的视频游戏是与天才程序员精心设计的高级算法的对决。不过，深度思维公司的人工智能团队设计的这种新算法不是用于玩游戏的，而是通过程序设计教会计算机学会如何玩游戏的。起初，这种算法（也被称为深度神经网络）并不具备玩游戏的经验、技巧和策略，但当它们开始玩游戏时会自动组织自己的代码，在技能有所提高时获得奖励，这种行为用专业术语来说就是“自我学习”（unsupervised learning）。只要玩上几百回合游戏，这种算法就能玩得与人类玩家一样好了，有时候甚至更好。
不过，这种算法学习与人类的智慧还不能完全画上等号。前者的学习机制与人类的大不相同。因此，这种算法不会取代人类或统治世界，不过，其综合学习能力将会不断提高。这一新闻的重要性在于，可以人造这种学习，这是一种真正的自我学习。一旦可以人造学习，学习就可以用于所有类型的设备和功能，还可以让自动驾驶汽车变得更聪明，抑或使医学诊断设备得到改进。
与我们原来认为只有人类才具备的很多其他属性类似，学习也可以通过程序设计让机器来完成。简单的二阶学习（学习如何学习）曾稀有且珍贵，而现在已成为常态。就像一个世纪前不知疲倦的强大马达和快速通信技术一样，机器学习会迅速成为世界的新常态。所有简单的智能机器都将具有学习能力。机器学习虽然不会让烤箱变得和人类一样聪明，但会让它们烤出更美味的面包。
很快，人们对智能机器的需求将会急剧上升。既然我们已经知道如何让机器学习，自然而然就希望所有的东西都能在使用的过程中自动改进，就像会进行深度思维的游戏学习一样。未来多年将会出现许多令我们无法想象的人造学习。
112
A GENUINE SCIENCE OF LEARNING
关于学习的真正科学
基思·德夫林（Keith Devlin）
数学家，斯坦福大学人类-科学与技术高等研究院联合创始人和执行主任；著有《数字人》（The Man of Numbers）。
今天的教育行业很像19世纪的医学行业，是由直觉、经验和偶尔的灵感引导的人类实践。20世纪早期现代生物学和生物化学的发展为当前医学科学的发展奠定了坚实的基础。
作为一名在职业后半期开始对数学教育感兴趣的数学家，我认为关于学习的真正科学终于出现了。鉴于教育在人类社会中的重要作用，这可能会成为当今最令人感兴趣的重要科学新闻之一。
然而，以上判断并没有将教育神经科学的快速发展考虑在内，后者就是将人送入功能核磁共振设备，然后要求他回答数学难题的那种技术。关于神经科学的研究意义非凡，但就目前而言，其最大的成就只是提供了一些关于人类学习的初级线索，以及帮助人们学习知识的方式。这就如同将温度计移到引擎盖上来诊断汽车发动机的故障。也许有一天，教育神经科学能为教育提供坚实的基础，就如同现代遗传学促进了医学实践。不过目前还不行。实际上，关于学习的科学来源于互联网技术给现有实验性认知科学方法带来的新可能。
一直困扰学习研究的传统问题是，对真人老师的严重依赖使研究者无法进行像医学中常采用的大规模控制组（control-group）和干预性研究，而对课堂的研究最终都变成了针对学生和老师的研究，而且对课堂效果的评估经常会变成衡量学生家庭环境的影响。
比如，新闻报道经常会提到大量成功人士小时候就读于蒙台梭利（Montessori）(56)学校。然而，此类学校的数量相对较少，与成功人士的数量无法形成比例。从目前来说，蒙台梭利教育法可能是有利的，因为实行这种教育法的学校更具有吸引力，并且能吸引来专业的老师和愿意接受这种教育的学生。实际上，这些学生本来就成长于热爱学习的家庭环境，父母也愿意让他们接受这样的教育。
互联网技术使课堂教育研究采用医学研究中常用的大规模控制组研究成为可能，这种研究能显著地减少老师和家庭的影响，为不同教育技术提供有意义的调查研究。如果我们可以收集到准确的数据，大数据技术就能发现与老师和家庭无关的模式，得出有价值的结论。
一个重要的因素是，实际学习有很重要的一部分是在数字环境下完成的，这样所有的学习过程都可以被记录下来。不过，这一点实现起来有点困难。目前的绝大多数教育软件都具备前沿的学习技术，都具备这些功能：为学习者提供信息；以一种可以通过机器执行和多项选择的方式进行提问并记录答案；用学习管理系统来处理课程流程。
然而我们现在的真正问题是，缺乏对学生真正所想的东西的深入了解，其中有些东西可能与证据所表明的完全不同，比如几十年前进行的一项名为“本尼法则”（Benny’s Rules）的关于数学学习的研究发现，有一个孩子在设定好的学习周期中取得了较大进步。而实际上，他之所以能成功通过所有测试，是因为他脑海中存在另一套基于规则的“数学”。这套“数学”不仅是完全错误的，还与实际数学完全无关。
实际上，实时交互软件的功能要比硅谷等科技中心的科技成果多得多。到目前为止，通过大规模的比较和研究，研究人员发现，视频游戏更有助于学习，即所谓的基于游戏的学习。不过，游戏对学习究竟有多大的作用，仍然还没有定论。
经多个科研团队研究发现，从小学到中学，如果每天只使用10分钟数字设备，坚持一个月，就能大幅提升数学的学习效果。通过标准化测试发现，使用这种方法的学生在一些关键思考技能上提升了高达20%。这听起来是不是就像神奇的学习胶囊？显然不是。这只能表明，我们对于学习的准确理解比自认为的要少得多。
部分原因在于，许多早期研究衡量的是知识而非思考能力。在以上这些研究中，人们发现，通过学习收获的不应该只有知识和算法过程，还有解决问题的超常能力。这些发现的激动人心之处在于，在如今信息如此丰富、计算能力异常强大的环境中，人类解决问题的能力是最为重要的。
与所有好的科学领域类似，尤其是新兴的科学领域，这一研究带来的新问题要比所解决的问题多得多。实际上，我们都不能说这一研究是否回答了所有问题。到目前为止，我们找到了一种科学合理的方法来进行规模实验，测试一些有启发性的早期成果，以及不断增加的研究上的问题，这些都是可测试的。在我看来，关于学习的真正科学即将出现。
113
BAYESIAN PROGRAM LEARNING
贝叶斯程序学习
约翰·马瑟（John Mather）
2006年诺贝尔物理学奖获得者，美国国家航空航天局戈达德航天中心高级天体物理学家；与约翰·博斯劳（John Boslough）合著有《真正的曙光》（The Very First Light）。
以下这则新闻你可能不太喜欢：2015年，贝叶斯程序学习的发展促使人工智能又向前跃进了一小步。布伦登·莱克（Brenden Lake）、鲁斯兰·萨拉赫特迪诺夫（Ruslan Salakhutdinov）和乔舒亚·特南鲍姆在《科学》杂志上发表的文章《通过概率程序归纳法实现人类水平的概念学习》（Human-level Concept Learning Through Probabilistic Program Induction）详细阐述了这一点。这之所以能算作一则重要新闻是因为，多年以来，我一直听到的情况是，人工智能的研制困难重重，而最成功的方法是使用蛮力。这一观点主要基于这一事实，用于理解语言和万物的原理及符号的方法并不易获得。程序学习的真正挑战在于，发明一种复杂信息的计算机表示法，使机器能够从例子和证据中理解信息。
莱克等人设计了一个数学框架、一种算法和一套计算机程序来实现这一点。他们设计的软件可以像人类一样学会辨识50种语言中的1 623个手写字符。《通过概率程序归纳法实现人类水平的概念学习》这篇文章提到：“概念被表示为简单的概率程序，即将概率生成模型表示为抽象描述语言中的结构化过程。”同样，概念可以通过重用其他概念或程序的组成部分生成。概率方法用来处理定义与示例的不精确性。贝叶斯理论告诉我们，如果我们知道组成复杂事件的多个小事件的可能性，该如何计算复杂事件的可能性。莱克等人设计的软件可以进行快速学习，有时只需一瞬间或几个示例，就能以类似人类的方式达到接近于人类的准确度。这种方法与依赖于大数据集和模拟神经网络的方法截然不同，后者我们经常能在新闻中看到。
这种方法会带来许多新问题：它的适用范围有多广？人类需要赋予这种方法多大的结构，它才能运转？它最终会超越一切吗？这是不是具有生命的智能系统的工作方式，以及我们该如何分辨？这类计算机系统能否表示人类日常生活中重要的复杂概念？第一批实际应用何时会出现？
