※ 引述《ZMittermeyer (ZM)》之铭言 : 就是面临外界的不确定性时，使用控制变因，主动改变环境的一种降低不确定性的手段 上面这说法比较适合更之前的历史. 现代的工程, 传统的实验控制方法依然重要, 但也非常注重(特别是计算能力跟工程难度的 发达)主动对不确定性的管理. eg 主动降噪耳机 不是控制环境- 把你关在无声室里 而是 1. 麦克风持续监测环境噪音 2. 算法预测声波路径和时间 3. 主动干预扬声器生产精确的适应性声波 4. 闭环回馈 系统持续调整以维持最佳降噪效果 不消除噪音源而是创造性地利用干扰的可预测性 https://www.researchbank.ac.nz/items/9af88399-b93b-4ea3-a377-13766a8a2484 文章提到的SpaceX, 也不是去控制条件, eg 火箭导航不是等天气完美才发射, 而是 1. 多感测器- gps, imu, 天体追踪等提供处理器需要的noise 2. Kalman filter- 包括最优估计理论, 处理感测noise & 系统的动态不确定性 3. 自适应控制- 推进系统根据即时状态估计调整向量 4. 预测控制- 模型预测控制(MPC)在多约束条件下调整轨迹. 来在大气干扰中依然精准导航. 背後的原理是探索性数据分析, 也就是“主动计算“大量不确定性noise- 而这种“管理不确定性“的方法, 背後用的其中一种就是lesswrong网站辩论时喜欢用的bay es ' theorem 让我们用covid检查来说明: 最基本的计算 (我写完删了很多 不提太多snr应该是==明智的) 假设: covid在人群中的患病率是1% P(covid)= 0.01 证据:某检测方法的阳性结果(B) sensitivity: P(B|covid)= 0.95 假阳性率: P(B|non covid)= 0.05 (noise) 那麽检测阳性後, 得到covid的%是多少? 即P(covid|B) 1.计算P(B) prior knowledge P(B)= P(B|covid)* P(covid)+ P(B|non)* P(non) new evidence P(B)= (0.95 * 0.01) + (0.05 * 0.99) P(B)= 0.0095+ 0.0495= 0.059 2.计算後验%= 对不确定事件的信念 P(covid|B)= [P(B|covid)* P(covid)] / P(B) =(0.95 * 0.01)/ 0.059 0.161 结论: 检测阳性後, 实际得covid的%约为16.1% 如果觉得有点不直觉 可以试试看传统频率派的算法 (无先验) 假设: 10000个人里只有1%=100 人真的有covid 9900人没 现在检测: 在100个有covid的人里, 95人会被检测出阳姓 在9900个没covid的人里, 有5%也会被错判成阳性->495人 但其中只有95人是真的得covid 95/590 也是约16.1% 结论: 检测阳性後, 实际得covid的%约为16.1 虽然数值一样, 但一个说的是“在已知这个人阳性的情况下, 他有covid的机率约是16.1%", 另一个是“10000个检测阳性的人里, 约16.1%有covid" 我们来看看实际差别: 如果机器现实处理noise, 感测晶片的noise不等於0, 机器的系统运动不等於完全确定, 而且还需要演算法即时更新. 那麽我们如果还需要等到“很多次测量後在演算法做统计“, 这在动态系统缺点就非常大了 . 想像一下你搭飞机: gps & imu因为大气干扰有成千上万不可控的noise, 如果模型演算法没有及时解决? 而现代每次晶片递回後验一次, 都能把noise压下去. 这就是现代工程的核心- 不是避免不确定性, 而是学会与它一起演奏.

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 49.182.104.179 (澳大利亚) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DummyHistory/M.1758641139.A.A9E.html ※ 编辑: selfvalue (49.182.104.179 澳大利亚), 09/24/2025 13:20:13