360
2📝 本期播客简介
本期我们克隆了：硅谷深度访谈节目《Dwarkesh Podcast》Michael Nielsen – Why aliens will have a different tech stack than us
本期嘉宾 Michael Nielsen 的履历足以让任何科研工作者肃然起敬。他不仅是量子计算领域主流教科书的作者，也是开放科学运动的领军人物，甚至他写的一本关于深度学习的书曾带出了 OpenAI 的多位核心成员。在这期对话中，Michael 拆解了那些被教科书“美化”过的科学史真相——从迈克尔逊-莫雷实验到爱因斯坦的直觉，他指出科学进步绝非简单的“证伪”过程，而是一个充满偏见、审美和制度博弈的复杂动态。
我们还将深入探讨：在 AI 试图闭合科学发现验证环的今天，AlphaFold 到底算不算一种“科学解释”？为什么说人类文明目前还只是技术树底部“进化程度稍高一点的黑猩猩”？Michael 还分享了他对于个人如何深度学习、对抗 AI 带来的浅薄化倾向的独到见解。这是一场关于人类认知边界、科学政治经济学以及未来技术奇点的深度思辨。
👨⚕️ 本期嘉宾
Michael Nielsen，量子计算领域的先驱之一，与 Isaac Chuang 合著了该领域的标准教科书《量子计算与量子信息》。他是开放科学运动的推动者，曾任 Y Combinator 研究员，目前在 1792 研究所（Ster Institute）研究科学、技术与宗教的交集。
⏱️ 时间戳
00:00 开场 & 播客简介
科学史的迷雾
01:41 迈克尔逊-莫雷实验真相：爱因斯坦真的靠它发现相对论吗？
05:50 证伪法的局限：当实验结果与理论冲突，科学家为何选择“死守”？
09:37 庞加莱的遗憾：为什么懂的太多反而成了专业知识的囚徒？
从牛顿到达尔文
12:33 验证循环的长度：为什么日心说不需要等到一八三八年才被接受？
15:45 “最后的巫师”：牛顿如何在炼金术与物理学之间保持严谨的条理？
18:15 达尔文的艰辛：为什么进化论在概念上简单，却比引力理论晚出现两百年？
22:30 基础条件的成熟：地质学“深时”概念如何为进化论铺路？
AI 时代的科学范式
23:13 AlphaFold 的本质：是科学解释的飞跃，还是昂贵的数据拟合？
27:16 模型作为“考古”对象：我们能从 AI 的黑盒中提取出科学原理吗？
30:46 梯度下降的瓶颈：AI 能像爱因斯坦一样完成全局性的理论切换吗？
33:38 异常处理的艺术：天王星预言了海王星，水星却预言了相对论。
攀登技术树
36:57 外星人的 GitHub：为什么不同文明的技术栈可能完全无法兼容？
41:48 反驳“收益递减”：科学进步就像不断补充新口味的“甜点桌”。
46:57 贸易收益的未来：不同技术路径的文明之间是否存在比较优势？
52:50 诺特定理与通用性：宇宙中是否存在无限多个深层原理？
量子计算与开放科学
59:38 量子计算简史：为什么冯·诺依曼没能在五十年代发明它？
01:05:39 开放科学的政治经济学：为什么物理学家爱发预印本而生物学家不爱？
01:09:25 集体科学的巅峰：大型强子对撞机（LHC）中上千名作者的协作逻辑。
深度学习与个人效能
01:11:20 多产 vs 深度：爱因斯坦的一九零五年为何如此不可思议？
01:15:35 “严苛监工”理论：如何通过提高赌注来强迫自己进入深度学习？
01:18:04 播客主持人的焦虑：如何避免在不同学科间进行浅薄的黑盒映射？
01:21:24 AI 辅助学习的陷阱：它让逃避中间思考变得太容易了。
🌟 精彩内容
💡 被美化的科学史
Michael 指出，我们常以为科学是“实验发现异常 -> 理论被证伪 -> 新理论诞生”的线性过程，但现实中，迈克尔逊直到去世都相信以太。科学进步往往依赖于科学家的审美偏见和对简洁性的追求，而非单纯的实验数据。
🛠️ AlphaFold 与科学解释的危机
AlphaFold 解决了蛋白质折叠问题，但它提供了“解释”吗？Michael 认为，如果一个模型有一亿个参数，它可能只是一个有用的工具而非科学原理。他提出了一种“模型考古学”，即通过可解释性研究从 AI 模型中提取人类可理解的科学原语。
🚀 技术树的无限可能
Michael 反驳了科学发现正在枯竭的观点。他用“甜点桌”做类比：虽然显而易见的果实会被摘完，但新的领域（如计算机科学、量子计算）会不断像新甜点一样被摆上桌。他认为人类目前对物质相态和计算原理的理解还处于极其初级的阶段。
❤️ 开放科学的“信用经济”
为什么科学家愿意分享成果？Michael 探讨了科学背后的政治经济学。从伽利略时代的“字母谜题”到现代的预印本文化，科学进步的速度本质上取决于我们如何设计声誉分配机制。
💻 逃避“浅薄学习”的诱惑
在对话的最后，Michael 给 Dwarkesh 提出了犀利的建议：AI 让获取答案变得太容易，反而剥夺了学习中最关键的“卡壳”过程。真正的内化需要创造性的产出（如写一本书或实现一个模型）作为“强制功能”。
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
