※ 引述《ZMittermeyer (ZM)》之銘言 : 就是面臨外界的不確定性時，使用控制變因，主動改變環境的一種降低不確定性的手段 上面這說法比較適合更之前的歷史. 現代的工程, 傳統的實驗控制方法依然重要, 但也非常注重(特別是計算能力跟工程難度的 發達)主動對不確定性的管理. eg 主動降噪耳機 不是控制環境- 把你關在無聲室裡 而是 1. 麥克風持續監測環境噪音 2. 算法預測聲波路徑和時間 3. 主動干預揚聲器生產精確的適應性聲波 4. 閉環回饋 系統持續調整以維持最佳降噪效果 不消除噪音源而是創造性地利用干擾的可預測性 https://www.researchbank.ac.nz/items/9af88399-b93b-4ea3-a377-13766a8a2484 文章提到的SpaceX, 也不是去控制條件, eg 火箭導航不是等天氣完美才發射, 而是 1. 多感測器- gps, imu, 天體追蹤等提供處理器需要的noise 2. Kalman filter- 包括最優估計理論, 處理感測noise & 系統的動態不確定性 3. 自適應控制- 推進系統根據即時狀態估計調整向量 4. 預測控制- 模型預測控制(MPC)在多約束條件下調整軌跡. 來在大氣干擾中依然精準導航. 背後的原理是探索性數據分析, 也就是“主動計算“大量不確定性noise- 而這種“管理不確定性“的方法, 背後用的其中一種就是lesswrong網站辯論時喜歡用的bay es ' theorem 讓我們用covid檢查來說明: 最基本的計算 (我寫完刪了很多 不提太多snr應該是==明智的) 假設: covid在人群中的患病率是1% P(covid)= 0.01 證據:某檢測方法的陽性結果(B) sensitivity: P(B|covid)= 0.95 假陽性率: P(B|non covid)= 0.05 (noise) 那麼檢測陽性後, 得到covid的%是多少? 即P(covid|B) 1.計算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.計算後驗%= 對不確定事件的信念 P(covid|B)= [P(B|covid)* P(covid)] / P(B) =(0.95 * 0.01)/ 0.059 0.161 結論: 檢測陽性後, 實際得covid的%約為16.1% 如果覺得有點不直覺 可以試試看傳統頻率派的算法 (無先驗) 假設: 10000個人裡只有1%=100 人真的有covid 9900人沒 現在檢測: 在100個有covid的人裡, 95人會被檢測出陽姓 在9900個沒covid的人裡, 有5%也會被錯判成陽性->495人 但其中只有95人是真的得covid 95/590 也是約16.1% 結論: 檢測陽性後, 實際得covid的%約為16.1 雖然數值一樣, 但一個說的是“在已知這個人陽性的情況下, 他有covid的機率約是16.1%", 另一個是“10000個檢測陽性的人裡, 約16.1%有covid" 我們來看看實際差別: 如果機器現實處理noise, 感測晶片的noise不等於0, 機器的系統運動不等於完全確定, 而且還需要演算法即時更新. 那麼我們如果還需要等到“很多次測量後在演算法做統計“, 這在動態系統缺點就非常大了 . 想像一下你搭飛機: gps & imu因為大氣干擾有成千上萬不可控的noise, 如果模型演算法沒有及時解決? 而現代每次晶片遞迴後驗一次, 都能把noise壓下去. 這就是現代工程的核心- 不是避免不確定性, 而是學會與它一起演奏.

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 49.182.104.179 (澳大利亞) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/DummyHistory/M.1758641139.A.A9E.html ※ 編輯: selfvalue (49.182.104.179 澳大利亞), 09/24/2025 13:20:13