一项来自丹麦的最新脑成像研究发现，当人们一边听音乐，一边品尝甜味或酸味饮料时，大脑中与味觉和口腔感觉有关的区域会表现出更强的活动。即使没有食物入口，单纯聆听音乐，也可能激活部分参与味觉处理的脑区。

这项发表于《科学报告》（Scientific Reports）的研究，为理解音乐与味觉之间的联系提供了新的证据。研究人员认为，我们对味道的感知并不完全取决于舌头接收到的化学信号，大脑也会整合来自听觉及其他感官的信息，共同形成最终的味觉体验。

不过，这并不意味着音乐一定会让食物变得更甜、更酸。研究结果显示，大脑活动的变化比人们主观感受到的味道变化更加明显，两者之间仍然存在一定区别。

事实上，声音影响味觉的现象早已引起科学界的关注。此前的一些实验发现，当薯片或苹果发出的咀嚼声更加清脆时，人们可能会觉得食物更新鲜、更酥脆。还有研究尝试将特定音乐与不同味道进行搭配，发现声音可能影响人们对甜味、酸味等特征的判断。这类通过声音影响味觉体验的做法，也被称为“声波调味”。

但过去的研究大多依赖参与者对食物的主观评价。人们觉得食物更甜了，并不意味着大脑中处理味觉的区域一定发生了相应变化。为了更直接地观察这一过程，丹麦研究团队利用磁共振成像技术，进一步探索音乐与味觉在大脑中的相互作用。

研究人员最初招募了48名健康成年人，其中27人为女性，平均年龄约为27.5岁。由于早期实验过程中出现技术问题，最终只有28名参与者的脑部扫描数据能够用于分析。

实验过程中，参与者躺在磁共振扫描仪内，研究人员通过一根细管，将糖溶液或柠檬酸溶液滴入他们的舌头，同时播放不同类型的音乐。

为了比较声音与味道的搭配效果，研究团队设计了两种配乐。一种以较高的音调、柔和的音符和悦耳的和声为主要特点，旨在营造与甜味相符的听觉感受；另一种则加入了更加尖锐的音符和略带不协调感的和声，用来营造与酸味相对应的声音体验。

参与者在实验中分别体验音乐与饮料同时出现、单独品尝饮料以及单独聆听音乐等不同情境。研究人员通过脑部扫描记录他们的神经活动，观察听觉刺激与味觉刺激是否会引发相互重叠的反应。

此外，全部48名参与者还品尝了五种甜酸比例不同的混合饮料。这些饮料有时会配合音乐播放，有时则在安静的环境下饮用。参与者需要对饮料的愉悦程度、甜度、酸度，以及音乐与饮料之间的匹配程度进行评分。

研究结果显示，音乐与味觉确实会在大脑中产生一定程度的交互影响。

当参与者一边听音乐、一边品尝饮料时，大脑中部分与口腔感觉、味觉信息处理以及愉悦体验有关的区域表现出更强的活动。某些区域既会对音乐产生反应，也会在味觉刺激出现时被激活，说明听觉和味觉的信息处理在大脑中可能存在一定联系。

研究人员还发现，与单独品尝饮料相比，同时播放音乐时，两种味觉条件下的部分感觉处理区域都出现了更强的活动。这意味着，声音的加入可能改变大脑处理味觉信息时的整体状态。

不过，脑部扫描中出现重叠的活动区域，并不能直接证明音乐与味道由完全相同的神经细胞处理。研究人员进一步采用更严格的统计分析后发现，甜味条件下的部分重叠结果并没有达到相应的统计标准；酸味条件下虽然出现了符合标准的结果，但涉及的区域范围十分有限。因此，这些发现仍需要更大规模的研究加以确认。

另一个值得关注的问题是，音乐是否必须与味道相匹配，才能产生更明显的影响？

研究人员发现，在甜味饮料搭配甜美风格的音乐时，部分听觉和味觉相关区域的活动比搭配酸味风格音乐时更强。这种差异在酸味饮料条件下并没有同样明显地出现。

这一结果提示，声音与味道之间的匹配关系可能影响大脑的处理方式，尤其是在甜味体验中。不过，由于研究样本有限，而且实验安排中音乐与味觉同时出现的条件总是先于单独体验的条件，因此，新奇感或实验顺序也可能解释部分脑部活动的增强，不能把所有变化都归因于音乐与味道的匹配。

参与者的主观评价同样提供了一些线索。总体而言，他们倾向于认为甜美风格的音乐更适合甜味饮料，而具有尖锐音符和不协调和声的音乐则更符合酸味体验。饮料本身的甜酸比例，也会影响参与者对音乐与味道是否协调的判断。

更有意思的是，在脑部扫描参与者中，搭配甜美音乐的饮料获得了略高的愉悦度评价。这说明音乐可能在一定程度上改变人们对饮品的整体感受，让原本普通的饮料显得更令人享受。

然而，当研究人员进一步分析甜度和酸度评分时，结果就没有那么明确了。在28名接受脑部扫描的参与者中，音乐并未显著改变饮料的甜度或酸度评价。只有在全部48名参与者的数据中，甜美风格音乐对应的甜度评分才表现出一定优势。

这意味着，音乐对味觉的影响可能并不主要体现在让人明确感到食物更甜或更酸，而是更多地改变了大脑处理感官信息的方式，或者影响了人们对进食体验的整体愉悦程度。

研究人员认为，这些发现有望为餐厅、医院和其他饮食场景提供新的思路。例如，对于食欲不佳或存在营养不良风险的人群，合适的音乐环境或许能够改善用餐体验，让进食过程更加愉快。

不过，这种应用目前仍停留在可能性层面。实验使用的是简单的糖溶液和柠檬酸溶液，而不是完整的饭菜。真实食物具有更加复杂的气味、口感、温度和质地，人们对它们的感知也会受到环境和个人经历等多种因素影响。因此，现阶段还不能确定音乐能否在真实用餐环境中产生同样的效果。

总体来看，这项研究为音乐与味觉之间的联系提供了脑成像证据：声音不仅能够影响我们的情绪，也可能参与大脑对味觉信息的加工。但脑部活动增强，并不等于味道一定发生了明显变化，更不能直接证明音乐能够改善营养摄入或治疗食欲问题。

我们所感受到的美味，或许并不只是舌头的功劳。食物本身固然重要，但音乐、气味和用餐环境也可能共同参与其中。未来，随着研究人员进一步探索不同感官之间的相互作用，我们或许能够更深入地理解，为什么同样的食物，在不同的环境中会带给我们截然不同的体验。

原文：studyfinds

音乐不只是影响心情，还可能改变大脑对味道的感知最先出现在咕咕猫。

你的舌头可能骗了你，我们尝到的，真的是味道吗？最先出现在咕咕猫。

我们经常会发现这样的情况：有些人六七十岁依然精力不错，体检指标也比较稳定；而有些人刚过五六十岁，就开始出现血糖、血脂、心血管或者记忆力方面的问题。过去，人们往往把这种差别归结为遗传、生活习惯或者疾病，但一项最新研究发现，人与人之间的衰老差异，可能比想象中更加复杂。

研究人员对335名女性进行了长达8年的跟踪观察。这些女性年龄在32岁到80岁之间，研究开始时的年龄中位数为61岁。与很多只做一次体检或一次血液检测的研究不同，这项研究对参与者进行了多次随访，通过反复采集血液样本，观察同一个人的基因活动和血液中代谢物随着时间发生了什么变化。

研究人员最终发现，衰老并不是一条所有人都会走上的“标准路线”。

在多年的观察过程中，超过5000个基因以及181种血液代谢物出现了与年龄相关的变化。这些物质涉及脂肪、糖类、激素以及其他人体正常运转所需要的生物化学过程，其中部分变化还与心血管疾病、糖尿病以及神经退行性疾病等健康问题有关。

但更有意思的是，当研究人员把每个人的数据单独拿出来比较时，发现很多人的变化并没有完全按照群体平均趋势发展。

也就是说，研究中可能出现这样的情况：两个人年龄相差不大，一个人的某些基因活动随着年龄明显发生改变，而另一个人的变化却非常有限；甚至还有人的变化方向与大多数人相反。

这说明，所谓“年龄增长以后身体一定会怎样”，其实并没有一个适用于所有人的固定答案。

过去不少衰老研究采用的是横向比较，也就是拿不同年龄的人进行检测。例如，把40岁人群和70岁人群放在一起比较，然后寻找两组之间的差异。这种方法能够发现年龄相关变化，却很难判断一个人在过去几年里究竟发生了什么。

而这一次研究采用长期追踪的方式，相当于给同一个人拍了一组连续的“身体内部照片”。研究人员可以观察一个人的基因活动和代谢物在几年时间里的变化，再与其他参与者进行比较，因此能够更加清楚地看到个体之间的差别。

研究还发现，人体免疫系统的衰老也并不是简单的“越来越差”。

随着年龄增加，一些与适应性免疫相关的活动出现下降，但另一些与先天免疫有关的活动却可能维持甚至增强。换句话说，年龄增长以后，免疫系统更像是在重新调整，而不是所有功能同时下降。

这种变化可能与老年人身体中更容易出现的慢性低度炎症有关。也就是说，衰老过程中发生的免疫变化并非单一方向，而是不同免疫功能之间发生了复杂的重新平衡。

除了年龄和遗传因素，研究人员还发现，身体的生物钟以及季节变化也可能影响检测结果。

一些基因和代谢物会随着季节发生变化，还有相当一部分指标会受到一天中不同时间的影响。换句话说，如果同一个人上午和晚上分别进行检测，或者冬天和夏天进行检测，部分血液指标可能本身就会存在差异。

这也提醒我们，不应该把一次血液检查结果简单地理解为一个人长期以来的身体状态。检测时间、季节以及当时的身体环境，都可能在一定程度上影响结果。

研究中还有一个值得注意的发现，就是环境因素可能参与影响人体衰老。

研究期间，参与者血液中的PFAS水平出现了下降。PFAS是一大类人工制造的化学物质，因为在环境中非常难以降解，所以常被称为“永久化学物质”。研究人员观察到，这些物质水平的变化与英国相关限制措施实施的时间存在一定对应关系。

更值得关注的是，PFAS水平与部分基因活动和血液代谢变化之间也存在联系。这并不能简单证明PFAS直接导致了某种衰老结果，但至少说明，人体衰老并不是完全由年龄和基因决定，长期所处的环境也可能留下生物学上的影响。

研究人员还发现，基因和代谢物之间存在非常复杂的相互联系，总关联数量超过10万。这意味着人体衰老并不是某一个器官或者某一个指标单独发生变化，而是多个生物系统彼此影响、共同变化的过程。

这也是为什么现在越来越多的科学家开始重新思考“生物年龄”这个概念。

我们通常说一个人“50岁”“60岁”或者“70岁”，说的是出生以后经历的时间，也就是实际年龄。但从身体内部来看，同样60岁的人，基因活动、代谢状态、免疫变化可能并不相同。因此，仅仅用一个数字来概括一个人的身体衰老程度，可能过于简单。

不过，这项研究并不能说明某种生活方式一定能够让人“逆龄”，也不能据此判断某个人未来一定会患上某种疾病。研究对象全部为女性，而且来自英国的TwinsUK队列，因此结果是否同样适用于男性以及其他人群，还需要更多研究验证。

另外，研究中的部分免疫细胞变化是根据血液中的整体数据进行计算推测，并不是对每一种细胞逐个进行直接检测。因此，研究人员也认为，未来还需要更多更精细的单细胞研究来进一步确认这些发现。

但这项研究至少给我们带来了一个很重要的认识：衰老不是简单地在生日那天“增加一岁”，也不是身体所有功能按照同样的速度一起下降。

一个人的基因、生活环境、免疫状态、代谢水平以及昼夜节律，都可能参与塑造自己的衰老轨迹。即便年龄相同，两个人身体内部发生的变化也可能完全不同。

所以，与其单纯纠结自己的年龄数字，不如更加关注身体真正发生了哪些变化。规律运动、保持合理饮食、控制体重、保证睡眠、戒烟以及定期进行必要的健康检查，仍然是目前更值得关注的事情。

年龄无法停止，但身体的变化过程并不是完全一样的。未来随着长期健康数据和精准医学的发展，我们或许能够越来越准确地判断一个人究竟“老得怎么样”，而不只是简单地知道这个人“多少岁”。

原文：https://studyfinds.com/8-year-study-of-335-women-shows-aging-happens-differently-in-every-body/

研究发现：同样的年龄，身体衰老速度可能大不相同最先出现在咕咕猫。

蝙蝠不仅能够携带多种病毒，而且在很多情况下，它们似乎还能与这些病毒保持一种特殊的平衡。病毒存在于体内，却没有让蝙蝠表现出同等程度的疾病。这种独特的免疫能力一直是科学家研究蝙蝠的重要原因。

如今，杜兰大学的研究人员联合斯坦福大学以及美国疾病控制与预防中心的科研人员，对这一问题进行了进一步研究，并发现了一个此前在哺乳动物中没有被观察到的特殊现象。这项研究发表在《科学进展》杂志上，为解释蝙蝠独特的抗病毒能力提供了新的线索。

研究人员发现，在世界上最大的蝙蝠科之一中，部分蝙蝠拥有两套不同的基因拷贝，而这些基因与抗体的产生密切相关。抗体是动物免疫系统的重要组成部分，它们能够识别入侵体内的病原体，并帮助机体对感染进行防御。

这一发现之所以引人关注，是因为在目前已经研究过的其他哺乳动物中，科学家通常只发现一套负责产生这类抗体相关蛋白的基因系统。而蝙蝠却表现出了不同的遗传结构。

研究人员认为，这种独特的基因组织方式，可能意味着蝙蝠拥有产生更加丰富抗体类型的潜在能力，也为科学家理解动物免疫系统究竟是怎样一步步进化而来，提供了一个新的研究角度。

杜兰大学理工学院生态与进化生物学副教授、这项研究的通讯作者汉娜·弗兰克表示，研究人员此前从未在哺乳动物身上观察到类似的情况。这一发现改变了科学家过去对于哺乳动物免疫系统组织方式的部分认识，同时也提出了许多新的问题。

例如，蝙蝠为什么会进化出这样的免疫系统？这种特殊的基因结构是否能够帮助它们应对更多种类的病毒？它又是否与蝙蝠能够长期携带病毒却较少出现严重疾病之间存在联系？

这些问题目前还没有最终答案，但新的研究至少为寻找答案打开了一扇新的窗口。

此次研究关注的是晚祷蝙蝠。这个类群分布范围非常广，在除南极洲之外的世界各大陆都能够找到它们的身影，目前已知的物种数量超过500种。

晚祷蝙蝠长期以来就是科学家研究的重点之一。它们拥有非常强的环境适应能力，在漫长的进化过程中形成了多种不同的生活方式，同时也表现出了与其他哺乳动物不同的免疫特征。

科学家尤其关注它们的抗体系统。

抗体是动物适应性免疫系统的重要组成部分。简单来说，当病原体进入身体之后，免疫系统需要识别这些外来入侵者，并通过一系列复杂的机制发动针对性的防御。抗体正是这一过程中非常关键的一类蛋白质。

从结构上看，抗体通常呈现出类似英文字母“Y”的形状，由两条重链和两条轻链共同组成。重链和轻链相互配合，使抗体能够识别不同的目标。

在人类以及目前已知的大多数哺乳动物中，抗体重链主要由一套基因系统产生。这种基因组织方式在哺乳动物中具有相当的普遍性。

然而，当弗兰克和她的研究团队进一步分析晚祷蝙蝠的基因组后，他们发现情况并不一样。

研究人员发现，这些蝙蝠拥有两套相互独立的重链基因系统。也就是说，与其他已经得到充分研究的哺乳动物相比，它们在产生抗体重链方面拥有额外的一套遗传基础。

这种差异可能具有非常重要的意义。

因为如果一种动物拥有两套不同的抗体重链基因系统，那么理论上，它的免疫系统就可能拥有更多组合和变化的空间，从而产生更加丰富的抗体类型。

当然，这并不意味着科学家已经证明蝙蝠就是因为这两套基因，所以能够抵御所有病毒。蝙蝠能够成为许多病毒的自然宿主，同时又经常表现出较强的耐受能力，是一个涉及多个生理机制和免疫机制的复杂问题。

但这项研究让科学家意识到，蝙蝠的适应性免疫系统可能比过去认为的更加复杂。

过去，在研究蝙蝠为什么能够携带病毒却不容易出现严重疾病时，科学家往往更加关注它们的先天免疫系统。

先天免疫属于动物抵御病原体的第一道防线，它能够在病原体进入身体后迅速启动，不需要针对某一种病原体进行长期学习。由于蝙蝠的飞行能力、代谢特点以及对炎症反应的特殊调节方式，先天免疫一直是蝙蝠免疫研究的重要方向。

但是，这项最新发现提醒研究人员，蝙蝠的适应性免疫同样值得深入研究。

适应性免疫与抗体密切相关，它能够针对不同的病原体形成更加精准的识别和防御机制。如果蝙蝠确实拥有更加复杂的抗体基因组织，那么这可能意味着它们在长期进化过程中形成了一种此前没有被充分认识的免疫多样性。

弗兰克认为，这项发现可能成为理解蝙蝠免疫系统的重要一块拼图。

不过，研究人员也强调，目前还不能仅凭这一发现解释蝙蝠为什么能够成为如此有效的病毒自然宿主。

蝙蝠能够携带病毒却不一定表现出严重疾病，并不是一个简单的问题。病毒、宿主和免疫系统之间存在非常复杂的相互作用，而蝙蝠本身又包含大量不同的物种。不同蝙蝠的生活环境、饮食、体型、代谢方式和免疫机制都可能存在差异。

因此，两套抗体重链基因系统究竟在其中发挥多大作用，还需要进一步实验才能确定。

不过，即便如此，这一发现仍然具有重要意义。过去科学家并不知道哺乳动物中存在这样的免疫基因组织方式，而现在，蝙蝠为研究人员展示了一种全新的可能性。

从进化的角度来看，这意味着动物的免疫系统并不一定只有一种固定的设计方案。

不同物种面对环境压力和病原体挑战时，可以沿着不同的进化路径发展。某些动物可能通过增强先天免疫来提高抵抗能力，另一些动物则可能在适应性免疫方面形成独特的遗传结构。

蝙蝠就是一个非常值得研究的例子。

它们不仅能够飞行，而且在长期进化过程中适应了特殊的生理环境。飞行需要消耗大量能量，也会带来较高的代谢活动。与此同时，蝙蝠还需要面对各种病毒和其他病原体的长期挑战。

在这样的环境下，它们最终形成怎样的免疫系统，是一个非常值得科学家关注的问题。

更重要的是，蝙蝠在生态系统中本身也扮演着非常重要的角色。

许多蝙蝠是植物传粉的重要参与者，有些蝙蝠负责传播植物种子，还有一些食虫蝙蝠能够大量捕食昆虫，在自然生态系统中承担天然害虫控制的作用。

因此，蝙蝠并不能简单地被看成“携带病毒的动物”。

事实上，它们对生态环境具有重要价值。蝙蝠与病毒之间的关系，只是自然生态系统中复杂相互作用的一部分。

科学家真正希望理解的是，为什么某些病毒能够长期存在于蝙蝠体内，而蝙蝠本身却能够维持相对正常的生理状态。

这个问题不仅关系到蝙蝠自身，也与人类健康存在潜在联系。

一些病毒在自然界中可能长期存在于特定动物宿主体内。当病毒从原本的宿主进入另一种动物，尤其是人类之后，可能因为新的宿主缺乏相应的适应能力而引发疾病。

因此，研究动物究竟如何与病毒长期共存，可以帮助科学家更好地理解病毒从一种宿主进入另一种宿主时可能发生的变化，也有助于认识疾病溢出的潜在风险。

如果能够进一步弄清楚蝙蝠的免疫系统是怎样控制病毒感染的，那么研究人员未来或许能够从中找到一些新的研究方向。

这并不意味着可以直接把蝙蝠的免疫机制复制到人类身上，而是意味着自然界可能已经通过漫长的进化过程，为我们提供了许多值得研究的生物学方案。

人类目前对于免疫系统的认识，很大程度上来自对人类自身以及实验小鼠等模式动物的研究。这些研究为现代免疫学的发展奠定了非常重要的基础，但模式动物毕竟只是自然界众多物种中的一小部分。

自然界中的动物远比实验室里的模型更加多样。

每当科学家研究一个与人类进化距离较远、拥有特殊生活方式的动物时，都有可能发现此前没有想到的生物学机制。

蝙蝠正是其中一个非常典型的例子。

它们拥有独特的飞行能力，也拥有特殊的代谢特点，同时还表现出不同寻常的病毒耐受能力。而现在，研究人员又发现了它们抗体相关基因组织中的特殊现象。

这些发现共同说明，蝙蝠的免疫系统可能经历了一条与其他哺乳动物不同的进化道路。

未来，科学家还需要研究更多蝙蝠物种，确认这种双重重链基因系统究竟有多普遍，以及不同蝙蝠之间是否存在类似的遗传差异。

与此同时，研究人员还需要进一步确定这些基因是否真的会导致抗体种类增加，以及这些抗体是否能够针对某些病毒产生更加特殊的免疫反应。

只有把遗传结构、抗体功能、病毒感染以及蝙蝠自身的生理特征结合起来研究，才能逐渐揭开其中的完整机制。

目前看来，这项研究并没有给“蝙蝠为什么不容易生病”这个问题提供一个简单的答案，却提出了一个非常重要的新方向。

蝙蝠可能并不是单纯依靠某一种特殊能力抵御病毒，而是在漫长进化过程中形成了一套复杂而独特的免疫系统。

而那两套与抗体重链相关的基因系统，或许就是其中此前被科学家忽略的一部分。

自然界的免疫系统远比人类想象得更加多样。对于科学家来说，每一种特殊动物都可能是一扇了解生命进化的新窗口。

蝙蝠能够在携带病毒的同时维持自身健康，这种看似矛盾的现象背后，很可能隐藏着更加复杂的生物学规律。随着基因组研究、免疫学研究以及病毒学研究不断深入，科学家或许能够逐步弄清楚这些飞行哺乳动物究竟是如何与病毒建立起这种特殊关系的。

而这项关于抗体基因的新发现，无疑让我们距离答案又近了一步。

原文：https://www.sciencedaily.com/releases/2026/09/260901010713.htm

蝙蝠携带危险病毒却很少生病，科学家发现可能原因最先出现在咕咕猫。

在普通人的理解中，计算机科学似乎就是研究计算机的学科。没有电脑，就没有程序；没有程序，就谈不上计算机科学。这个逻辑听起来非常自然，毕竟我们今天所熟悉的编程、人工智能、软件工程以及各种数字技术，都离不开计算机这种实际存在的机器。

但如果把问题再往前推一步，就会出现一个相当有意思的疑问：如果世界上从来没有出现过现代计算机，人类还能不能研究计算机科学？

这个问题并不像看上去那么简单。

事实上，计算机科学中有相当重要的一部分，并不需要一台真正的电子计算机才能进行。研究人员可以仅仅通过纸笔、数学推理和抽象模型，研究一个问题到底能不能被计算、一个算法需要多少资源，以及某些任务是否存在理论上的计算边界。

也就是说，计算机科学并不完全等于“使用计算机”。

更准确地说，计算机科学研究的是“计算”本身，而真正的计算机只是实现计算的一种方式。

这一点其实非常容易被现代人的生活经验掩盖。

今天，我们只要打开电脑，就可以运行一个程序；打开手机，就可以调用一个应用；向人工智能输入问题，几秒钟之后便能得到结果。计算已经成为一种几乎看不见的基础设施。

但在计算机科学发展的早期，研究人员面对的并不是一台台摆在桌面上的电子机器，而是一个更加抽象的问题：究竟什么叫“计算”？

这个问题甚至比制造计算机本身更加基础。

20世纪以来，数学家和逻辑学家开始认真研究计算过程的本质。他们试图把“按照规则一步一步解决问题”这样的直觉描述，转换成能够严格分析的数学模型。

其中最著名的理论工具之一，就是后来被称为“图灵机”的抽象模型。

英国数学家艾伦·图灵在20世纪30年代提出了一种极其简单的理论机器。它并不是我们今天意义上的电脑，而更像是一个用于思考的数学装置。它可以读取符号，根据规则进行操作，并不断向前推进。

从现代人的角度来看，这样的机器似乎简陋得不可思议。

它没有显示器，没有键盘，没有芯片，也没有操作系统。

但正是这样一个极度简化的模型，让研究人员能够提出一个非常重要的问题：一个问题究竟有没有可能通过机械化的步骤得到答案？

换句话说，研究重点并不是“这台机器运行得有多快”，而是“这台机器原则上能不能完成这项任务”。

这两者之间存在巨大的区别。

今天，人们讨论计算机时，往往最关心处理器速度、内存容量、运行时间以及程序效率。但在理论计算机科学中，研究人员经常面对的是更加基础的问题。

有些问题可能很容易计算。

有些问题虽然能够计算，但随着输入规模增加，计算量会迅速膨胀。

还有一些问题，则可能从根本上就不存在一个能够解决所有情况的通用算法。

因此，计算机科学的一部分研究对象，并不是具体的电脑，而是计算能力本身的边界。

这也是为什么理论计算机科学与数学之间存在非常紧密的联系。

研究人员可以不打开电脑，仅仅坐在纸张前面，通过证明来判断某种算法是否存在；也可以研究两个问题在计算难度上有什么关系；还可以进一步分析，如果允许更多时间或更多内存，一个问题的解决难度是否真的会发生变化。

这些工作甚至不一定需要实际运行一次程序。

在这样的意义上，计算机科学有一个非常特殊的特点：它研究的是机器能够做什么，但很多时候却可以不用机器来研究这个问题。

这听起来似乎有些矛盾。

但这种情况在科学史上并不少见。

物理学家可以通过数学方程研究一个尚未建造出来的物理系统；天文学家也可以根据理论推导某种天体应该具备怎样的性质，然后再寻找实际观测证据。

理论计算机科学同样如此。

它可以先建立一个抽象世界，然后在这个世界里研究计算的规则。

真正有趣的地方在于，计算机虽然不是理论计算机科学不可缺少的研究工具，但现代计算机的出现却深刻改变了这个学科。

这就形成了一个有趣的循环。

理论研究帮助人们理解计算机能够做什么，而真正的计算机出现之后，又让研究人员看到了一批此前很难想象的问题。

换句话说，如果没有计算机，某些计算问题可能根本不会进入人类的视野。

这可能是理解计算机科学最重要的一把钥匙。

我们通常会认为，科学家先提出问题，然后制造工具解决问题。

但计算机科学的发展却经常呈现出另外一种关系：工具本身会创造新的问题。

在没有计算机的时代，人们当然也会计算。

数学家可以进行复杂运算，工程师可以使用机械装置，银行可以依靠人工完成账目处理，科学家也可以通过各种方式进行数值计算。

但现代电子计算机出现之后，计算的规模发生了根本变化。

过去需要几十个人花费数周甚至数月完成的工作，机器可以在很短时间内完成。

一些以前根本没有实际意义的问题，突然变得值得研究。

例如，当研究人员能够让机器执行越来越复杂的算法之后，一个新的问题自然出现了：如果两个算法都能够解决同一个问题，它们之间到底有什么区别？

为什么一个程序几秒钟就能得到答案，而另一个程序可能需要几年？

为什么有些问题随着规模增加仍然可以有效解决，而另一些问题只要稍微扩大一点，就会变得几乎无法处理？

于是，计算复杂性逐渐成为理论计算机科学的重要研究方向。

这里的“复杂”并不是简单地说一个程序代码有多少行，而是在研究一个问题需要消耗多少计算资源。

时间是一种资源，内存也是一种资源。

一个算法可能在理论上能够得到正确答案，但如果它需要消耗远超现实条件所能提供的时间，那么它在实际应用中仍然可能没有意义。

因此，计算机科学家不仅关心“能不能算”，也关心“需要付出多大的代价才能算出来”。

这使得计算机科学逐渐形成了一个非常独特的理论体系。

在这个体系中，计算机更像是一种实验平台，而数学则提供了分析工具。

研究人员可以利用程序进行实验，也可以完全不依赖程序，通过数学证明得到结论。

而两种方式之间又会不断相互影响。

例如，当研究人员发现某类问题可以通过一种新的算法解决时，他们可能进一步追问：这种算法是否已经接近理论上的最佳水平？

如果不能再明显提高效率，那么原因是什么？

这种效率上的限制究竟来自算法设计，还是来自问题本身？

这类问题很难单纯靠运行程序回答。

即使一台计算机运行了某个算法一亿次，也无法证明“再也不存在更快的算法”。

要回答这种问题，往往需要数学证明。

这也是理论计算机科学与普通编程之间非常重要的区别。

编程更多是在解决具体问题。

理论计算机科学则经常在追问：为什么这个问题能够解决？为什么另一个问题无法解决？为什么某种方法能够比另一种方法更加高效？这种差异究竟有没有一个普遍规律？

从这个角度来看，计算机科学其实比“学习如何写代码”要宽广得多。

代码只是其中的一种表达方式。

算法是核心，而计算本身则更加基础。

甚至有人会认为，计算机科学真正研究的是信息如何按照规则发生变化。

如果这样理解，那么计算机只是实现这种变化的一种工具。

纸笔可以计算，算盘可以计算，机械装置可以计算，电子计算机可以计算，理论上的抽象机器同样可以被用来描述计算。

只不过现代电子计算机把这种能力提升到了前所未有的规模。

这也解释了为什么计算机科学的许多核心思想诞生于电子计算机普及之前。

在现代电脑真正进入普通家庭之前，研究人员就已经开始讨论算法、可计算性以及机器能够解决的问题范围。

他们甚至还没有今天意义上的“计算机”，却已经在建立后来整个计算机科学的重要理论基础。

这听起来有点像一个悖论。

计算机科学在没有计算机的时候，就已经开始研究计算。

但另一方面，如果没有后来真正出现的计算机，很多今天被视为核心的问题，也许根本不会产生。

这两件事情并不矛盾。

因为“计算”这个概念本身可以独立于具体机器存在，而现代计算机则把这种抽象概念变成了一种极其强大的现实能力。

两者之间的关系，更像是理论和工具相互推动。

理论告诉我们哪些事情可能做到，工具则不断扩大我们能够实际尝试的范围。

随着计算能力越来越强，这种互动变得更加明显。

今天的计算机已经不仅仅用于处理文字和数字。

它们可以模拟天气变化，分析基因序列，训练人工智能模型，寻找复杂数学结构，探索物理系统，还可以帮助数学家检查规模极其庞大的证明过程。

过去只能依靠人的直觉和手工计算完成的事情，如今可能交给机器处理。

这又进一步产生了新的理论问题。

当计算规模越来越庞大之后，人类开始意识到，并不是所有“可以计算”的问题都意味着“现实中能够轻松计算”。

理论上的可计算性和实际上的可计算性之间，存在着一道巨大的鸿沟。

一个问题可能在数学意义上有算法。

但如果这个算法需要的时间远远超过宇宙存在的时间，那么从实际角度来看，它和无法解决可能没有太大的区别。

这就是为什么计算复杂性如此重要。

它让人们开始区分“理论上可以解决”和“实际上值得解决”。

而现代计算机又反过来让这些问题变得更加具体。

如果没有真正的计算设备，人们很难充分感受到不同算法之间的巨大差距。

纸笔时代，人们可以知道一个方法比另一个方法更复杂，但只有当计算机开始处理海量数据时，效率差异才真正变成一个决定性的现实问题。

一个算法快一点还是慢一点，在处理十个数字的时候可能完全没有区别。

但当数据规模达到数百万、数十亿甚至更大时，算法之间的差距可能会变得惊人。

因此，计算机不仅帮助计算机科学家验证理论，也改变了他们对“什么问题值得研究”的判断。

这可能就是“计算机科学需要计算机吗”这个问题最有意思的地方。

如果只问理论层面，答案可能是“不一定”。

很多关于可计算性、算法和复杂性的研究完全可以通过抽象模型与数学证明完成。

但如果把问题改成“现代计算机科学的发展是否需要计算机”，答案就复杂得多。

因为大量现代研究问题，本身就是由计算机技术的发展催生出来的。

没有强大的计算能力，人们不会面对今天这样庞大的数据，也不会拥有如此复杂的软件系统，更不会产生人工智能、计算机安全、大规模网络以及各种计算密集型科学研究。

换句话说，计算机可能不是计算机科学的逻辑起点，却已经成为计算机科学发展不可忽视的推动力量。

这也让计算机科学与其他传统科学产生了不同的关系。

物理学研究自然规律，化学研究物质变化，生物学研究生命系统。

而计算机科学研究的对象在某种程度上是人类自己定义出来的。

我们创造了计算规则，创造了算法，创造了程序语言，也创造了能够执行这些规则的机器。

但一旦这些系统变得足够复杂，它们又开始呈现出超出直觉的性质。

程序可能出现无法预料的行为。

算法可能在某些条件下突然变得极其低效。

简单的规则甚至可能产生复杂得难以预测的结果。

于是，计算机科学又开始出现一个非常接近数学和自然科学的问题：简单的规则，究竟能够产生多么复杂的结果？

这也是为什么计算机科学越来越像一门基础科学，而不仅仅是一种工程技术。

工程师关心如何制造更快、更可靠、更安全的系统。

理论研究者则会继续追问这些系统背后的普遍规律。

两者相互依赖，却并不完全相同。

今天，当人工智能成为全球科技领域最受关注的话题之一时，这种区别反而变得更加明显。

很多人谈论人工智能时，关注的是模型规模、计算芯片、训练数据以及运行速度。

但在这些实际技术背后，仍然存在大量理论问题。

什么样的问题可以被有效学习？

一个模型需要多少计算资源？

某些任务为什么特别困难？

机器学习的能力有没有理论边界？

这些问题最终都可能回到计算理论本身。

因此，即使未来的计算机变得强大到远超今天，我们仍然不能认为计算机科学会变成单纯的“制造更快机器”。

恰恰相反，机器越强大，人类可能越需要理解计算的基本规律。

因为当计算能力不断扩大时，我们面对的问题也会不断扩大。

这或许也是这个问题最值得思考的地方。

计算机科学并不是因为电脑存在才有意义。

在更深的层面上，它研究的是一个更加古老的问题：一个明确的规则体系究竟能够完成什么？

这个问题甚至可以追溯到现代计算机出现之前。

人类一直在思考如何按照确定的步骤解决问题，只不过现代计算机让这种思想获得了一个前所未有的物质载体。

所以，如果一定要问“计算机科学需不需要计算机”，最准确的回答可能不是简单的“需要”或者“不需要”。

从理论上看，计算机科学完全可以在没有电子计算机的情况下研究。

但从历史和现实来看，计算机又不断创造新的问题，扩大新的可能性，并推动这个学科走向更加复杂的领域。

两者之间并不是简单的依赖关系。

更像是一场持续进行的相互塑造。

人类先提出了“计算”这个概念，然后创造机器去执行它；机器变得越来越强大之后，又让人类发现了过去无法想象的新问题；而这些新问题继续推动理论发展，最终又影响下一代计算技术。

因此，真正值得关注的或许不是计算机科学离开计算机之后还能不能存在，而是一个更加深层的问题：当人类创造出越来越强大的计算机器之后，我们究竟还能从“计算”本身发现多少以前不知道的规律？

计算机可能只是我们理解计算世界的一扇窗口。

窗口本身当然重要，但窗口背后的世界，也许比机器更加广阔。

从图灵机这样的抽象模型，到今天能够处理海量信息的超级计算设备，再到正在快速发展的人工智能系统，人类对计算的认识已经经历了巨大的变化。

但有一个问题始终没有改变：什么能够被计算，什么无法被计算，以及解决一个问题究竟需要付出多少代价。

这些问题不属于某一台具体的电脑，也不属于某一种编程语言。

它们属于计算本身。

而这也许正是计算机科学最令人着迷的地方——它表面上研究的是机器，真正深入之后，却会不断触及数学、逻辑、信息以及人类理解能力的边界。

所以，计算机科学或许并不真正需要一台计算机才能开始。

但正是计算机的出现，让人类第一次拥有了一个能够不断挑战计算极限的现实实验场。

而我们今天看到的人工智能、超级计算和复杂算法，也许只是这场探索的一个阶段。

未来，当机器变得更快、更聪明、更复杂时，人类可能还会不断遇到新的计算难题。

到那时，我们或许会发现，真正值得研究的从来不只是“计算机能算什么”，而是“计算本身究竟意味着什么”。

这才是这个看似简单的问题，最终引向的真正答案。

原文：https://www.quantamagazine.org/does-computer-science-need-computers-20260828/?utm_source=DamnInteresting

计算机科学一定需要计算机吗最先出现在咕咕猫。

通常我们会认为，影响体感温度的主要因素是室内温度、湿度、空气流动以及衣服厚度。但一项来自美国宾夕法尼亚州立大学的最新研究发现，可能还有一个容易被忽视的因素——灯光。

研究人员发现，即使两种灯光看起来完全一样，甚至亮度也没有明显区别，只要它们内部包含的不同波长光线比例有所变化，就可能影响人在相同室温下对冷热的感受和行为反应。

这项研究发表在《Energy and Buildings》期刊上。研究团队使用了两种肉眼看起来几乎完全相同的白光，但实际上两种灯光的光谱组成不同。其中一种增加了蓝色波长成分，另一种则增加了红色波长成分。

参与实验的人并不知道两种灯光之间存在这种差异。

研究人员一共招募了10名年龄在18至35岁之间的成年人，其中包括5名男性和5名女性。实验在宾夕法尼亚州立大学一个没有窗户的实验室房间内进行，房间被设计成类似普通办公室的环境。

每名参与者分别在两种不同灯光下接受测试。实验开始时，房间温度大约保持在24.4摄氏度左右，让参与者先适应环境。随后，研究人员逐渐提高或者降低室内温度，并让参与者进行阅读、工作或者简单的益智活动。

实验过程中，参与者每隔几分钟报告自己的冷热感觉和舒适程度，同时还可以在觉得环境已经无法忍受时按下按钮。

令人意外的是，当室温逐渐升高时，蓝光成分更丰富的灯光似乎让参与者能够在更高的温度下继续待着。

与红光成分更丰富的灯光相比，在蓝光环境下，参与者平均可以多忍受大约0.7摄氏度的升温，相当于约1.3华氏度，然后才选择按下按钮表示需要降温。

但有意思的是，参与者并没有明确表示自己“感觉更凉快”。

也就是说，蓝光带来的变化主要体现在参与者的行为反应上，而不是他们主观报告的冷热感觉上。

当实验方向反过来，室温开始逐渐下降时，情况又出现了变化。

在红光成分更加丰富的灯光下，参与者报告自己感觉比蓝光环境更加温暖。也就是说，在完全相同的空气温度下，仅仅改变灯光中不同波长的组成，就可能改变人们对冷热的主观感受。

不过，在室温下降的过程中，两种灯光并没有明显改变参与者等待多久才表示“不舒服”。

这说明灯光对人体热舒适度的影响可能并不是简单的“蓝光让人凉快、红光让人暖和”。

研究人员认为，灯光可能通过不同的生理或神经通路影响人们对温度的感知以及行为反应，但目前还不能确定具体机制。

这项研究真正特别的地方，在于研究人员并没有简单比较“红灯”和“蓝灯”。

因为如果一个房间使用明显的蓝色灯光，人在心理上很容易认为环境更凉；如果使用红色或橙色灯光，则可能产生更温暖的视觉联想。

为了排除这种影响，研究人员设计了所谓的“异色同色”（metameric）光源。简单来说，就是两种灯光在人的眼睛看来是一样的白色，但实际上内部的光谱组成存在明显差异。

因此，参与者并没有意识到自己正在接受不同类型的灯光照射。

这让研究人员能够进一步判断：真正影响人体热舒适度的，可能并不是我们看到的颜色，而是人眼无法直接察觉的光谱组成。

如果这种现象能够在更大规模的研究中得到证实，它可能对建筑节能产生一定意义。

我们日常生活中大量的能源都被用于加热和制冷。办公室、学校、商场和住宅都需要通过空调和暖气系统，把室内温度维持在大多数人感到舒适的范围内。

研究人员因此进一步进行了建筑能源模拟。

他们在计算机模型中假设，建筑物可以利用这种灯光对人体热舒适度产生的影响，让空调系统的设定温度适当放宽约0.5摄氏度。

模拟结果显示，在不同美国气候区域，这种方式理论上可能减少约5.2%至11.4%的制冷能源消耗。

不过，这个数字需要特别谨慎地理解。

因为这些节能数据来自计算机模拟，而不是实际办公楼或者住宅中的长期实验。也就是说，目前还不能说“换一种灯就能节省10%的空调电费”。

真正的意义在于，如果未来研究能够证明灯光确实能够在不降低人体舒适度的情况下扩大可接受的温度范围，那么灯光和空调系统或许可以配合使用。

例如，在夏季，某些特定光谱的照明可能让人在稍高的室温下仍然感觉舒适，从而允许空调把温度设定得略高一些。对于大型办公楼或者学校来说，即使温度只调整很小的幅度，长期累积下来也可能产生一定的能源节约。

当然，目前距离实际应用还有很长的距离。

这项研究最大的限制之一就是参与人数非常少，只有10名年轻成年人，而且所有实验都在冬季进行。这意味着研究结果能否适用于不同年龄、不同身体状况以及不同季节的人群，目前仍然无法确定。

此外，实验是在高度受控的实验室环境中完成的，现实中的办公室和住宅还会受到阳光、空气流动、湿度、衣着、活动量以及心理状态等多种因素影响。

因此，研究人员自己也将这项工作视为早期的探索性研究，而不是已经可以直接应用于建筑设计的成熟方案。

不过，这项研究还是提出了一个非常有意思的问题：我们以为自己感受到的“冷热”，真的完全由温度决定吗？

答案可能并没有那么简单。

人体感受到的温度其实是一种复杂的生理和心理体验。大脑不仅会接收来自皮肤和身体内部的温度信号，还会受到视觉、环境以及其他感觉信息的影响。

过去我们更多关注灯光的亮度、颜色和对视觉的影响，而这项研究提示，灯光中那些肉眼无法直接分辨的光谱差异，也可能参与调节人体的热舒适感。

换句话说，即使温度计显示的数字完全一样，人们对这个房间的感觉也可能并不完全相同。

当然，这并不意味着以后只要改变家里的灯光，就可以替代空调，也不意味着蓝光或红光能够直接让人体升温或者降温。

目前更合理的理解是：灯光可能影响我们对环境温度的感知和行为反应，而这种影响未来或许可以被用于改善建筑的热舒适度和能源效率。

如果后续有更大规模、更长时间、覆盖不同年龄和季节的人体研究能够重复这一结果，那么灯光就可能成为建筑节能设计中一个此前被低估的因素。

有时候，决定一个房间让人感觉舒服还是不舒服的，可能不仅仅是墙上的温度计。

甚至连头顶的灯光，都可能在悄悄影响我们对冷热的判断。

原文：https://studyfinds.com/light-fool-body-feeling-warmer-cooler/

温度一样，感觉却不一样，原来灯光可能影响你的冷热感最先出现在咕咕猫。

但这恰恰是科学家最近采用的一种研究方法。

在瑞士的一项大规模公众科学项目中，研究人员邀请大约1000名普通参与者，将超过2000条有机棉内裤和上万只茶包分别埋入不同地点的土壤中。两个月之后，当这些物品重新被挖出来时，它们已经出现了程度不同的分解。

有些内裤已经被土壤中的微生物和其他生物“吃掉”了相当一部分，只剩下破损的布料；有些则仍然保持着比较完整的形状。

看起来十分奇特的实验，却帮助科学家收集到了关于土壤生物活性的大量数据。

研究人员发现，一条棉质内裤被分解得越快，通常说明埋藏地点的土壤中存在更加活跃的生物分解过程。相反，如果两个月之后内裤依然大体保持完整，就意味着当地土壤中的生物活动相对较弱。

最终，这项名为“Proof by underpants”的公众科学项目，对瑞士全国范围内不同类型土地的土壤状况进行了比较。研究结果显示，私人花园的土壤表现出了最高的生物活性，而普通草坪的棉质内裤分解程度最低。

研究论文发表在《Plants, People, Planet》期刊上，论文题目为《Soil health assessment using buried cotton underpants with the help of 1000 citizen scientists》。研究团队来自瑞士Agroscope等机构，并有大约1000名公众科学参与者共同完成数据采集。

为什么科学家会选择内裤，而不是传统的土壤检测设备？

关键在于棉花。

棉纤维主要由纤维素构成，而纤维素正是许多土壤微生物能够分解利用的天然有机物。当一块土壤中生活着大量细菌、真菌以及其他能够参与有机物分解的微小生物时，棉质材料通常会更快地发生降解。

因此，把一件纯棉物品埋入土壤，并观察它在一段时间之后剩下多少，就可以得到一个非常直观的结果。

当然，这并不是科学家第一次利用纤维材料来判断土壤中的生物活动。过去的研究已经使用过棉布条等材料，也有研究利用特殊茶包来观察土壤中的分解速度。

不过，对于普通公众来说，棉质内裤有一个非常明显的优势，那就是结果十分容易理解。

两个月之后，如果一条内裤已经破损严重，甚至只剩下一些残片，人们不用复杂的实验仪器，也能直观看出土壤中的分解活动相当明显。如果挖出来之后仍然是一条相对完整的内裤，那么土壤中的分解速度可能就比较慢。

这使得原本专业性很强的土壤生物活性问题，变成了一项普通人也能够参与的实验。

在这项研究中，参与者并不是随意把内裤扔进土里。

研究人员给每位参与者提供了统一的实验材料，并要求他们按照相对标准化的方式完成埋藏。参与者需要在自己选择的地点挖出规定大小的坑，将两条棉质内裤竖直埋入土壤，同时在附近放置茶包。

第一条内裤和部分茶包在埋藏一个月之后被挖出，第二条内裤以及剩余茶包则在两个月后取出。

随后，这些材料经过晾干，被寄回研究团队进行进一步分析。

参与者还可以通过手机应用记录埋藏地点的位置，上传照片，并填写有关土地利用和管理方式的信息。

这种方式让研究人员能够在非常大的地理范围内同时收集数据。

最终，大约1100份实验参与包被寄出，其中883份土壤样品、1752条内裤以及7000多只茶包被送回研究团队，同时还收到了约800份调查问卷。经过数据质量筛选之后，研究人员最终将780个地点的数据纳入分析。

这意味着研究并不是在某一个实验室里观察几块土壤，而是在整个瑞士范围内，通过大量普通人的参与，建立起了一份规模相当可观的土壤生物活性数据。

而且，参与者中至少一半是农民。

这一点非常重要，因为农民能够提供真实农业土地上的数据，使研究结果不仅涉及城市居民的小型花园，也能够覆盖农田等实际生产环境。

研究人员随后将不同地点挖出来的内裤摊平，在统一背景下拍照，再利用图像分析软件计算原始布料究竟剩下多少。

研究团队将这一结果称为“Underpants Index”，也就是“内裤指数”。

这个指数并不是真的在评价一条内裤，而是用棉质材料的分解程度来间接反映土壤中的生物活性。

研究数据显示，在埋入土壤一个月之后，每条内裤平均大约有10%的材料已经发生分解。

到了两个月时，平均分解比例已经达到大约50%。

不过，不同地点之间的差异非常明显。

有些地方的内裤分解速度很快，而另一些地方则慢得多。

而这种差异与土地的用途存在明显联系。

在研究涉及的几种土地类型中，私人花园的棉质内裤分解程度最高。两个月之后，私人花园中的内裤平均约有58%的材料已经分解。

农田的平均分解比例约为51%，永久性草地约为47%，而普通草坪最低，平均只有约40%。

也就是说，如果单纯按照棉质内裤的分解程度来判断，私人花园的土壤表现出了最强的生物活性，而草坪的土壤则相对较弱。

为什么私人花园会排在第一位？

研究人员认为，一个重要原因可能是这些花园土壤中含有较高水平的有机碳和可利用养分。

土壤中的微生物需要有机物和营养物质才能维持生长和繁殖，因此，当土壤中拥有更加丰富的资源时，分解有机材料的生物活动往往也会更加明显。

研究数据显示，私人花园不仅拥有最高的内裤分解程度，同时也拥有研究中几种土地类型里最高的土壤有机碳和可利用养分水平。

这似乎能够解释为什么花园里的棉质材料分解得特别快。

但这里还有一个非常有意思的地方。

土壤中的养分越多，并不一定意味着生态环境就越健康。

事实上，研究人员发现，一些私人花园的土壤中磷含量已经明显高于植物正常生长所需要的水平。

研究显示，私人花园土壤中的可利用磷平均超过每公斤13毫克，而农田的平均值大约只有每公斤3.5毫克。

更加值得注意的是，一些私人花园的土壤可利用磷含量甚至超过每公斤60毫克。

对于植物而言，磷当然是一种重要营养元素，但植物并不能无限吸收。

如果土壤中存在过量的磷，多余的部分可能随着雨水进入河流、湖泊等水体，最终影响水生生态系统，甚至对饮用水质量造成潜在影响。

这说明了一个容易被误解的问题。

如果只看“内裤分解得快不快”，私人花园似乎是所有土地类型中最有活力的地方。

但如果进一步分析土壤中的养分状况，就会发现，一些花园的土壤可能已经出现施肥过量的问题。

换句话说，“生物活动旺盛”和“生态环境健康”并不能完全画上等号。

一块土壤可以因为含有大量营养物质而拥有很高的微生物活动，但这并不意味着它的生态系统一定处于最佳状态。

在天然草地、森林等生态系统中，如果土壤长期积累过多营养物质，反而可能意味着受到了较强的人类干扰，并可能导致一些对贫瘠环境适应的植物逐渐消失。

因此，研究人员也特别强调，“内裤指数”更准确地反映的是土壤肥力以及养分供应情况，而不是一个能够涵盖所有指标的完整“土壤健康指数”。

这一点对于理解研究结果非常重要。

土壤健康是一个复杂概念。

除了营养物质之外，还涉及土壤结构、微生物群落、生物多样性、含水状况、有机质以及土壤颗粒之间的稳定性等很多因素。

一条棉质内裤当然不可能把所有这些信息都告诉我们。

它真正能够回答的是一个相对简单的问题：埋在这里的棉纤维分解得快不快？

而这个简单结果，却能够提供一个有关土壤生物活动的初步线索。

研究人员还发现，传统的茶包方法与内裤测试之间存在比较好的对应关系。

茶包已经被科学家用于测量土壤中的分解过程。由于不同茶叶材料的结构和可分解程度存在差异，因此它们在土壤中的变化可以用来帮助研究人员判断当地生态系统的分解速度。

在此次研究中，棉质内裤得到的结果与茶包实验的结果总体一致。

这让研究团队对“内裤指数”具有一定的科学意义更加有信心。

更有意思的是，即便不使用复杂的电脑图像分析，普通人仅凭肉眼估计内裤已经分解了多少，也能够得到与计算机分析相当接近的结果。

研究人员让参与者按照10%的幅度对分解程度进行视觉判断，结果显示，这种非常简单的人工评估方法与更加复杂的图像分析结果之间具有较好的准确性。

这意味着，这种方法真正具备公众参与的可能。

如果你拥有一个院子、一块花园或者一片可以进行实验的土地，再准备一件合适的纯棉衣物，就能够进行类似的观察。

当然，这并不意味着人们应该随意把普通衣物埋进自然环境中。

科学实验需要考虑材料成分、埋藏时间、地点以及回收方式，否则结果很难与其他地点进行比较。

这项研究之所以能够产生有价值的数据，正是因为参与者使用了相对统一的材料和实验流程，并在规定时间取回样品。

研究人员之所以采用这种看起来非常另类的方法，还有一个更加深层的原因。

土壤是地球上非常重要，却经常被人忽略的自然资源。

我们每天都依赖土壤生产粮食，土壤还参与水分循环、碳循环和养分循环，并为大量植物、动物和微生物提供生存环境。

然而，与森林、河流、海洋和野生动物相比，普通人很少会主动关注脚下几厘米甚至几十厘米的土壤究竟发生了什么。

土壤退化也是全球环境面临的重要问题之一。

当土壤失去有机质、结构遭到破坏或者生物多样性下降时，它维持农业生产和生态系统功能的能力也会受到影响。

这不仅关系到粮食安全，还可能影响清洁水资源以及整个生态系统的稳定。

因此，如何让更多普通人意识到土壤的重要性，本身就是一件有意义的事情。

“把内裤埋进土里”听起来很荒诞，却恰好拥有一种传统科学宣传方式很难达到的传播效果。

人们可能不会记住一个复杂的土壤生物学指标，却很可能记住这样一个问题：如果把一条棉质内裤埋在土里两个月，它最后还剩多少？

当一个原本抽象的科学问题变成一个直观、甚至有些好笑的实验时，人们就更容易产生兴趣。

而一旦开始关注内裤的分解情况，就可能进一步开始关注土壤中的微生物、有机质、养分以及土地管理方式。

这也是公众科学项目的一个重要价值。

它并不是简单地让普通人“帮科学家干活”，而是让参与者真正进入科学观察过程。

在这项研究中，大约1000名公众参与者不仅帮助研究人员采集样品，也记录了土地位置、土地用途和管理情况。

这些数据最终汇集到一起，为科学家提供了一幅覆盖瑞士多个地区的土壤状况图景。

研究结果还显示，土地使用方式是影响棉质内裤分解速度的最重要因素之一。

私人花园的表现最高，农田处于中间位置，而草坪相对较低。

农田虽然经常进行翻耕等人为活动，但棉质材料的分解程度仍然高于草坪。

研究人员认为，在某些情况下，翻耕造成的土壤扰动可能会刺激部分土壤生物活动。

当然，这并不意味着翻耕越多越好。

农业生产本身就是一个复杂系统，过度翻耕同样可能造成土壤结构破坏、侵蚀以及有机碳损失。

研究真正说明的是，在此次调查中，农田土壤的生物分解活动总体上高于草坪，而造成这种差异的具体机制仍然需要进一步研究。

相比之下，草坪的分解速度相对较慢。

研究人员指出，很多草坪需要频繁修剪，有些还会使用除草剂，同时通常由种类比较单一的草本植物组成。

这些管理方式可能影响地下生物群落，从而降低有机物分解速度。

不过，研究并不能证明某一种具体的草坪管理方式就是导致内裤分解较慢的唯一原因。

这也是这项研究需要谨慎解读的地方。

研究团队建立的统计模型，只能解释“内裤指数”变化中的一部分。

模型大约解释了16.5%的内裤指数差异，以及21.5%的茶包实验差异。

这意味着不同地点之间还有大量变化无法通过研究中记录的因素解释。

土壤本身就是一种高度复杂的自然系统。

同样属于草地的两块土地，可能因为土壤类型、降雨量、温度、植物组成、历史管理方式以及微生物群落不同，而表现出完全不同的分解速度。

再加上这项研究采用了公众科学方式，参与者在实际操作过程中难免存在一定差异，例如埋藏方式不同、问卷填写不完整，以及对土地管理问题的理解存在差别。

这些因素都会给数据带来一定程度的不确定性。

研究人员也没有对所有可能影响土壤状况的指标进行测量。

例如，土壤团聚体稳定性以及更加详细的微生物群落组成，并不在这项研究的主要范围之内。

因此，科学家并没有把一条棉质内裤当成一种可以替代专业实验室土壤检测的工具。

它更像是一种简单的“第一眼检查”。

如果你想快速知道某片土地中的生物分解活动大致如何，这种方法可以提供一个非常直观的线索。

但如果需要准确判断土壤是否适合农业生产，或者评估一片生态系统是否真正健康，仍然需要进行更加全面的土壤分析。

特别是对于肥料使用的问题，更不能只根据内裤分解程度来判断。

研究已经发现，一些私人花园的土壤中磷含量非常高。

这说明如果一个人看到自己的花园土壤能够迅速分解棉质材料，并不意味着应该继续增加肥料。

恰恰相反，如果土壤中的营养元素已经足够甚至过量，继续施肥可能带来更多环境问题。

因此，真正健康的土壤管理并不是简单追求“养分越多越好”，而是在不同营养元素、有机物、生物活动和生态平衡之间找到合适的状态。

这项研究还有一个非常值得注意的意义，那就是它改变了人们观察自然的方式。

很多科学问题看起来十分专业，需要昂贵的仪器和复杂的实验室才能研究。

但有时候，一个非常简单的材料就可以成为理解自然过程的窗口。

一条棉质内裤就是这样。

它本身并没有什么特殊功能，却因为棉纤维可以被土壤生物分解，而成为一种非常直观的“生态计时器”。

时间越长，材料发生的变化越明显，而不同土壤之间的差异也会被放大。

当这种简单实验被复制到数百乃至上千个地点之后，原本不起眼的观察就变成了一个具有科学价值的大型数据集。

从这个角度看，这项研究真正有意思的地方，也许并不是“科学家把2000多条内裤埋进了土里”，而是它证明了公众参与可以帮助科学家研究复杂的生态系统。

过去，科学研究经常给人一种距离普通生活很远的感觉。

科学家在实验室里操作精密设备，普通人只能等待最终结果。

而公众科学项目则提供了另一种可能。

普通人也可以参与观察、记录和数据收集，并通过这些活动更加直接地理解身边的自然环境。

在这项研究中，参与者遍布瑞士多个地区，他们选择自己熟悉的土地进行实验。

有人可能把内裤埋在自家花园，有人埋在农田，也有人选择草地。

最终，不同地点的数据汇集起来，科学家才有机会看到不同土地类型之间的整体差异。

这也是大规模公众科学项目最大的优势之一。

单独一个人的实验可能意义有限，但如果有1000个人在不同地点使用相同的方法进行观察，就能够形成一份非常有价值的生态数据。

对于土壤这种空间差异极大的自然系统来说，这一点尤其重要。

研究人员最终得出的结论并不复杂：土壤中的生物活动会影响棉质材料的分解速度，而不同土地利用方式之间存在明显差异。

私人花园的分解程度最高，农田和永久草地处于中间位置，草坪最低。

同时，内裤分解程度与土壤中的有机碳和可利用养分之间存在明显关系。

但研究也提醒我们，不应该把“分解得快”简单等同于“土壤一定健康”。

真正的土壤健康是一个更加复杂的概念，需要综合多个指标才能判断。

如果从普通人的角度来看，这项研究最有趣的启示可能是：脚下的土壤并不是一堆没有生命的泥土。

一块看似普通的土地下面，可能生活着数量庞大的微生物和其他生物。

它们不断分解落叶、植物残体以及其他有机物，参与养分循环，让土壤能够继续支持植物生长。

我们看不到这些微小生命，但它们一直在工作。

而一条被埋入地下的棉质内裤，只是让这种看不见的工作变得更加容易观察。

两个月后，内裤究竟还剩下多少，实际上就是土壤中这些微小生物活动留下的一个直观痕迹。

这项研究也再次提醒人们，保护土壤并不仅仅意味着让农田能够长出更多粮食。

健康的土壤还关系到生态系统的稳定、水资源质量以及生物多样性。

当土壤受到长期过度利用、侵蚀或者不合理施肥影响时，问题可能不会立即显现出来，但最终可能影响整个生态系统。

因此，了解土壤、关注土壤，本身就是环境保护的一部分。

研究团队希望，这种简单而有趣的方法能够帮助更多人认识到土壤的重要性。

毕竟，一件普通的棉质衣物经过两个月之后发生了多少变化，也许只是一个小实验，但它背后反映的却是一个庞大的地下生态系统正在发生什么。

从这个意义上说，这2000多条被埋入土中的内裤，并不是一个单纯的“奇葩科学实验”。

它们实际上成为了科学家观察土壤生命活动的一种特殊工具，也让更多普通人第一次以一种非常直观的方式，看到了脚下土地究竟有多么“活跃”。

原文：https://studyfinds.com/what-2000-buried-underpants-revealed-about-where-soil-is-most-alive/

埋藏内裤揭示土地利用影响土壤健康最先出现在咕咕猫。

但如果把这种判断对象换成马，事情就复杂得多。

马是一种非常善于隐藏痛苦的动物。作为长期处于被捕食风险中的猎物动物，它们在漫长的进化过程中形成了隐藏虚弱和疼痛的本能。即使身体已经出现明显不适，马也未必会像人一样表现得十分明显。这种特性也让兽医在判断马匹疼痛程度时，需要依靠大量经验去观察一些非常细微的面部变化。

如今，人工智能正在尝试接手这项工作。

来自特拉海学术学院等机构的研究人员开发了一套名为SHIC-XE的人工智能可解释性框架，希望让AI不仅能够判断一匹马是否正在经历疼痛，还能够进一步回答一个更关键的问题：AI究竟是“看到了”马脸上的什么变化，才做出了这样的判断？

研究结果颇有意思。AI与兽医专家在马的耳朵位置和脸颊肌肉变化方面出现了一定程度的判断一致，但在眼睛这一重要区域，两者却出现了明显的反向关系。

也就是说，AI确实在某些方面“看对了”，但它关注马脸的方式，并没有完全按照人类兽医的经验来进行。

这项研究之所以受到关注，并不只是因为AI能够识别动物疼痛，更重要的是，它尝试解决人工智能领域一个长期存在的问题——我们到底应该怎样相信AI？

过去，一套AI系统即便能够较准确地区分“疼痛”和“不疼痛”，研究人员仍然很难确定它为什么会得出这样的结果。

例如，一段马匹视频中，AI生成的热力图可能显示它特别关注鼻子附近，也可能下一帧突然转移到背景区域。由于马匹在视频中不断移动，AI每一帧所关注的位置也可能发生变化。最终得到的热力图看起来五花八门，却很难判断这些关注点到底有没有实际意义。

对于兽医而言，这显然是一个问题。

如果AI只是告诉医生“这匹马可能很疼”，却无法解释自己究竟依据了什么，那么即使识别准确率不错，在真正需要辅助诊断的场景中，医生也很难完全信任它。

SHIC-XE的思路，就是试图让这种“AI注意力”变得更加稳定。

研究人员建立了一个固定的马匹三维面部模型，然后把视频画面中的二维信息映射到这个三维模型上。这样一来，无论马的脑袋转向哪个方向，AI在不同视频帧中关注的区域，都能够对应到同一个真实的面部位置。

简单来说，如果AI连续几帧都在关注马的鼻梁，那么这些信息可以被累积到三维模型中的同一个位置，而不会因为马匹头部移动导致不同帧之间的信息彼此分散。

这种处理方式看似只是技术上的改进，却为研究人员提供了一个重要机会：他们终于可以更加系统地比较AI关注的区域，与专业兽医真正用于判断疼痛的区域是否一致。

研究人员随后使用了三组不同的数据进行测试，覆盖了不同类型的马匹疼痛。

第一组数据来自39匹接受常规去势手术的马匹，研究人员通过手术前后的影像观察疼痛变化；第二组涉及6匹出现实验性关节炎症的马匹；第三组则包含11匹马，通过对上唇施加刺激来产生急性疼痛反应。

为了尽可能避免AI只是“记住”某一匹马的外貌，研究采用了留一受试对象测试的方法，也就是让模型始终面对训练过程中没有见过的马匹。

在三组数据中，模型的视频级表现分别达到0.67、0.80和0.70。研究人员认为，这一结果与此前相关马匹疼痛识别方法处于相近水平，同时SHIC-XE不需要为马脸上的每一个区域分别训练独立的分类器。

真正值得注意的发现，则出现在AI与兽医专家的比较上。

兽医在评估马匹疼痛时，通常会参考“马匹痛苦表情量表”，也就是Horse Grimace Scale。这套方法主要观察马脸上的多个细节，包括耳朵的位置、眼睛周围的紧张程度、眼睛是否收紧、脸颊肌肉是否紧张、下巴区域的变化，以及鼻孔周围的变化。

研究人员选取了第一组数据中的114张经过兽医专家评分的图像，然后比较AI的注意力区域与专家评分之间的关系。

结果显示，在耳朵区域，AI和专家的判断存在比较明显的正相关。

这意味着，当兽医认为马匹耳朵的位置表现出了较强的疼痛信号时，AI也更倾向于把注意力放在这一位置。

脸颊肌肉区域也出现了类似趋势，不过相关程度相对较弱。

这两个结果让研究人员看到了一个积极信号：AI并非完全依靠一些无法解释的视觉特征进行判断，它确实在一定程度上捕捉到了兽医长期以来用于判断马匹疼痛的面部线索。

然而，当研究人员把目光转向眼睛时，情况突然发生了变化。

眼睛区域出现了具有统计学意义的负相关。

换句话说，当兽医专家认为眼睛周围存在比较明显的疼痛表现时，AI反而没有表现出相应的关注，甚至呈现出相反的趋势。

这也是整项研究中最令人意外的部分之一。

毕竟，在人类观察动物疼痛表情时，眼睛通常是非常直观的观察区域。眼睛是否收紧、周围肌肉是否紧张，都是兽医判断马匹状态的重要依据。

那么，AI为什么没有按照专家的方式观察？

目前研究人员并没有给出一个确定答案。

一种可能性是，AI实际上发现了某些人类并不容易注意到的细微变化。深度学习模型能够从大量图像中寻找复杂的像素和纹理关系，因此它可能会捕捉到人眼难以稳定识别的面部组织变化。

研究中就发现，AI除了关注兽医评分体系中的区域之外，还对额头和鼻梁等部位表现出了明显关注。

这意味着，AI关注的区域并不完全等于人类专家所使用的传统疼痛指标。

当然，这并不能直接证明AI已经发现了新的疼痛标志。

另一种可能同样不能排除：AI注意到的这些区域可能只是某些与疼痛没有直接关系的视觉特征。

这也是为什么研究人员强调，不能因为一张AI热力图“看起来很合理”，就认为AI真的理解了问题。

在人工智能研究中，这其实是一个非常重要的问题。

很多时候，人们看到一张色彩鲜明的AI注意力热力图，会自然认为模型正在关注正确的位置。但“看起来合理”和“经过科学验证”完全是两回事。

SHIC-XE的意义，就在于它试图把这种主观判断变成可以量化和检验的指标。

研究人员不再满足于展示一张漂亮的热力图，而是进一步问：AI关注的区域，是否真的与专业人士判断疼痛时使用的信息存在统计上的联系？

这种思路也可能影响未来的动物健康AI研究。

如果一套系统只能给出最终结果，却无法说明依据，那么它更像一个黑箱。相反，如果AI能够明确展示自己关注了哪些解剖区域，并且这些区域与兽医经验之间存在稳定联系，医生就更容易理解和评估它的判断。

不过，这项研究距离真正应用于临床还有相当长的距离。

研究人员自己也强调，目前的结果属于初步验证，并不能说明这套系统已经可以直接用于兽医临床诊断。

其中一个非常明显的问题，就是数据规模仍然有限。三组数据分别只有39匹、6匹和11匹马，尤其是关节炎症数据只有6匹动物，这样的样本数量显然不足以代表所有马匹。

不同品种之间的头部结构也可能影响AI判断。

目前系统使用的是一个统一的标准三维马匹模型，而阿拉伯马、重型马等不同品种之间，在头部形状和面部结构方面存在差异。如果实际马匹与标准三维模型之间存在较大区别，二维画面与三维模型的对应关系就可能出现误差。

此外，当马匹的脸部被遮挡，或者头部处于非常极端的角度时，三维映射同样可能受到影响。

还有一个值得注意的问题是，研究主要通过平均方式整合视频中的注意力信息。这样能够提高空间上的稳定性，却可能牺牲一些时间上的细节。

比如，马匹可能只在某一个瞬间出现非常短暂的面部变化。如果把整个视频中的信息平均到一起，这种持续时间很短的“微表情”可能就会被削弱甚至消失。

因此，AI究竟能不能真正理解马匹疼痛，还需要更多、更大规模的数据进行验证。

尽管如此，这项研究依然提供了一个值得关注的方向。

过去，人们更关心的是“AI能不能识别疼痛”；现在，研究人员开始进一步追问“AI为什么认为马正在疼痛”。

这两个问题看似接近，实际上存在明显区别。

前者考察的是AI的准确率，后者考察的则是AI判断过程是否可信。

而在动物医疗领域，这一点尤其重要。马无法用语言告诉人类“这里疼”“那里不舒服”，很多时候只能通过细微的行为和面部变化传递信号。如果AI能够持续观察这些变化，并且帮助兽医发现肉眼容易遗漏的异常，那么它未来或许能够成为传统观察方法的重要辅助工具。

更有意思的是，SHIC-XE的技术思路并不一定只能用于马匹。

研究人员认为，将二维视频中的信息稳定映射到三维结构模型上的方法，也可以应用到其他需要观察空间位置的领域，例如人类医学影像以及工业质量检测等场景。

从这个角度来看，这项研究真正的价值或许并不只是让AI“看懂马脸”。

它更像是在尝试建立一座桥梁，把人工智能的视觉判断与专业人士能够理解、验证的现实结构连接起来。

AI可以发现人类没有注意到的模式，但人类仍然需要知道这些模式到底意味着什么。

至少目前来看，AI与兽医专家已经在马匹耳朵和脸颊等区域表现出了一定程度的共识，而眼睛区域的分歧则提醒我们：机器看到的世界，并不一定与人类完全相同。

这种差异究竟意味着AI发现了新的疼痛信号，还是模型出现了某种偏差，仍然需要未来研究给出答案。

而这或许正是人工智能进入动物医疗领域后最值得关注的一件事——真正可靠的AI，不应该只是告诉我们“答案是什么”，还应该逐渐让我们知道，它为什么会得到这个答案。

对于那些无法直接告诉人类自己正在经历什么的动物来说，如果未来AI能够把这些难以察觉的细微变化转化为更清晰、更稳定的健康信号，那么技术与动物医疗之间的结合，也许会打开一个全新的应用空间。

目前，这项研究还只是起点，但它至少证明了一件事：当人工智能开始尝试理解动物的表情时，真正困难的已经不只是“看见”，而是如何证明自己看见的东西确实有意义。

原文：https://studyfinds.com/ai-reads-pain-on-horses-face-with-one-surprising-blind-spot/

AI真的能看懂马的疼痛，研究发现一个让人意外的盲点最先出现在咕咕猫。

原文：https://studyfinds.com/speaking-another-language-could-slow-aging-in-the-brain/

会的语言越多，大脑或越年轻！越早学习效果越明显最先出现在咕咕猫。

在物理学领域，一项关于“时间从何而来”的实验引发了广泛讨论。研究人员利用玻色-爱因斯坦凝聚态构建了一个高度简化的“微型宇宙”。这种特殊的物质状态只有在接近绝对零度的极低温环境下才能形成，数千个原子会共同表现得像一个整体。实验结果显示，在这一封闭的量子系统中，时间并非始终以固定方式流逝，而是会随着系统内部状态的变化出现快慢不同，甚至短暂停滞的现象。这项研究为探索时间是否是一种由量子相互作用产生的“涌现现象”提供了新的实验依据。

围绕玻色-爱因斯坦凝聚态的研究，本周还有新的进展。美国国家航空航天局（NASA）升级了国际空间站上的冷原子实验室，这套体积仅相当于一台小冰箱的设备，将继续利用这种特殊物质研究量子现象，希望帮助科学家更深入理解宇宙最基本的物理规律。与此同时，地球上的科研团队也取得了多项突破，包括证明量子力学并不一定依赖复数数学体系，以及借助量子计算机制备出一种对未来核聚变技术具有重要价值的稀有材料。此外，工程师还研发出微型“潜水服”，成功让蟑螂能够在复杂环境中执行搜救任务，为灾害救援机器人提供了新的设计思路。

在应对全球变暖方面，北极海冰持续缩减仍是科学家最担忧的问题之一。数据显示，北极海冰面积正以每十年约12%的速度减少。海冰不仅影响全球海平面变化，还承担着反射太阳辐射、调节地球温度和维持海洋生态循环的重要作用。因此，如何减缓海冰消融成为当前气候研究的重要方向。

针对这一问题，一支国际研究团队提出了一种相对简单的方案：将海水抽送到冰层表面，让海水在极寒环境下迅速冻结，从而增加海冰厚度。初步实验表明，这种方法能够促进冰层生长，在一定程度上延缓海冰融化。不过，研究人员也坦言，这项技术仍面临成本、能源消耗以及生态影响等诸多挑战，距离真正大规模应用还有不少工作需要完成。

科技的发展同样影响着我们的日常生活。如今，越来越多的电子设备支持快速充电，这让不少人享受到更便捷的使用体验。但快速充电为何能在短时间内补充大量电量？它是否会缩短电池寿命？相关研究指出，现代快充技术主要依靠更高的充电功率以及智能温度、电流管理系统来提升效率，只要采用正规充电设备并在合理范围内使用，对电池寿命的影响通常不会像很多人担心的那样严重。

本周的另一项重要发现来自美国波士顿。在当地一项历史墓地修复工程中，工作人员发现了一块刻有“Boston”名字的古老墓碑。进一步查阅历史档案后，研究人员确认墓主人名叫塞巴斯蒂安，他曾是一名奴隶，在获得自由后于1729年去世，并选择以生活的城市作为自己的姓氏。这块墓碑被认为是美国现存最早的自由黑人墓碑之一。

随着更多历史资料被整理出来，研究人员逐渐还原了塞巴斯蒂安的人生经历。他曾长期在波士顿从事各种杂工工作，在主人去世后获得自由，并最终以自由人的身份生活直到去世。这项发现不仅填补了当地历史记录的空白，也为研究殖民时期自由黑人群体的生活状况提供了珍贵证据。

波士顿市长吴弭（Michelle Wu）在纪念活动中表示，这段历史其实一直存在，只是长期未被人们真正关注。如今，这块墓碑重新进入公众视野，也让更多人有机会了解那些曾被历史忽视的人物与故事。

原文：https://www.livescience.com/physics-mathematics/science-news-this-week-time-emerges-inside-a-mini-universe-scientists-thicken-arctic-ice-and-one-of-the-oldest-graves-of-a-free-black-person-in-the-us-found

本周科学：微型宇宙揭示时间起源，北极海冰增厚计划取得进展最先出现在咕咕猫。