古墓丽影

科学家开发光激活的“智能塑料” 可用于柔性电子产品和机器人_我的网站

A |     据New Atlas报道，塑料可以是硬的，也可以是软的，但塑料可以同时具有这两种特性吗？得克萨斯大学奥斯汀分校的科学家们一直在探索这个问题，并生产出一种首创的材料，这种材料在某些部分是柔韧的，而在其他部分是坚硬的，他们认为有一天这种材料会被用于柔性电子产品和机器人。    该图片使用了AI生成技术          本文来自微信公众号： HavenlonLabs ，作者：Havenlon Labs          当AI还只是生成文字、图片和代码时，一次出错不过是回答不准、图片跑偏、代码返工。但当AI开始能发邮件、改数据库、批订单、调资金、控制设备，它就从"回答问题的模型"变成了"把判断变成现实的执行系统"。         这中间的差别不是量的，而是质的。前者的错误可以被撤销、重来、修补；后者的错误会沉淀成一笔转账、一条删除的记录、一个已经合上的电闸。在开发这种新型材料时，科学家们从天然材料中获得了灵感，这些材料在某些地方是刚性的，而在其他地方则是柔软和有弹性的。皮肤、肌肉、树木和贝类是该团队提供的几个例子，但是创造出混合强度和灵活性的合成版本是很困难的。

B | 以前的方法包括将不同的材料混合在一起，但这有其缺点，成品往往在接缝处散开。研究人员声称，在材料科学的这一分支中，一种新型的类似塑料的材料取得了突破。作为一个起点，化学家们使用了单体，即聚集在一起形成聚合物的小分子。一旦落地，很多结果没有"再生成一次"的选项。在这种情况下，聚合物与常用塑料中的聚合物非常相似，但有一两个特殊的技巧。         我们却仍习惯用同一套指标给这两类系统打分——正确率99%、99.9%、99.99%，每多一个9，仿佛就离"可信"更近一步。但安全领域最容易被忽略的一句话是：          正确率描述系统通常表现如何，却没告诉你它最坏能错到哪里。在测试了十几种候选材料后，科学家们发现了一种催化剂，它可以被整合到单体中，使它们对可见光产生反应，用廉价的蓝色LED来传递。

C | 这产生了创造一种半结晶聚合物的效果，其属性类似于橡胶，形成一种坚硬的材料。

D | 同时，没有暴露在光线下的区域仍然是柔软和有弹性的。“这是同类材料中的第一种，”化学助理教授和论文的通讯作者Zachariah Page说。         下面七个数学视角，藏着AI执行安全真正的分水岭。“通过应用光来控制结晶，并因此控制材料的物理特性的能力，对于可穿戴电子设备或软体机器人的执行器来说，可能是一种变革。

E | 它们不复杂，用的都是中学数学，却常常在最关键的决策上被绕过去。”研究人员称，这种类似塑料的材料的韧性是天然橡胶的10倍，但在不同区域具有不同的物理特性。         1.正确率把所有错误压成了同一个数字          一个系统执行一万次，9999次对、1次错，正确率99.99%。科学家们想象他们的创造有广泛的应用，包括固定可穿戴技术或医疗设备中的电子元件，以及改善机器人的强度和灵活性。研究第一作者Adrian Rylski说：“我们期待着探索应用这种化学方法来制造包含软硬成分的3D物体。”这项研究发表在《科学》杂志上。报表上堪称优秀。

F | 但那一次错是什么？错分一封邮件，几乎无害；误删生产数据、批一笔无法追回的转账、启动高风险设备操作，评价则完全不同。         问题在于，正确率只数次数。统计表里，分错邮件是"1"，转错巨款也是"1"。可现实中的错误从不等价。         衡量安全，更接近现实的是"风险等于概率乘以损失"这条基本公式：          风险=发生概率×可能损失          一个错误很少发生，不代表它不重要。假设某类事故概率只有万分之一，每次却损失一亿元，把它代入公式，风险依然是一万元，不能被当作"几乎为零"随手抹掉。

G |          更麻烦的是，这类损失往往不能用平均值消化。企业也许能承受每年稳定损失一万元，却未必扛得住某天突然损失一亿。

H | 前者是可以摊进预算的成本，后者可能直接决定企业还在不在。数学上的期望值假设你能反复经历很多次、让好运和坏运相互抵消；但对一家公司来说，最坏的那一次如果足够坏，就没有"下一次"来平摊了。安全评估要看的，从来不只是期望值，还有那条最坏情况的尾巴有多长。         智能系统追求提高做对的比例，安全系统关心限制做错的代价。

I |          2.一万次没出事，不等于风险为零          另一种常见说法是："系统跑了一万次，从没出严重问题。"很有说服力，但它只证明过去一万次没出事，证明不了概率为零。

J |          用"一次都不出事的概率"这个公式可以算笔账：          一次都不出事的概率=(1−p)^n          其中p是单次事故概率，n是测试次数。若p是十万分之一、n是一万，代入后约等于90%。也就是说，即便系统真藏着十万分之一的风险，跑一万次仍有约九成可能什么都看不见。

K | 它未必通过了考验，只是还没遇到那道考题。         这也是很多重大事故发生前，系统长期"稳定运行"的原因：风险不是在事故当天才诞生的，它可能一直存在，只是过去的样本还没触发它。         没观察到风险是一种观测结果，风险不存在是一个强得多的结论。         3.越罕见的事故，代价往往越大          频繁的小问题容易被看见：页面每天卡十次，用户会投诉，报表会记录，问题越频繁越容易进入工作计划。真正危险的风险常常相反——几年一遇，甚至一家公司整个周期都没发生过，可一旦发生，一次抵得上所有日常小错之和。         同样用"概率乘以损失"对比两类问题：          问题A：概率1%×损失100元=平均风险1元问题B：概率0.001%×损失1000万元=平均风险100元          A更常见，B几乎看不见，但B的平均风险是A的一百倍。而且B一旦发生，带来的不是"平均100元"，是实打实的1000万。         错误也从不均匀分布。假设系统每年十万次任务，99%是普通操作（错误率0.01%），1%是紧急操作（错误率5%）：普通操作约出10次错，紧急操作只有一千次却出约50次错。整体正确率仍高达99.94%，可占业务量1%的紧急操作，制造了超过80%的错误。

L |          这就像一条平均一米深的河，大部分地方半米，中间却有个五米深的坑。平均值没撒谎，它只是把最危险的部分藏了起来。

M | 修堤坝的工程师从不按河流的平均水位设计，决定堤坝高度的，永远是几十年甚至百年一遇的极端水位。AI执行系统也一样：普通任务里的小错决定用户体验，极端场景里的一次错却可能决定企业还能不能继续存在。         所以安全评估不能只问"平均错误率是多少"，还要追问：高金额操作、紧急模式、陌生地址、跨境转账、权限恢复、数据缺失、多规则冲突时，错误率各是多少。总体表现优秀，证明不了每一个局部场景都安全。         事故不会公平落在每一次操作上，它总聚集在系统最难处理、后果最严重的角落。         4.三个人同意，可能只是同一个错误重复了三次          为降低个人误判，企业惯用多人审批。逻辑没错，但前提是判断足够独立。         用"多数表决下至少两人同时出错的概率"来看：三个独立审批者各有10%错误率、多数通过，至少两人同错的概率约2.8%，远低于单人的10%。这正是多人决策能提高可靠性的数学基础。         可现实中的审批往往不独立：三个人看同一份摘要、依赖同一个AI风险评分、引用同一个数据库。若系统自动生成的摘要写着"常规数据库优化，预计无业务影响"，三位负责人看的都是这句话，都没查实际命令，于是都点了同意。流程上是三人共审，信息结构上只是同一份错误摘要被确认了三次。

N | 人数增加了，独立信息却没有增加。         增加审批层同理。第二道防线是否有价值，取决于它能否在第一道失败后发现新问题。用"剩余风险等于漏检率乘以未识别比例"估算：          第一道漏检5%，第二道独立且识别80%→剩余风险=5%×(1−80%)=1%第二道只看同一份摘要、仅识别5%→剩余风险=5%×(1−5%)=4.75%          同样两层流程，前者把风险降到1%，后者几乎原地踏步。组织付出了更多时间、生成了更多日志，真实安全能力却没变。审批的价值不在页面上多了一个名字，而在于它是否带来新的事实、新的验证方式和新的拒绝能力。         真正降低风险的，不是多一个人点击，而是多一个独立的信息来源。         5.AI的"90%确定"，不是现实中的90%安全          当AI说"我有90%把握"，人们容易听成"这件事90%安全"。

o | 但置信度只是模型对自身判断的评分，不是现实开出的担保书。一个校准良好的模型，给90%置信度的判断里约九成正确；可现实中的模型可能给90%时实际只对70%，甚至在从没见过的场景里依旧自信。模型最危险的状态，不是承认不知道，而是不知道自己不知道。         即便置信度完全准确，它也只覆盖模型看到的那部分。真实执行还依赖输入是否真实、数据是否完整、审批是否被误导、策略是否过期、设备是否正常。用"串联系统整体可靠度等于各环节可靠度相乘"这条公式来看，假设一条链五个环节各99%可靠：          整体可靠度=99%×99%×99%×99%×99%≈95.1%          每一环单看都优秀，组合后只剩约95.1%。不是哪一环突然变差，而是串联结构会把每一环的不确定性乘在一起、层层累积。环节越多，这种衰减越明显——十个99%的环节串起来，整体可靠度就跌到约90%。这也解释了一个反直觉的现象：把系统拆得越细、加的检查越多，如果这些环节是串联的、必须全部正确，整条链反而更脆弱。         模型可以有90%的把握，但"模型有多少把握"和"这项操作能否被安全执行"，始终是两个不同的问题。         置信度是模型对自己的评价，不是现实对模型的承诺。         6.为什么最后一道边界反而应该更"笨"          如果正确率覆盖不了严重后果、历史数据证明不了零风险、多人审批可能共享同一错误、模型置信度也代表不了全链路安全，那现实执行最终该靠什么？          答案有点反直觉：最后一道边界不需要比AI更聪明，它应该更简单、更保守。         AI要理解复杂世界——读文件、判意图、处理例外、在不完整信息里给出最可能的答案。最后一道边界不需要理解世界，它只需记住少数绝不能被突破的条件。用一个"所有条件相乘"的判定公式表达：          执行=A×T×W×Q×S其中：金额未超限A、目标在允许范围T、时间在许可窗口W、授权人数达标Q、设备状态正常S（每项满足记1，不满足记0）          任何一项为0，结果就是0，即拒绝执行。

p | 它不懂"情况紧急"，不会被一个充分的理由或一段宏大叙事说服，只检查条件是否满足——这正是它的价值。

q | 越聪明、越灵活的系统，越擅长为例外找理由；而最后一道边界要做的，恰恰不是理解例外，而是拒绝例外。         AI可以建议向一个新地址转移资产，边界只需检查这个地址是否经过必要的等待与验证；AI可以判断某项操作非常紧急，边界只需检查紧急状态下是否仍满足金额、授权和设备条件。AI负责处理开放世界的复杂性，边界负责守住封闭世界的底线。

r |          AI需要理解整个世界，边界只需要记住哪些事情绝不能发生。         7.从"提高正确率"到"限制错误的距离"          过去的软件主要追求效率：更快、更准、更自动，就意味着更高的生产力。

s | AI时代没有改变这一点，却增加了一个新问题——当一个概率系统拥有了现实执行能力，错误就不再停留在屏幕上。一句错话可以重说，一笔完成的转账可能无法撤回；一个错误建议可以修改，一次已经发生的物理动作却没有第二次机会。

t |          所以AI安全不能只问"怎样让模型少犯错"。模型该更准、数据该更可靠、测试该更全面、审批该更有效，但这些主要解决的仍是"降低出错概率"。

u | 执行安全还必须回答另一个问题：一旦错误真的发生，它能走多远？能否越过审批、拿到签名、改动关键系统，把一个概率性的判断直接变成不可逆的现实？          这两件事都重要，但不是同一件事。

v | 前者是把出错的概率往下压，后者是给已经发生的错误装上刹车和护栏，限制它能造成多大的破坏。一个只优化正确率的系统，是在赌坏事永远不发生；一个真正安全的系统，是在假设坏事迟早会发生的前提下，仍然让后果可控、可撤回、可承受。

w |          成熟的系统不会把希望全押在错误永不出现。它承认模型会误判、数据会污染、人会疲劳、审批会被诱导、规则会过期、设备会异常，然后在所有不确定性之后，仍保留一道简单、清晰、独立、能够说"不"的边界。

x | 这道边界不追求聪明，只追求可靠；它不参与判断该不该做，只负责守住绝对不能做的那条线。         统计学研究不确定性如何出现，安全工程研究的，是不确定性抵达现实之前如何被拦住。最终，我们需要记住的也许只有一句话：          概率可以参与判断，但不能独自拥有执行权。         本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。

y | 如对本稿件有异议或投诉，请联系 [email protected]。

Current article:http://et995.cibianpangjujiusu.cyou/list_wc8n5/h61q90j.html

Published on:00:00:00