物理 · Physics

物理学家的思维方式

Day 37 · 2026 · Phase I 收尾
这行手艺最值钱的部分不是解方程——是在动笔之前，就知道答案必须长什么样。
物理学最容易被误解的地方，是以为它的核心技能是解方程。真正的分水岭在方程之前：拿到一个陌生问题，先用量纲把答案的形状定死，用数量级判断值不值得算，用极限和对称检查算得对不对，最后用近似决定哪些细节可以扔掉。这几把刀的作用不是算得更准，而是在动笔之前淘汰掉绝大多数错误答案——它们处理的其实不是物理，而是「面对一个你没完全弄懂的系统，该从哪下手」。

量纲分析 Dimensional Analysis

方法论 · Buckingham 1914
直觉 你不能把 3 秒加到 5 千克上——这话听着像废话。但把它当成一条硬约束用起来威力惊人：等式两边的「单位身份」必须逐项一致，这个几乎白送的要求，常常能在不解任何方程的情况下，把答案定死到只差一个纯数字。
机制 力学里每个量都能写成三个基本量纲的幂次组合：质量 M、长度 L、时间 T。速度是 L/T，能量是 ML²/T²。现在问单摆的周期，手上只有三个量：摆长 ℓ（量纲 L）、摆锤质量 m（M）、重力加速度 g（L/T²）。要凑出一个量纲是「时间」的组合，答案唯一：
T ∝ √ℓg
∝ 读作「正比于」。核对量纲：ℓ 是长度、g 是长度÷时间²，相除后长度约掉只剩时间²，开方（√ 即开平方）正好是时间。
关键在 m：它是三个量里唯一带质量量纲的，而左边的时间不含质量，没有别的量能抵消它，所以 m 的幂次只能是数字 0（零）——必须掉出去。
手上的量（和它的量纲） 唯一量纲正确的组合 摆长 ℓ　　　　长度 L 摆锤质量 m　　质量 M 重力 g　　　　L / T² 周期 T = （纯数字）× √( ℓ / g ) 质量 M 只出现在 m 一个量里，没有东西能抵消它 → m 被逼出局：单摆周期与摆锤多重完全无关 量纲管不着那个纯数字（真值是 2π），但依赖关系已经全部定死
不解一行运动方程，只靠「两边单位必须一致」，就把周期的形状逼出来了。
反直觉的重点 1950 年，G. I. Taylor 手上只有公开发表的原子弹火球照片——每张标着时刻 t 和火球半径 R。他用量纲分析写下 R ∝ (Et²/ρ)1/5（E 是爆炸能量，ρ 读「柔」，是空气密度），反解出 E，得到约两万吨 TNT 当量——这个数字当时还是机密。一个连方程都没解的人，从几张照片里读出了机密级的数。
跨学科对读 · 流体 / AI 量纲分析真正的产物是无量纲数——把一堆量凑成没有单位的比值，物理只依赖这个比值，不依赖你用米还是英尺：
  • 流体与工程：雷诺数 Re = ρvℓ/η 决定流动是层流还是湍流。只要 Re 相同，真飞机和缩比风洞模型的流动图样就是同一个——风洞这门生意全靠这一条；
  • AI · 超参迁移：把网络宽度当作「单位」，能构造出跨宽度不变的超参组合（μP 参数化），于是小模型上调好的学习率直接搬到大模型仍接近最优——这是不折不扣的量纲分析，只是「量纲」换成了宽度；
  • AI · 配比：Chinchilla 那条「每个参数大约配 20 个 token」也是个无量纲数：它说的不是模型该多大，而是两者的比值该是多少。
一句话：量纲不是记单位的琐事，是一条免费送的方程。
思考：既然量纲分析这么强，它为什么算不出那个 2π？
因为纯数字不带量纲，量纲分析对它完全盲。它能定死各物理量之间的标度关系（周期正比于摆长的平方根、与质量无关），却定不下前面的系数——后者必须真解方程或做实验。知道自己看不见什么，和知道能看见什么同样重要。

费米估算 Fermi Estimation

数量级 · 餐巾纸计算
直觉 芝加哥有多少钢琴调音师？没人查得到。但拆成五步、每步猜一个心里有数的比例，五分钟就能估到正确的数量级。Fermi 在 1945 年三位一体核试验现场做过更硬的版本：撒一把碎纸片，看冲击波把它们吹出多远，当场估出当量约一万吨 TNT——与后来精密测量同一量级。
机制 把一个查不到的量，拆成一串每个都能猜到两三倍以内的因子：
芝加哥人口 ≈ 3 000 000 人 每户约 3 人 家庭数 ≈ 1 000 000 户 约 5% 有钢琴 钢琴数 ≈ 50 000 架 每架每年调 1 次 每年调音次数 ≈ 50 000 次 一人每年约 1000 次 调音师人数 ≈ 50 人
五个都不精确的猜测串起来，落点仍在正确的数量级上——这不是运气。
机制 · 为什么敢用 因为误差不是累加的。每个因子的相对误差近似独立，而且在对数尺度上大致对称（你有时高估、有时低估），乘起来时对数误差做的是随机游走：
σ总 ≈ √n · σ
σ 读「西格玛」，指单个因子在对数尺度上的误差大小；n 是因子个数。若每个因子平均猜错约 3 倍（对数上约 0.5 个数量级），5 个因子叠起来也只有 0.5×√5 ≈ 1.1 个数量级。误差按开根号长，不按加法长——这就是估算敢用的数学理由。
为什么重要 估算的目的从来不是得到那个数，而是判断值不值得认真算。差三个数量级的方案不需要精确计算就该被枪毙；只有差两倍的方案，才轮到写代码、搭实验。
跨学科对读 · AI / 系统工程 / 决策
  • AI：训练一次模型大约需要 C ≈ 6ND 次浮点运算（N 是参数量、D 是训练 token 数）。一乘就知道要多少 GPU-天、多少度电——在写第一行代码之前就能否掉一批不可行的方案；
  • 系统工程：容量估算是同一件事——日活 × 人均请求 ÷ 86400 秒得到每秒请求数，再乘每请求字节得到带宽。这个乘法决定架构选型，压测只是事后确认；
  • 日常决策：「这事儿靠不靠谱」本质都是先估一个数量级。差一百倍的事，讨论细节是浪费时间；差 20% 的事，直觉反而不可信、必须真算。
一句话：先估一个数量级，再决定要不要认真算。
思考：每个因子都可能猜错三倍，为什么乘起来反而可信？
因为高估和低估在对数尺度上互相抵消，总误差按 √n 而不是按 n 增长。前提是各因子的误差互相独立——一旦它们同源（比如全都建立在同一个被你高估的人口密度上），抵消就不发生，估算会朝一个方向系统性地偏。

极限检验与对称性直觉 Limiting Cases & Symmetry

检验 · 三行抓错
直觉 拿到一个公式，别急着代数字。先把它推到极端：让速度趋于零、让距离趋于无穷、让两个粒子重合。这些极端情形下答案该是什么，你本来就知道；公式给不出来，它就错了。这是不做实验就能抓错的最快办法。
机制 以洛伦兹因子为例：
γ = 1√1 − v²/c²
γ 读「伽马」，是时间膨胀、长度收缩共用的那个因子；v 是物体速度，c 是光速。两头一推就见分晓。
光速 c 1 3 5 洛伦兹因子 γ 0 0.5 c c 物体速度 v v → 0：γ → 1 日常速度下一切退回牛顿力学 v → c：γ → ∞ 把有限质量加速到光速要花无穷能量
两个极限都不用算：一头必须回到牛顿，另一头必须发散——这就是理论的体检项。
机制 · 对称这一面 答案必须继承问题的对称性。一个均匀带电的球壳，内部任意一点的电场是多少？不用积分：球壳完全球对称，而电场是有方向的量——若内部某点场不为零，它必须指向某个方向，可对称性没有挑出任何一个方向来。唯一自洽的答案是数字 0（零）。三行推理换掉一页积分。
跨学科对读 · 软件 / ML / 工程
  • 软件：边界测试就是极限检验——空列表、只有一个元素、最大整数、并发数为 1。bug 最爱藏在极限处，因为写代码的人想的全是「典型情形」；
  • ML：把某一层的权重全部初始化成同一个值，这层每个神经元收到的梯度完全相同，于是永远保持相同，整层退化成一个神经元。随机初始化真正的作用不是「加点随机」，而是人为打破这个对称；
  • 工程：Amdahl 定律也是一次极限检验——处理器数趋于无穷时，加速比不趋于无穷，而是趋于 1 除以串行部分占比。极限一推，「加机器总能变快」的幻觉当场破掉。
一句话：先检查极限，再相信代数。
思考：「答案必须继承问题的对称性」什么时候会失效？
自发对称破缺的时候：方程对称，解却不对称。竖直立着的铅笔往哪边倒，在方程里完全对称，现实中它却必须选一边。更准确的说法是：答案要么继承对称，要么给出一组彼此对称的解，由微小扰动挑走其中一个——对称性破缺与秩序讲的正是后者。

模型与近似的艺术 The Art of Approximation

近似 · 球形奶牛
直觉 「假设奶牛是一个球」是物理学家拿自己开的玩笑，但它指向一门真手艺。难的从来不是「怎么算」，是「什么可以扔掉」。算炮弹弹道时忽略空气阻力很聪明，算羽毛下落时忽略它很荒唐——同一个近似，换个问题就从聪明变成错误。
机制 近似的技术内核，是找一个小参数，把答案展成它的幂级数，只留前一两项。单摆之所以是简谐振子，全靠 sin θ ≈ θ（θ 读「西塔」，是摆角，单位取弧度）：
y = θ（小角近似） y = sin θ（真值） 0 0.5 1.0 摆角 θ（弧度）
θ = 0.1 弧度时直线与真值差 0.17%，θ = 0.5 时差约 4%，θ = 1.0 时差约 16%——近似不是对错，是精度随参数变差的连续过程。
机制 · 判据 最容易漏掉的一步：不能问「这个量小不小」，只能问「这个量比什么小」。0.1 秒算不算小？对心跳它很长，对分子碰撞它长得像永恒。所以小参数必须是无量纲的比值（又绕回量纲分析）：v/c、摆角的弧度值、原子尺度比波长。
反直觉的重点 好模型不是最像真实的模型。把所有细节都塞进去的模型既算不动也看不懂，还会把主导因素埋进噪声里。模型的价值恰恰在它扔掉的东西——扔对了，骨架才露出来。
跨学科对读 · 统计 / 工程 / AI / 生物
  • 统计：Box 那句「所有模型都是错的，但有些有用」是这条原则最正式的表述——评判标准从「对不对」换成「在你要问的问题上有没有用」；
  • 工程：性能优化先 profile 再动手。花两周优化只占 2% 运行时间的函数，就是典型的没扔对；
  • AI：消融实验是「什么可以扔掉」的实验版——拿掉一个组件看指标掉多少，掉得少的就是可以扔的；
  • 生物：果蝇和线虫是生物学的球形奶牛。选它们不是因为像人，而是因为对要问的那类问题来说，被扔掉的差异恰好不重要。
一句话：模型的智慧不在留下了什么，在扔对了什么。
思考：怎么判断一个近似什么时候会失效？
看你丢掉的下一项。保留一次项、丢掉二次项，误差大致就是小参数本身的量级；小参数逼近 1 时整个展开失去意义。再配一次极限检验：把近似推到它本不该成立的极端，看会不会给出荒谬答案。

深入思考

量纲分析给出的关系，一定是对的吗？
不一定——它给的是必要条件，不是充分条件。全部力量建立在一个前提上：你把所有相关的物理量都列进去了。漏掉一个，结论就错；经典的坑在流体——只列密度、速度、尺寸而漏了黏度，会得到一个漂亮但错误的公式。另一个限制写在 Buckingham π 定理里：当能凑出的无量纲组合不止一个时，它只能告诉你这几个无量纲数之间存在某种函数关系，函数长什么样一个字也说不出来。它是筛子，不是答案。
费米估算什么时候会系统性地失效？
两种情况。一是误差不独立：所有因子都建立在同一个被你高估的前提上，高低估不再互相抵消，误差按加法而非开根号累积。二是分布重尾：估「某城市的财富总量」时，少数极端富有的个体贡献了大部分总量，而你脑子里的「典型个人财富」接近中位数，于是系统性低估。幂律世界里没有「典型值」——遇到收入、城市规模、词频这类量，先问它是不是重尾。
物理直觉会不会把人带偏？
会，而且反复发生过。「自然应该简洁、应该美」这条美学直觉，在过去几十年里推着大量人力投向超对称与各种自然性论证，而对撞机至今没看到预言中的新粒子；爱因斯坦对量子随机性的直觉同样没能站住。健康的用法是把两件事分开：直觉是搜索的启发式，决定先试哪条路；它不是判据，判据只能是实验。分不清这两者，就从「有直觉」滑成「迷信自己的直觉」——物理学的未解之谜里还有更长的账。
这套思维方式，AI 学得会吗？
分开看。量纲分析和费米估算的步骤是可形式化的——列量、凑无量纲组合、逐因子相乘，语言模型现在就做得不差。难的是另外两把刀：极限往哪个方向推、哪些细节可以扔，取决于你到底想回答什么问题，而不只是题面文字。更麻烦的是物理直觉的来源——它大半来自和世界反复交互后的校准：估错、被实验打脸、修正。这条路纯靠读文本很难走通，目前仍是开放问题。

延伸阅读