在機械時代，關於物理世界的一些常識，只要學過中學物理，我們基本都了解。
比如，速度不能超過光速。溫度不會低於絕對零度（-273攝氏度）。發動機的效率不可能超過100%。
正因為有了這些常識，大家就會知道做一件事情可以做到什麼程度，比如汽車的效率能提升到多少。我們就不會去追求那些不可能達成的目標。
但是，今天到了資訊時代，關於信息有什麼規律和常識，很多人其實是不了解的。
因為不了解，所以就容易產生錯誤的判斷。
比如，一個會場的wifi網絡每秒能傳輸10M的數據。如果同時上網的人特別多，大家會慣性地覺得，人多就多吧，只是平分到每個人身上的速度慢一點，比如100k/s，但總歸是能上網的。
其實，完全不是這樣。
當所有人傳輸的信息總量超過一個閾值，所有人都會上不了網。
這是由香農第二定律決定的：
如果信息傳輸率超過信道容量，就不可能實現可靠傳輸。這個時候，誰也傳不出去任何信息。
這就是資訊時代的規律和常識。
再比如，有人說，埃隆·馬斯克發射了很多衛星，一旦覆蓋全球通信，就能取代5G了。
乍一聽好像有點道理。
但其實完全是兩回事兒。
因為，從衛星到地面的信道容量是很有限的，它可以用來解決南北極、珠穆朗瑪峰等極端地區的通信問題，但是速度完全沒法跟5G相比。
很多人不了解資訊時代的這些基本常識，所以才會有這種不切實際的對比。
不切實際的對比倒也無傷大雅，但是有一部分人會去做一些不切實際的投資，甚至不切實際的創業。
這其實就是在做類似超越光速的事情，永遠都不可能達成目標，會浪費很多金錢和生命。
類似的事情，在機械時代，大家因為了解物理常識，會嘲笑他是民科。
但是在資訊時代，很多人因為不了解信息常識，反而就會覺得他在創新。
所以，為了讓大家了解資訊時代的基本常識，吳軍老師寫了一本書，叫做《信息傳》。
吳軍老師是計算機科學家，是自然語言處理技術的先驅者，是谷歌公司的智能搜索科學家，騰訊公司的前副總裁，同時也是矽谷著名的風險投資人、暢銷書作家。
他著有《數學之美》、《浪潮之巔》、《矽谷之謎》、《智能時代》、《文明之光》、《大學之路》、《全球科技通史》、《見識》、《態度》等，本本都是超級暢銷書。從我到我兒子小米，我們全家都是他的書迷。
吳軍老師的這本《信息傳》，我一拿起來就放不下來了。
因為它講了很多資訊時代的基本規律。
比如，為什麼一次性密碼最安全？為什麼量子通信今天這麼熱門？數據壓縮到什麼程度會有損耗？
這些規律和常識，就相當於機械時代的牛頓三大定律一樣重要，每個人都應該了解它們。
拿到這本書後，我專門訪談了吳軍老師，讓他給我們公號的讀者講講他的《信息傳》。
非常感謝吳軍老師。
今天，我就把這次訪談的內容，分享給你。
—1—
信息科學的發展，大致可以分為兩個階段。
一個叫自發的時代，一個叫自覺的時代。
在自發時代，雖然人類有了電報、電話、無線電、電視機以及機械計算機等信息技術的成就，但是人類並不了解信息的本質和規律，因此依然處在黑暗中的摸索階段。
在那個時候，哪怕是最好的科學家，也和今天的常人一樣，在犯同樣的錯誤。
比如像特斯拉和巴貝奇這樣的天才，他們完全無法明白自己的很多努力，其實完全走錯了方向。
特斯拉一直致力於用電磁波來傳遞能量，而特斯拉的競爭對手馬可尼，則致力於用電磁波來傳遞信息。
最終，馬可尼的研究獲得了諾貝爾獎，收穫了巨大成功。
到了今天，我們知道，用電磁波來傳能量幾乎是不太可能的，因為電磁場輻射衰減得很快，距離稍微遠一點，就不剩下多少能量了。而用電磁波來傳信息卻是非常可行的。
但是在那個時代，沒有人了解信息的規律，大家都在黑暗中摸索前行。成功，具有很大的偶然性。
與其說馬可尼比特斯拉水平更高，不如說比他更加幸運，無意中做的一些事情，恰好契合了信息科學的發展。
再比如，巴貝奇最早做計算機，其實就走錯了方向。
因為他並不清楚，越是複雜的信息處理，就越要用簡單的基本模塊去實現。
在機械時代，大家普遍有一個誤區：為了實現複雜的功能，就要把機器做得特別複雜。
於是，巴貝奇把計算機設計得越來越複雜，用無數的齒輪來實現微積分，最後複雜到連做都做不出來了。
再後來，香農在這個問題上，換了一種思路，他想著用最簡單的模塊，來搭建複雜的系統。這為後來電子計算機的誕生，奠定了基礎。
今天我們的所有電子產品，你把它拆開來看，晶片上都是一些很簡單的功能模塊，最底層的就是0和1的開關電路，只是數量很多而已。
在自發時代，由於不了解信息的本質和規律，人們都在摸索中前行，盲打莽撞。
直到香農用一個被稱為「熵」的概念，和三個非常簡潔的定律，描述了信息科學的本質。
它們，就是我們今天所說的資訊理論的核心。
資訊時代的資訊理論，就像是機械時代的牛頓三大定律。
有了資訊理論，所有的技術研究和發展就不再是憑運氣，而是順應規律。信息技術開始飛速發展。
這就進入了信息科學的自覺時代。
人類從此幾乎沒有再犯過什麼大的錯誤，也沒有走太多的彎路。
—2—
在自覺時代，我們要感謝三位非常重要的科學家，他們為今天的信息技術奠定了理論基礎。
第一位科學家，毫無疑問，就是香農。
他做出的重要貢獻之一，就是提出了著名的香農第二定律，解釋了信息傳輸的規律。
具體來說，就是：
信息的傳輸率永遠都不可能超過信道的容量。
你可以把傳輸率理解為通信（上網）速度，也就是每秒能傳輸的信息量，比如200kb/s。
信道的容量，你可以把它想像成高速公路的寬度。高速公路上行駛的汽車就相當於在信道中傳輸的信息。
信息的傳輸率永遠都不可能超過信道的容量，一旦超過，出錯率就是100%，所有人都會無法通信。
那麼我們想要傳輸率更快，就要增加信道的容量。
如何增加信道的容量？
有兩個辦法。
第一個辦法：增加頻率範圍，也就是帶寬。
頻率範圍，就是帶寬。比如100兆赫-200兆赫，就是一段頻率範圍。
頻率範圍，也就是帶寬越大，信道的容量越大。
光纖通信相比無線電通信和電纜通信，信息傳輸率可以高出很多，根本原因就是它的帶寬要比後兩者寬了很多。
光纖通信用的是可見光，而光的頻率比無線電通信中電磁波的頻率要高很多。
同樣是無線電通信，從1G到5G，它的頻率是不斷提高的。
因為我們想要增加帶寬，讓頻率範圍往上走是有很大空間的，但是往下走的空間卻很有限，最多頻率降到零，但不可能是負的。
4G的發射頻率大概是2000兆赫。
到了5G，發射頻率增加到6000兆赫左右。美國下一代的還要到28000兆赫。
增加信道容量的第二個辦法，就是增加信噪比。
信噪比越高，信道的容量越大。
信噪比，顧名思義，就是信號和噪聲的比值。
想要信噪比越高，就要增加信號的強度，或者降低噪聲。
增加信號強度，可以從加大發射功率入手。
但是這種做法是有極限的，比如我們的移動通信基站，功率太大會對周圍的人造成輻射傷害，所以必須把它限制在安全範圍內。
在無線通信中，信號的強度會隨著距離的增加而衰減，噪聲則是恆定不衰減的。
所以，想要在不增加功率的情況下，增加信噪比，唯一的方式就是縮短通信的距離。
這就是5G的基站要建得非常密集的原因之一。
增加頻率範圍和增加信噪比，是增加信道容量的兩個基本方向。
從1G到5G，大家都是在朝著這兩個方向走。所有關於5G的創新，其實都是在解決這兩個方向上所遇到的工程問題。
再過十幾年，又會出現6G，6G也是在這兩個方向上的進一步延伸。
因為這是資訊時代的基本規律，朝著這兩個方向走，就不會有失敗。
—3—
在自覺時代，我們要感謝的第二位科學家，叫做馮·諾依曼。
馮·諾依曼，他解釋了信息和運算的關係。
信息不僅僅是用來傳輸的，我們想要讓信息發揮更大的作用，還要解決另外兩個問題：信息的運算和存儲。
馮·諾依曼從工程學的角度，把信息的運算和存儲切割開來，每一塊單獨設計，再結合在一起來實現計算機的完整計算功能。
按照馮·諾依曼的設計思想，一臺電子計算機應該包括計算器、控制器、存儲器和輸入輸出設備，它是由程序自動控制的。
這就是所謂的馮·諾依曼結構，這個結構是現代計算機的基礎。
今天所有關於計算機的研究工作，依然在馮·諾依曼所劃定的框架內做改進。
比如處理器是一個還是多個，存儲器是少量的還是海量，處理器和存儲器是單獨放置還是做到一個晶片中，這些都是後來改進時需要考慮的問題了。
當然，今天計算機的性能，已經和馮·諾依曼那個時代不可同日而語。
全球第一臺電子計算機ENIAC，是在1946年完工的。這臺計算機佔地近160平方米，每秒能運算5000次。
到今天，你知道一臺iPhone12，每秒能計算多少次嗎？
大概能計算200億次。
從每秒計算5000次，到每秒計算200億次，是怎麼實現的？
這就是晶片的工藝問題了。
晶片是由電晶體組成的，電晶體可以實現電門的開和關，也就對應著計算機中的0和1。
一塊晶片有多大的計算能力，就看這塊晶片上的電晶體有多密集。
以華為麒麟970和華為麒麟980為例。
麒麟970是10納米工藝的晶片，有55億個電晶體。
麒麟980是7納米工藝的晶片，有69億個電晶體。比麒麟970性能提升了25.5%左右。
在同樣大小的一塊晶片裡，7納米工藝的晶片，比10納米工藝的晶片能搭載更多的電晶體，技術更先進，性能更高。
今天，臺積電和三星的量產晶片可以做到7納米，接下來將量產5納米。
所以，在馮·諾依曼提出計算機的結構之後，後人都是在這個結構的基礎上改進技術和工藝。
在信息的存儲方面也是同樣。
怎麼來解決信息的存儲問題？
最早是通過在紙帶上打孔的方式，把運算過程記錄下來。
後來演變成磁帶。
比如我們小時候聽歌時用的磁帶，就是把歌曲的信息存儲在了磁帶上。
再後來有了磁碟。
我上小學四五年級的時候買過一張5寸的單面磁碟，當時花了8塊錢，存儲空間是180K。
再後來，5寸磁碟演變成了3寸磁碟。
再往後又演變成了硬碟。
我高中時用過的第一臺帶硬碟的計算機，硬碟的存儲空間是10M。
到了我上大學，計算機的硬碟已經能達到1個G了。
而今天，一部手機的存儲空間，已經能達到512G。
這就是存儲的進步。
這也是在馮·諾依曼結構的基礎上，存儲技術和工藝的改進。
—4—
在自覺時代，我們要感謝的第三位科學家，叫做圖靈。
他提出了著名的「圖靈測試」，定義了數據和智能的關係：
如果機器能夠與人類展開對話而不被辨別出其機器身份，那麼稱這臺機器具有智能。
通過了圖靈測試，就說明對方的智能是不是能達到人類的水平，而不一定非要模擬人類的思考行為。
在過去，我們認為，數據產生信息，信息產生知識，知識產生智慧。
但是圖靈告訴我們說，不需要通過知識產生智慧，從數據就能夠直接產生智慧。
這是什麼意思？
我舉個例子。
如果讓一個人來判斷，路上的一個小動物是不是一隻貓。人是怎麼判斷的？
首先，你得先見過貓，你眼睛看到的所有東西，都是數據。
接著，你的大腦從這些數據中收集到貓的一些信息：貓的眼睛是什麼樣，耳朵是什麼樣……
然後，你總結出了一套知識：符合什麼特徵的動物，就是貓。
於是，你就擁有了智慧：你看到一隻貓，就能辨認出這是一隻貓。
這是從數據，到信息，到知識，到智慧。
人類想要機器也擁有智慧，一開始也想讓機器走這條路徑。
但是發現，這條路是走不通的。
後來一想，不對，為什麼一定要這麼走呢？我們能不能從數據直接到智慧呢？
於是，有人提出了一種算法，叫做深度學習。
我拿1000萬張貓的照片，讓人工智慧來看，這是不是貓？
人工智慧判斷對了，我就告訴它對了。人工智慧判斷錯了，我就告訴它錯了。
通過海量的反饋，讓人工智慧訓練出一套有效的模型。
一開始，它隨機判斷，準確率可能是1%。
慢慢地，訓練數據和反饋越來越多，準確率也慢慢提高。
2%，5%，10%……最後準確率提高到95%，甚至98%。接近甚至超過人類的準確率。
這個時候，模型就訓練好了。
人工智慧就能夠準確地判斷這張照片上的動物，到底是不是貓。
這就是從數據，直接到智慧。
你給人工智慧一張照片的數據，它雖然能判斷照片上的動物是不是貓，但是它根本就不知道什麼是貓。
這就是今天的人工智慧。
圖靈用圖靈測試的方法讓我們知道，我們應該怎麼去對待數據，怎麼去對待信息，怎麼去對待知識，怎麼去對待智慧。
理解了這些，你才能理解人工智慧時代的基本常識。
最後的話
今天的文章，我們給大家介紹了三個人。
首先是香農，他解釋了信息傳輸的規律。
然後是馮·諾依曼，他解釋了信息和運算的關係。
最後是圖靈，他定義了數據和智能的關係。
理解了他們的理論，你才能了解今天資訊時代的基本常識。
而只有了解了這些常識，你才能在未來的工作、創業中，遵循資訊時代的基本規律，不至於去追求一些永遠不可能達成的目標。
你做事情才能事半功倍。
如果你想要了解更多資訊時代的基本常識，推薦你去看吳軍老師的新書《信息傳》，非常精彩。
最後，再次感謝吳軍老師。