您現在的位置是:首頁 > 明星首頁明星
我們從不騙你,除非……你不懂物理
傑哥和阿偉是什麼
首先請大家看一個
非常有趣
的惡作劇。
然後,本文就結束了。
我們每個人都有過被惡作劇惡搞的經歷(如果沒有,那現在就有了)。我們不禁要問,
為
什麼總會有惡作劇發生?為什麼我們總會被成功惡搞?我們究竟該怎麼避免惡作劇?
小朋友,請收起你的問號,讓我們來理性地分析分析。
惡作劇可能會遲到,但從不缺席
假設張三和李四是好朋友,到了愚人節這一天,他們要
選擇是否惡搞對方
。這是一個策略抉擇的問題,按照博弈論中常用的思路,我們首先需要考慮他們的
收益矩陣
。
如果
兩個人
都選擇
不惡搞
,一起喝茶聊天,那他們一定會覺得這樣很不錯,所以假定此時兩個人的滿意度收益都是
2
。
如果兩人中,
只有一個人選擇惡搞
,那麼沒有選擇惡搞的那個人一定因為被人惡搞而很氣,所以假設被惡搞的人的滿意度收益為
-1
。而搞惡作劇的人因為看到自己的惡作劇成功,滿意度爆棚,所以假設他的滿意度收益為
5
。
如果
兩個人都選擇惡搞
,那麼兩個人雖然惡搞了別人,但是自己也被別人惡搞了,二者相抵消,所以兩個人滿意度收益都是
0
。由此我們可以列出兩人
單次博弈
的收益矩陣:
假設兩個人都選擇使用
純策略
進行博弈。如下圖,
縱著看收益矩陣
,可以看出,無論李四是否選擇惡搞,張三都會選擇惡搞以獲得更高的滿意度。而對於李四,他知道張三一定會選擇惡搞,所以他抱著“
我寧願小虧也不讓你血賺
”的心態,也選擇了惡搞。這樣雙方就達到一個
納什均衡
。
所謂納什均衡,就是指
博弈雙方處於非常焦灼的狀態
,都
不願意在當前的決策上做出改變
。從這一模型中,我們可以知道,
搞惡作劇其實是挺合理的一件事
。
上面的模型只是考慮了單次博弈的情況,實際情況中,張三和李四每年愚人節都要進行這樣的博弈。但是,經過幾次博弈以後,張三和李四發現,他們
都不惡搞的收益其實是比都惡搞的收益高
的(從收益矩陣中可以看出),所以他們進行了一次協商,
相互承諾下次一定不惡搞
了。
但是,李四知道,張三是出了名的無賴,他經常不信守承諾,所以,為了避免張三違約,讓自己吃虧,李四決定採用“
恐怖扣扳機
”策略,即李四一直保持信守承諾,不搞惡作劇,一旦張三出現一次違約行為,那在接下來的博弈中,李四就會撕破臉皮,開始惡搞。
作為李四的朋友,張三覺得
沒有人比他更懂李四
,他也料到李四會採取“
恐怖扣扳機
”策略來防範自己違約,所以,他需要對自己採取的策略進行權衡。
與前一個博弈不同,這是一個
重複博弈
。且結合實際,我們假設張三和李四每過一年都有一定的機率P出現“
友盡
”的情況,這裡“友盡”的含義是指雙方再也不聯絡,成為最遙遠的朋友(想想以前的發小,這樣假設還挺真實)。
如果張三選擇了違約繼續惡作劇,那麼他今年可以直接獲得收益
5
,但在以後的博弈中,李四“扣動扳機”,開始惡搞,張三被迫也得選擇惡搞,因此以後獲得的收益全都是
0
,所以
違約給張三帶來的總收益期望為5
。
如果張三選擇一直信守承諾,那麼今年他將獲得收益
2
,由於他在第二年
有(1-P)的機率和李四做朋友
,所以獲得的收益期望為
2(1-P)
,第三年還和李四做朋友的機率為
(
1-P
)2
,獲得的收益期望為
2(
1-P
)2
,依次類推,第n年獲得的收益期望為
2(1-P)n-1
。用
等比數列求和公式
,將無窮多項期望求和可以得出,信守承諾給張三帶來的總收益期望為
2/P
。
這樣一來,張三就可以得出“
違約的誘惑
”有多大。即,當張三和李四“友盡”的機率小於40%時,
2/P
大於
5
,信守承諾的收益要比違約的高。當張三和李四“友盡”的機率大於40%時,
2/P
小於
5
,違約搞惡作劇會有更高的收益。這告訴我們,
張三是否違約取決於他和李四“友盡”的機率
。
實際上,隨著時間的推移,張三和李四“友盡”的機率會越來越高,最終,張三一定會不裝了,他攤牌了,他是無賴。所以,他最後一定會違約,選擇對李四進行惡作劇,使博弈來到納什均衡點。這就解釋了
為什麼惡作劇遲早是會發生的
。
根據上面的分析,我們也明白了
為什麼臨近畢業,你和你的同學會開始放飛自我,各種整蠱惡搞。為什麼散夥飯往往會吃得很嗨。
為什麼經常會出現“爛尾”的情況。
畢竟:
惡作劇可能會遲到,但從不缺席
。
你以為你以為的就是你以為的嗎
惡作劇之所以能成功捉弄人,很大一部分原因是我們
對事物的辨別
出現了偏差,就像下圖,路人以為櫥窗中所放置的是模型,但其實是人假扮的。
要弄清為什麼人會在辨別事物時產生誤差,就需要我們先理清人在辨別事物時的流程。
假設你的面前出現了一隻哈士奇。首先,人眼會自動獲取哈士奇的影象。在獲取的過程中,由於人眼的自身特性,比如:只有
一定波長範圍內的光可見
,
視覺暫留
等,使得所獲得的影象被預處理。然後,影象被送到大腦,大腦根據自己的經驗記憶進行對照,從而識別出影象中的特徵,比如,
中二的表情
,
厚厚的毛髮
。最後,大腦根據所提取的所有特徵,對圖片中的事物進行分類,得出結論:這是一隻哈士奇。
識別流程示意圖(CNN)
我們使用這一模型,逐條分析是哪些因素導致我們對事物的辨別出現了問題。
首先,人眼
獲取
影象
,這一點很trivial(平凡),它的影響基本可以排除(星際玩家除外)。
其次,人眼自身的特性帶來的
預處理
。由於我們通常遇到的事物不會引發我們的各種視覺效應,所以,它的影響我們也不做考慮。
靜止還是運動?
然後是
特徵提取
,模型中指出,特徵提取所需要的是人的經驗與記憶,這是一個
長期接觸訓練
的結果。通俗來講就是,
只是因為在人群中瞅了你一眼
,
大機率會忘掉你容顏
。
如果在人群中多瞅你幾眼
,
就再也沒能忘掉你容顏
。
透過一次又一次的識別訓練,我們就能對事物的特徵有更加深刻的印象,從而在下一次遇見時,準確將它識別出來。這就告訴我們,
如果你被惡作劇的次數不夠多
,
那麼你就很難識別出一個惡作劇
。
最後是
分類
,這一步就相當於,我們
根據一個人腦袋大脖子粗
,
推斷他不是大款就是伙伕
。這裡存在一個這樣的問題,
我們只會將事物歸類到我們已知的事物型別中
,如果這個事物對你來說是船新的,那麼我們的判斷就會出現錯誤。
比如說,你看到一個人身著女裝,你會根據常識,自然而然地以為這個人是個女生。但是,他也有可能是位女裝大佬,只不過你可能之前沒有接觸過女裝大佬,大腦中
沒有儲存這樣的類別標籤
,所以大腦不會輸出這樣的結果。這告訴我們,
如果你沒有被惡作劇過
,
那你識別出惡作劇的機率幾乎為0
。
所以說,眼見不為實,
你以為你以為的就是你以為的
(請寫出每個“以為”的含義),實際上,
你以為的反而是你不以為的
。
物理雖頭禿但有用
透過前面的分析我們知道,惡作劇是必然會出現的,而且惡作劇是很難被識破的。所以,
既然惡搞防不住
,
為何我們不加入
?因此,我們選擇獻上物理知識,加入惡搞軍團。
阿偉就是其中的一位,他一直想用惡作劇嚇一嚇傑哥,好讓傑哥不敢再欺負他。於是他約傑哥到一座山上,說要分享一些好康的東西。
當時的情形是這樣的
傑哥應邀來到山頂,卻只見到阿偉站在懸崖邊的一棵樹的樹枝上,
我們
,
腳上綁了一根繩子
,拿在手上。傑哥感到十分奇怪,問到:到底有什麼東西,
繩子的另一端綁著一塊石頭
。
阿偉啥也沒說,先是
讓我康康
,然後
將手裡的石頭向一邊扔了出去
。傑哥被這一舉動嚇得拔腿就往山下跑去,邊跑邊喊道:
跳向了另一邊
!當傑哥跑下山時,卻看到阿偉安然無恙的在山腳下站著,以為是撞見了鬼,當場嚇個半死。阿偉成功地完成了惡作劇(
阿偉死了
)。
墜崖前側檢視
事實上,阿偉在這個惡作劇中分別使用了:
本故事純屬虛構,切勿模仿
,
稀裡糊塗突然墜崖計
,
拉格朗日方程計
。
石塊無法拉住人
阿偉在惡作劇前做了這樣的分析,通常來講,當石塊的重量比人的重量小時,單純懸掛著的石塊是無法拉住人的,人必然會下墜摔死。但是,阿偉在下墜前,將石塊扔了出去,這使
絞盤自鎖計
,進而帶來了一些奇妙的變化。
分析圖
假設石塊的質量是
初始條件發生了變化
,阿偉的質量是
m
,樹枝相當於是一根固定的杆,為了簡化問題,暫時
M
。如上圖,系統的廣義座標只有繩子與
不考慮繩子與樹枝的之間的摩擦
和
水平方向的夾角
兩個。因此,可以列出這樣的拉格朗日方程:
求解拉格朗日方程可以得到
繩子的長度
。由於這個方程比較複雜,所以,我們直接帶入初始條件(初始時繩子與水平方向的夾角為0)進行
石塊的位置隨時間的變化關係
。從數值求解的結果可以看出,當阿偉下墜時,
數值求解
。
數值計算結果
當繞的圈數增加時,樹枝就變成了一個
石塊會帶著繩子繞樹枝轉圈圈
。我們都知道,水手運用絞盤,可以用將很重的錨收起。這是因為
絞盤
。
絞盤
根據
絞盤藉助摩擦力能夠將一個很小的力轉化為一個很大的力
(
絞盤方程
),當繩子繞了很多圈後,石塊藉助絞盤會給阿偉提供了一個很大的拉力,進而形成自鎖,這使得阿偉能夠在落地前停下來,避免摔傷。
絞盤方程[5]
我們也可以用繩子一端綁著杯子,一端綁著螺母,做一個類似的小實驗,可以看到,杯子在落地前能穩穩地停住。
這就是阿偉的惡作劇成功的秘密,滿滿的都是物理。所以說,
Capstan equation
學好物理
,
。
在惡作劇這塊一定能拿捏的死死的
本文透過建模分析,運用
總結
,
博弈論
以及
卷積神經網路
,分別就是什麼、為什麼、怎麼辦,深入地分析了
理論力學
,
惡作劇出現的必然性
,同時也闡明瞭
惡作劇成功的原因
,有著深遠的啟發意義。
“初讀不識文中意,再讀已成文中人。”一出出惡作劇即將上演,你準備好入戲了嗎?
本研究在“老工具人了”基金的支援下完成。
參考文獻:
[1] Fudenberg, D。, & Tirole, J。 (1991)。 Game theory, 1991。 Cambridge, Massachusetts, 393(12), 80。
[2] 舒幼生。 力學[M]。 北京:北京大學出版社, 2005。
[3] 楊維紘, & 秦敢。 (2014)。 力學與理論力學。 Ke xue chu ban she。
[4] 周志華。 (2016)。 機器學習。 Qing hua da xue chu ban she。
[5] 絞盤方程
物理知識在惡作劇中的重要作用