Natural Science & AI · Path
從牛頓定律到神經網路，人類始終在做同一件事：建立模型，理解已知，預測未知。
科學嘗試用可驗證的模型解釋與預測世界；當現象過於複雜、難以寫成完整方程式時，資料驅動模型與 AI 成為另一種逼近世界的方法。
六個階段 · 真實案例 · 三個動手實驗 · 再接上 AI 歷史
01
觀察與定律
從重複現象中找到規律，用數學描述世界。
物體為什麼落下？行星為什麼沿軌道運行？
02
模型簡化
透過假設與抽象化，把真實世界變成可計算的問題。
為什麼「不完全真實」的公式仍然有用？
03
預測邊界
測量誤差、混沌、複雜度與不確定性都限制了預測。
知道規則，為什麼天氣仍然算不準？
04
決定論→機率
預測也可以是分布、平均值、可信區間與風險。
丟硬幣無法保證下一次，科學還能預測什麼？
05
方程式→資料
當規則難以手寫，機器從大量案例中近似規律。
無法寫出規則時，能不能直接從案例學習？
06
AI for Science
理論、資料與 AI 共同用於模擬、預測與發現。
AI 能只是預測，還是也能協助發現新規律？
∥ 旁支
星象旁支：兩河占星 × 中國紫微
科學主線之外，人類也曾用星象與命理系統預測未來——可拆成規則與資料結構。
在科學方程式出現之前，人類如何用另一套系統預測未來？
先校正一個說法
科學家透過可觀察、可測量、可重複驗證的方法，建立能解釋與預測自然現象的模型。科學不只是預測——它同時描述、解釋、預測、檢驗，並在可能時嘗試控制或改變結果。
階段 01
核心問題：物體為什麼落下？行星為什麼沿軌道運行？
人類觀察日月星辰、物體落下與季節變化，逐漸相信自然並非任意發生，而是遵循可以描述的規律。科學的重要任務之一，就是把觀察轉化成模型，再用模型解釋過去、預測未來。
早期自然科學最大的信念是：自然現象背後存在規律，只要找到正確的定律，就能推算未來。
核心不是背科學家名字，而是理解方法：先提出簡化假設，再用數學建立模型，最後拿觀察驗證。
先提出簡化假設 → 用數學建立模型 → 拿觀察驗證。
真實案例
旁支 · 不在六階段主線內
核心問題：在科學方程式出現之前，人類如何用另一套系統預測未來？
「想降低對未來的不安」這件事，並不是現代科學才有。兩河流域與中國各自發展出高度結構化的預測系統：把可觀察的天象、曆法與出生時刻，對應到人間事件的解釋框架。
這條旁支不是要證明星座或命理「科學上正確」，而是承認：它們同樣是人類建造的預測模型——只是檢驗方式、證據標準與現代自然科學不同。
同一種動機（預測未知），兩種路徑：可重複驗證的自然模型，與象數／規則對應的象徵模型。課程裡兩者都能拆成「輸入 → 規則 → 輸出」。
兩河流域 → 西方占星
中國 → 曆法與紫微斗數
| 對照 | 自然科學模型 | 星象／命理系統 |
|---|---|---|
| 想解決的事 | 解釋／預測自然現象，並用實驗檢驗 | 解釋人生處境、時機與關係，降低不確定感 |
| 輸入 | 可測量變數（速度、溫度、像素……） | 天象位置、出生時間、干支、宮位配置 |
| 模型長怎樣 | 方程式、統計、學習到的參數 | 象數對應、查表、格局 if-then 規則 |
| 怎樣算「對」 | 可重複觀測、可被推翻（證偽） | 敘事是否說得通、社群是否採信、事後是否覺得應驗 |
| 和 AI 課的接點 | 損失、泛化、實驗驗證 | 規則引擎、特徵編碼、過擬合與後驗合理化 |
真實案例
階段 02
核心問題：為什麼「不完全真實」的公式仍然有用？
科學家並不是把真實世界完整搬進公式，而是先決定哪些因素重要、哪些可以暫時忽略。這些假設明明不完全真實，卻可以讓模型變得可計算，也能在一定範圍內提供準確預測。
例如研究拋體運動時，可能先假設：沒有空氣阻力、重力固定、地面平坦、物體是一個質點。
AI 模型同樣是模型，不是現實本身——它也在做取捨與簡化。
模型之所以有用，不是因為它完全等於現實，而是因為它保留了當前問題最重要的結構。
真實案例
先理想拋物線，再打開阻力／風
模型愈簡單，愈容易計算；愈接近真實，通常愈複雜。打開阻力後，落地點就偏離理想拋物線。
階段 03
核心問題：知道規則，為什麼天氣仍然算不準？
就算有方程式，也不代表能長期準確預測。極限至少有四種——它們說明：有方程式，不代表能長期準確預測。
即使方程式存在，也不可能精確知道整個系統每一個位置的初始狀態。
流體、氣候、生態：知道局部規律，整體互動仍可能難以直接計算。
混沌系統並不是沒有規則，而是微小測量誤差會隨時間迅速放大。
有些結果只能用機率描述——不是因為儀器不夠好才無法知道。
科學模型不是現實本身，而是針對特定問題所做的簡化。
真實案例
Logistic map：規則完全確定
規則完全確定，兩個幾乎相同的起點卻可能快速分叉——所以「有方程式」仍可能無法長期準確預測。 （r 靠近 4 時混沌更明顯。）
階段 04
核心問題：丟硬幣無法保證下一次，科學還能預測什麼？
科學後來發現，不是所有現象都適合預測「下一次一定會發生什麼」。於是從預測單一事件，擴展到預測機率、分布、平均值、可信區間與風險。
例如：丟硬幣無法保證下一次正反面；氣體中的單一分子運動難以追蹤；放射性衰變只能描述發生機率。
這會直接銜接機器學習裡的分類機率、Softmax、不確定性估計與誤差／信心。
預測不一定是指出唯一答案，也可以是描述各種結果出現的可能性。
真實案例
階段 05
核心問題：無法寫出規則時，能不能直接從案例學習？
當系統太複雜、規則難以完整寫出，或資料量大到人類無法手動整理時，研究者開始讓機器直接從案例中尋找模式。模型不一定知道現象為什麼發生，卻可能學會預測在什麼條件下會發生。
傳統方式：先理解機制 → 寫出方程式 → 帶入條件 → 計算結果。
機器學習：蒐集輸入與結果 → 從資料找出映射關係 → 預測新案例。
這不是「科學失敗了」，而是另一種逼近世界的方法。
真實案例
同一批點，換三種判斷方式
正確率：100%綠框＝對，紅框＝錯
規則難寫時，就改從案例學習——這正是通往 AI 歷史的橋。下一步可進實驗室玩神經元與多層 XOR。
| 對照 | 傳統科學模型 | 機器學習模型 |
|---|---|---|
| 怎麼建模 | 人先提出方程式 | 模型從資料調整參數 |
| 優先目標 | 強調機制與因果 | 常先追求預測表現 |
| 參數意義 | 參數通常有物理意義 | 參數可能難以直接解釋 |
| 推理方式 | 可在理論範圍內推導 | 容易受訓練資料分布限制 |
| 資料需求 | 資料較少也可能運作 | 通常需要較多資料 |
階段 06
核心問題：AI 能只是預測，還是也能協助發現新規律？
AI 並沒有讓科學方法失效。相反地，它成為新的觀測、建模與推測工具：協助處理巨大資料、近似昂貴模擬、尋找候選規律，再透過實驗與理論驗證。
重點不是「傳統科學不行了，所以換成 AI」，而是三種路線並存。
已知自然定律，直接計算——拋體、電路、行星軌道、熱傳導。
機制難寫全，但有大量資料——影像／語音、房價、異常偵測。
科學知識 × AI——AI 天氣預報、蛋白質結構、材料／藥物、PINNs、數位孿生。
AI 是科學工具的延伸，不是科學方法的取代。
真實案例
總結流程
旁支提醒：在這條科學主線之外，星象／命理是另一套「輸入→規則→敘事」的預測系統，可連到 星象旁支。