人類如何預測世界？

階段 01

從觀察到定律：世界可以被計算嗎？

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。

階段 02

模型如何成立：先捨棄現實的一部分

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。

階段 03

預測的邊界：知道規則，為什麼還算不準？

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。

科學模型不是現實本身，而是針對特定問題所做的簡化。

階段 04

從確定答案到機率：無法預測單一結果，還能做科學嗎？

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。

階段 05

從方程式到資料：機器能不能自己找到規律？

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。

階段 06

AI for Science：讓模型協助人類發現規律

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。

AI 是科學工具的延伸，不是科學方法的取代。