一项最新分析给出的数字是：如今全球气温，每十年上升约 0.35 摄氏度。
而在上世纪 70 年代，这个数值大约只有现在的一半。
换句话说，变暖不是匀速的，是在加速。
这个结论并非所有人都买账，原因也众说纷纭。
雷丁大学大气科学家劳拉・威尔科克斯解释，这项研究最关键的一步，是把全球气温观测数据里的自然波动全部剔除 —— 海表温度、火山喷发、太阳活动变化带来的短期起伏，都会盖住长期信号。



大概十年前，学界还在热议所谓 "全球变暖停滞期"，后来大家才意识到，仅凭短短几年的数据，推断不出长期趋势。
这次的不同之处在于，研究用滤波方法把噪声滤掉之后，第一次在统计意义上证实：变暖速率本身发生了显著变化。
听上去只是 "变化速率变了"，但背后藏着一个要命的问题：这种加速是长期的，还是暂时的？
二、空气变干净，怎么反倒成了升温的推手？劳拉团队去年发表过一项研究，给出一个反常识的解释：东亚这些年大力改善空气质量，清除了大量大气颗粒物，结果反而助推了近期的升温。
道理不复杂。
空气中的细颗粒物能反射一部分太阳辐射，相当于给地球盖了层薄遮阳布。
这些颗粒物被清掉之后，温室气体原本造成的升温效应，就直接露了出来。
劳拉强调，净化空气绝对是好事，必须继续做。



但要承认一个事实：颗粒物本身不制造变暖，它们只是把温室效应盖在了下面。
这就引出一个关键判断：如果这轮加速主要来自空气治理，那它大概率是暂时的。
可如果气候对二氧化碳的敏感度，比我们之前估的还要高，那升温提速就是长期趋势。
另一个更让人担心的因素，是甲烷排放。
一部分来自工业排放 —— 二氧化碳还在涨，甲烷跟着涨。
还有一种推测：全球持续升温导致永久冻土融化，土里封着的天然甲烷被释放出来，这就是所谓的 "正反馈"。



一旦走到这一步，变暖就会自己催着自己走。
要分清到底是哪种原因，办法只有一个：跑气候模型。
劳拉团队去年就是用 10 套不同模型做对照，所有模型都印证了 "空气净化会带来额外升温"，估出来的幅度也彼此接近。
接下来，海温变化、云层改变、甲烷增加这些变量，都得用同样的办法逐一验证。
三、新冠起源：基因序列给出的答案聊完气候，节目把话题切到了新冠。
疫情暴发时，实时基因组测序是头一回在大流行病中派上用场。
科研人员一边读 SARS-CoV-2 的基因序列，一边追踪变异株演化。
主流观点认为病毒是经武汉一家生鲜市场的动物传人，但 "实验室泄漏" 的怀疑一直没断。
加州大学圣地亚哥分校的乔尔・韦特海默，刚刚在《细胞》期刊发表了一项研究：通过比对病毒在疫情前后的演化速度，用基因组本身来检验这个猜想。
他们的办法，是先拿 2013 年西非埃博拉疫情做校准。
1976 年人类就出现过扎伊尔型埃博拉感染，但西非那次规模远超以往，而且发生在一块此前从未出现过埃博拉的区域。
研究团队把疫情前的突变模式，和 1976 年以来其他所有埃博拉疫情前期的突变模式做了对比。



病毒突变分两类：一类会改变蛋白功能、影响病毒适应性；另一类叫 "沉默突变"，不改变任何生物特性。
两类突变的比例，能告诉我们病毒在进入人体之前，是不是已经被 "定向改造" 过。
结论很干净：埃博拉在传给人类之前，没有任何异常迹象。
可一旦进入人体、开始人际传播，演化节奏像按下开关，立刻转向适应人类宿主的方向。



用同一套方法去看 SARS-CoV-2，结果是：它在进入人体之前，突变类型和演化速率，和普通蝙蝠冠状病毒完全一致。
直到跨进人体那一刻，突变模式才切换成适应人类的样式。
之后一个又一个变异株接连出现，那才是人体里的适应性演化。
研究团队还专门拿 H5N1 禽流感在雪貂体内连续传代的 "功能获得型实验" 做过对照，这套方法足以识别人工传代留下的痕迹，连麻疹、腮腺炎这类疫苗减毒传代都能认出来。
可在 SARS-CoV-2 的基因组上，什么人工改造的印记都没找到。
一句话：感染人类之前，它就是个蝙蝠病毒。
这项研究也给后来的疫情防控提了个醒 —— 动物病毒根本不需要完美适配人体，只要能感染一两个人、站稳脚跟，后续演化就能把它一步步改造成人传人的病毒。



四、十年前那步 "臭棋"，开启了 AI 的时代节目后半段，把时间拉回 2016 年。
那年李世石坐在棋盘对面，输给了一套叫 AlphaGo 的程序。
和 20 年前卡斯帕罗夫输给 IBM"深蓝" 完全不同：深蓝靠的是人类一行行写规则、暴力穷举；AlphaGo 是自己学出来的。
今天请到现场的托里・格拉波尔，当年就在 DeepMind 团队里，本人也是围棋棋手。
他回忆，项目启动时国际象棋早被 AI 攻克，围棋却是没人啃得动的硬骨头 —— 规则极简，变化却无穷。
五番棋第一局赢了，但被历史记住的，是第二局那步 "第 37 手"。



当时解说员、职业九段迈克尔・雷德蒙德把这步棋摆上棋盘，第一反应是：这是步臭棋。它完全背离人类棋手的常规思路，棋型新颖得出乎所有人意料，可实战效果又好得惊人。
新颖、出人意料、有效 —— 这三点，正是创造力的标志。
李世石赛后说，他原本以为对手只是台冰冷的机器，看到这步棋之后改了主意：AlphaGo 确实有创造力。
格拉波尔用卡尼曼的 "快思考、慢思考" 打比方：AlphaGo 先用神经网络练出一套近似人类直觉的系统，扫一眼棋盘就知道这局面大概是优是劣；同时再推演后续变化，选出最优落子。
快慢两套推理互补，这是它和早年国际象棋 AI 最根本的区别。



五、AI 已经把目光对准了数学家第 37 手之后，AI 进军的下一个领域是数学。
节目嘉宾、巴斯大学数学教授基特・耶茨说得直白：国际象棋、围棋终究是有边界的问题，AI 已经稳赢人类。
纯粹数学不一样 —— 规则虽然固定，可提出的问题在广度、深度、多样性上没有上限。
目前的数学 AI，大概相当于几十年前的国际象棋 AI：还没到独立证明一道人类证不出来的定理那一步，但不少人，包括陶哲轩，都认为这一刻不远。
最近一条相关新闻是：数学家团队联合 Math Inc 推出的推理模型 "高斯（Gauss）"，把 2022 年菲尔兹奖得主玛丽娜・维亚佐夫斯卡的球堆积证明，做了形式化验证。
球堆积问题研究的是：二维平面里的圆、三维空间里的球，怎样排才最紧密、空隙最小。
二维三维的解早就有了 —— 水果店堆橙子就是三维的最优摆法。




维亚佐夫斯卡真正拿下的，是 8 维和 24 维空间的解，这是人类第一次在高维空间把这道题做出来。
原本一个团队要花好几个月核验的证明，AI 几天就跑完了。
所谓形式化验证，就是把所有前提、已证定理一步步输进系统，哪一步逻辑不成立，系统直接报错。
这办法既能约束 AI 不 "取巧"，也能反过来训练它分辨对错。
六、最后说个小惊喜：蚂蚁会用月亮导航聊了半天超越人类智慧的 AI，节目收尾落在一种小虫子身上 —— 夜间觅食的公牛蚁。
生态学家早就知道这类蚂蚁靠月光认路，但一直没弄清机制。
靠月亮导航难度极高：月亮在天上会动，每晚的轨迹还不一样。
对一只急着回巢的蚂蚁来说，月亮可能在巢穴左边，也可能在右边。



实验结论是：它们自带一套 "时间补偿型月球罗盘"。
蚂蚁会先观察月亮移动的速度，估算月亮和巢穴的相对夹角。
比如出发时巢穴在月亮右侧 20 度，观察几小时算出月亮每小时移动 10 度；四小时后准备返程，巢穴就该在月亮左侧 20 度，它朝着这个方向走，就能准确回巢。
把超级 AI 演算和一只蚂蚁的本能放在一起看，某种意义上是一回事 —— 都是在没有地图的黑夜里，找到回家的路。