Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

法学硕士预测我的咖啡

Posted on 2026-03-19

编程、数学,什么都行。法学硕士能预测物理实验的结果吗?

假设我将 8 盎司(226.8 克)沸水倒入一个重 1.25 磅(0.57 千克)的陶瓷咖啡杯中。环境空气静止,温度为 20 摄氏度。杯子初始温度为室温。请写出一个方程,表示水的温度随时间(以摄氏度为单位)的变化。方程中唯一的自由变量应该是自倒水以来经过的秒数 t。重点关注前 5 分钟的精确度。

这很难吗?我觉得很难。相关的物理现象至少包括:

  1. 水、杯子、空气和桌子之间的热传导。
  2. 这些物体内部的热传导。
  3. 水和空气内部的对流(流体运动)。
  4. 水分子蒸发变蒸气体时会产生蒸发冷却效应。
  5. 空气中水蒸气的运动。
  6. 辐射。(和所有物质一样,杯子和水都会发出与温度相关的红外辐射。)
  7. 表面张力、热胀冷缩、水冷却时空气重新被水吸收,可能还有更多因素。

题目中没有明确说明很多细节。杯子是瓷的还是陶的?杯子的形状是什么?桌子是什么材质的?空气湿度如何?我该如何将空间变化的水温简化为一个单一数值?

所以,这不是一个可以通过思考找到“正确”答案的问题。现实远比这复杂。相反,回答这个问题需要“判断力”——猜测哪些因素最重要,对缺失的细节做出假设等等。

所以我向一些法学硕士提出了这个问题。以下是他们的回答:

(严格来说,他们给出的方程式是文本形式。我正在绘制这些方程式的图像。)

那些曲线图让我很惊讶,无论是他们预测的温度在开始时下降得如此之快,还是预测的温度在后期下降得如此之慢。他们认为最初几分钟的降温幅度与接下来一小时内的降温幅度相当。这真的对吗?

然后我开始做实验。首先,我等到环境温度恰好达到20摄氏度。接着,我往量杯里倒入8盎司水,用微波炉加热至沸腾,让温度稍微稳定一下,然后再用微波炉加热至沸腾。之后,我把沸水倒入一个1.25磅重的咖啡杯里,杯子里放着一个数字温度计,我每隔五秒钟就喊出温度读数,而“动力生物学家”则疯狂地记录着这些读数。之后,我逐渐将测量间隔缩短到每15秒、30秒、1分钟,最后是5分钟。

请看:

或者,这里是前五分钟的放大视图:

所有预测都还行,但没有一个特别出色。克劳德4.6 Opus的预测可能最好,尽管它消耗了价值0.61美元的代币。(此处可插入关于物理实验/国防部/金钱/咖啡的笑话。)

话虽如此,预测结果最让我惊讶的是,温度在最初几分钟内下降得如此之快,之后下降得却如此之慢。但实验结果显示,温度在早期下降得更快,到最后甚至下降得更慢。所以,如果要把我的直觉和线性模型结合起来,我想我的直觉权重应该为零。

总之,他们或许能学会我们的数学,但要学会我们的精细动作控制能力,则需要更长的时间。感谢您阅读这篇关于初中科学项目的文章。

(附录:方程式)

以下是所有模型给出的T(t)的实际方程,即t秒后的预测温度。

法学硕士 T(t) 成本
Kimi K2.5(推理) 20 + 52.9 exp(-t/3600)+ 27.1 exp(-t/80) 0.01美元
Gemini 3.1 Pro 20 + 53 exp(-t/2500) + 27 exp(-t/149.25) 0.09美元
GPT 5.4 20 + 54.6 exp(-t/2920) + 25.4 exp(-t/68.1) 0.11美元
克劳德 4.6 作品(推理) 20 + 55 exp(-t/1700) + 25 exp(-t/43) 0.61美元(哎呀)
Qwen3-235B 20 + 53.17 exp(-t/1414.43) 0.009美元
GLM-4.7(推理) 20 + 53.2 exp(-t/2500) 0.03美元

有趣的是,它们都基于一个或两个指数衰减项。理解这些函数的方法是将exp(-t/b)看作一个函数,当t为零时,该函数值为 1,然后逐渐减小。经过b秒后,它降至 1/e ≈ 0.368,并且每隔b秒以 0.368 的因子继续减小,直至永远。

所以大多数这类温度计都有“快速加热”模式,用于测量水的热量传递到杯子中的速度,以及“慢速加热”模式,用于测量水/杯子的热量传递到空气中的速度。少数型号没有快速加热模式。我还试过DeepSeek和Grok,但他们只是漫无目的地瞎折腾,始终没有给出任何答案。更“贴心”的是,他们还收了我的服务费。

原文: https://dynomight.net/coffee/

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Alin Panaitiu
  • Anil Dash
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Big Technology
  • Bits about Money
  • Brandon Skerritt
  • Brent Simmons
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • eighty twenty
  • Elad Gil
  • Ellie Huxtable
  • Ethan Dalool
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • HeardThat Blog
  • Henrique Dias
  • Herman Martinus
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Li Haoyi
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Maggie Appleton
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mind Matters
  • Mostly metrics
  • Naval Ravikant
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • PostHog
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Rohit Patel
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Slava Akhmechet
  • Small Good Things
  • Steph Ango
  • Stephen Wolfram
  • Steve Blank
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • Wes Kao
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2026 搞英语 → 看世界 | Design: Newspaperly WordPress Theme