我们这一代人，完整地见证了互联网的崛起和信息时代的到来。时至今日，每个人都离不开智能设备，连同我们的父母辈甚至祖辈，都被社交平台的信息裹挟。
那么这一切到底是怎么发生的？
机器学习和人工智能的迅速发展，给无论是什么行业的普通人带来了一点震撼。即使钝感力再强，也该意识到，我们或多或少需要提高一下对信息技术的了解。
对比一下今天的世界和十年前的世界，是否感到再不跑快点，就要被抛弃？
反正我是这么觉得的。
>>>信息、熵与不确定性延续本系列第一篇的思路（思维方式|重建正确的学习系统），首先要分清楚数据、信息和知识的区别。在信息论的体系下，我认为大多数人理解的“信息”，其实是数据——一张图片、一组数字、一段文字，以各种形式触达你的，统统被理解为“信息”。“在这三十年间，信息极大地释放了人类的能量，它所创造的价謾n酥拔迩甑牟聘蛔芎停畔ⅰ廊皇歉龃蠹叶炷芟耆从趾迥：拇省！薄拙�1948年，美国人克劳德香农（Claude E. Shannon）发表论文《通信的数学理论（A mathematical theory of communication）》，提出信息和比特(bit)的概念，为信息论的发展奠定基础，影响延续至今。按照这位天才的理论，信息的定义是“事物运动状态或存在方式的不确定性描述”，且他认为信息具有物理属性，可以被测量，测量单位就是比特。我来翻译一下：能使某件事物的不确定性减少的，即为信息。而如何去度量，则与接收者的观察角度有关，与信息传播的形式无关。举个例子，假如你不知道太阳从哪边升起，而我告诉你是从东边，此事对于你来说，从不确定变成确定，那么我提供给你的就是信息。一个更为准确的例子是，我告诉你太阳不是从西边升起的，这种情况对你来说，从东南西北皆有可能变成仅东南北有可能，不确定性有所减少，那么我提供给你的也算信息。然而对我来讲，我本身就知道太阳从东边升起，那么无论你告诉我关于此事的什么内容，都不会减少我对此事的不确定性，你告诉我的就不是信息。至于熵，是一个与信息数量相等、意义相反的概念，它描述的是事件不确定性的可能数量。获取信息就相当于消除熵。你也许听说过“熵增定律”，说事物总是朝无序状态发展，实际上这对熵的理解有误——熵描述的是不确定性的数量，而不是无序的程度。比如房间总是会乱，而很少整洁，不是因为东西就是倾向于无序，是因为房间乱的可能形式比整洁的形式数量要多得多。熵的概念，给我们理解世间万物发展规律提供一个很牛的角度，浅埋个伏笔。总之，数据可能是信息、也可能是噪音（没有减少不确定性的描述），信息必须能使接收者的熵（不确定性的数量）减少，而知识是输入信息与输出信息之间的规律，通过压缩大量信息习得规律的过程就是学习。
>>>如何计算信息量信息是个可以衡量的物理量，类似质量、温度等等，比特就是信息量的单位。衡量信息的方法也可以参考质量的定义：千克(kg)是选定一个参照物设定的，其他东西的质量就相当于多少(m)个参照物，那么我们就知道该物质重m kg。同理，设定参照事件的不确定性为a，待测事件的不确定性为b，计算出b等于几个a，那么就可以定义待测事件的信息量。其中，参照事件为50%等概率事件（理解为抛硬币，正的概率=反的概率=50%），这就是1比特的定义。那么，怎么计算一条信息有多少比特？如果是质量那样的线性关系，通过b=ma的反函数就可以算出m了，即m=b/a; 然而抛掷硬币的次数与可能结果的个数之间是指数关系，例如抛掷3次硬币可能产生8种结果，即8=23, 那么反函数就是对数函数，即b=log2a（均匀分布）
举个例子，某道问题的答案是ABCD中的一个，不确定事件（熵）共4个，那么正确答案的信息量为log24=2 bits 两比特。需注意的是，不确定事件必须为等概率事件（答案是A的可能性为25%，B、C、D的概率也分别是25%），因为参照事件是等概率事件。
如果不确定事件存在不同概率，那就分别计算每个事件的信息量后乘以对应概率后相加（就是加拳），总之公式是：给定不确定事件分别为X1、X2、X3....共n项，各事件的概率分别为P1、P2、P3.....Pn, 则能使该事件确定的信息量Y为：
（一般分布）以上，就是信息量的计算原理，用于表示信息的不确定性程度。#参考资料：1. YJango@bilibili 学习观系列10、10.5、11（公众号、知乎同号）2. 维生素E@小宇宙 《第四期 思维方式：信息与计算》3. 科言君@知乎 《香农的信息论究竟牛在哪里》（原文发表在公众号，找不到）