信息科技学科核心概念梳理

1 存储转发：网络的基础

核心概念

存储转发

计算机网络最基本的技术基础，核心有二：存储与转发。发到中转站被抄录留存，再由下一站重新发出，逐次抄录、接力传递。

清朝末年的有线电报网，松江→嘉兴→杭州，就已采用存储转发。

与驿站驿马接力的本质区别：实物流（荔枝）原物不变，信息流（电报）是逐站抄录重发——信息的传递与实物的传递不一样。

分包转发

数据包太大，工程上无法一次性传输，必须分包：一份电报分成1/2、2/2、3/3等分片发送，接收端再拼接。

当网络出现多路径后，分包后的多个数据包不可能沿相同路径到达，到达顺序可能变为1342、4321——因此必须做两件事：

编号——发送时分包编号，接收时按编号重组
缓存——接收端存够所有分片后才能组装使用

缓存大小决定流畅性：存得越多越保险，但时延增长；存得太少则信息未到已用掉，产生抖动。

流媒体

流媒体的底层逻辑

流媒体（约2003年出现）的基本思想：无需等整个文件下载完，先拿到前15秒开始播放，边播边下载，看过的数据即丢。

所以，流媒体的流畅体验与分包转发的缓存机制密切相关——太晚会丢弃，太早未到则等待缓冲。

核心认知

网络传输的本质是"存储→转发→存储→转发"的接力过程，理解这一点是理解所有上层概念的基础。

2 多路径与路由选择

路径决策

从C到F有若干条路径，凭什么决定走哪条？以清末电报局为例：嘉兴方向积压12封电报要发，苏州方向空闲，舟山只有2封——

选择：先丢到空闲方向（苏州），让它再想办法转出。依据"当前流量"决定路径分配。

更进一步可根据预测流量提前做决策：知道每天下午4点苏州有固定业务，3点45分开始不发苏州方向，转而发其他方向——目标是实现全网流量均衡。

现实的困境

理论上的多路径在现实中困难重重：

国内到美国洛杉矶的最短路径经上海→太平洋光缆；这条路径极其拥塞
其他路径虽存在（经俄罗斯、欧洲、东南亚），但更长、更慢、更拥塞
用户接触的都是接入网而非主干网——运营商关闭用户与邻居之间的互通线路，不存在邻居间互相转发的可能

近因：城域网关口中"最短"那条路只有一条，多路径提供的只是"实在连不上时的涓涓细流"。

3 网络分层思想

设计思想

分层是一种思维方法

分层思想的核心不在于分几层、每层叫什么名字，而在于：把一个业务流程横向切分成一层层独立的层次，每层解决一个问题。

每层都建立在下层的能力之上，又为上层提供能力——下层为其提供能力，它再为上层提供新能力。

分层的好处：每层独立、可替换、可独立发展。底层物理层从有线到光纤到无线，变化巨大，但上层全然无感。

分层会降低整体性能（每层都做存储转发），但换取的是巨大的工程可维护性——价值的源头在于思想，而非某个具体协议。

三个易混淆词

词语	含义
互联网	网络与网络连接的技术（小写internet）
因特网	那张具体的大网（Internet）
万维网	Web，是互联网上的一个应用，不是全部

非专业语境常混用，但专业视角必须分辨。

HTTP

HTTP：超文本传输协议

Hyper不是"超级"，而是超链接——文本与文本通过链接互相联系形成文本网络。单个文章没有价值，链接起来才有价值。

HTTP的无连接特性：

浏览器与服务器建立连接 → 获取数据 → 连接立刻断开
页面中每个图片、样式表都要重新敲门请求
十几个图片就要敲十几次门，建立十几次连接

为什么？服务器为了尽可能多地响应不同浏览器的请求，不能让某条连接一直独占。设计思想：在有限资源下尽可能响应更多请求。

Cookie：解决"无连接"下的身份识别

无连接的状态下，服务器无法知道第二次敲门的人与第一次登录者是同一人。

1997—1998年出现Cookie方案：

服务器验证用户名密码后，后台记录编号（9527）
在发给浏览器的数据中附带编号，浏览器本地存入小文件（cookie）
之后每次请求带上这个编号，服务器认出你

Cookie很小，基本记录三个信息：属于哪个服务器、编号是什么、什么时间到期。

HTTPS：加密的安全传输

互联网最初是科学家之间的纯学术工具，全部明文、完全透明——咖啡馆黑客用笔记本连接同一WiFi，即可捕获所有数据包。

HTTPS只是在HTTP的基础上，在浏览器与服务器之间采用公开的加密方式（密钥是双方私有的、协商的）进行传输。

教学上只需一句话：HTTPS与HTTP协议本身没有区别，唯一区别是传输过程中数据是否加密。

HTML

HTML：一维文本的二维呈现

HTML本质是一维线性的文本流——页面看着像二维丰富图形，其实是标记符号嵌入在文本当中来描述结构。

其核心设计思想：数据与表现分离（样式与格式分离）。HTML文档只说明"这是什么内容"，至于显示成什么样，由单独的样式数据来定义。

一维数据流如何产生如此丰富的视觉表现？这背后是一个值得深思的哲学问题。

4 物联网与无线传感网

WSN

无线传感网

利用无线通信技术（ad hoc多跳网络），把分布在一定范围内的传感器数据收集到计算机系统。核心研究：

路由算法——如何选择路径
能量均衡算法——如何让网络寿命更长

能量问题：敦煌几千个洞窟内放置温湿度传感器，不可能拉电线，只能电池供电。若2000个传感器每月换一次电池，意味着每天都要换——所以必须睡觉（节能），必须工作时才醒来。

能量均衡

"一会儿找李老师，一会儿找沈老师，一会儿找王老师——不能让一个人累死。"

路由策略必须考虑能量均衡：每次从S节点出发的数据经过不同节点中转，不能让某几个节点耗电过快。

MQTT

MQTT：发布—订阅模型

物联网数据采集的四种历史方案：裸数据服务器（已过时）→ Web服务器伪装（代码复杂）→ MQTT（当前主流）→ 未来新方案。

MQTT是开放的、开源的、业界最流行且技术最成熟可靠的协议。其核心模型为发布订阅：

发布者把数据发给代理（服务器），订阅者事先订阅了该话题，代理将消息推送给订阅者
发布者和订阅者互不认识——通过中介者（代理）解耦

两个核心概念

① 低耦合——发送者不需要知道接收者是谁，只把数据交给中间人（代理），避免"从出生就绑死"的强依赖。

② 异步——发完数据就转身不管，不等待接收方回复；代理后续推送给订阅者，什么时候收到与发送者无关。

注意：双向通信的设备（又发数据又收指令）需要两个身份——发布数据和订阅指令各是一套身份。

5 人工智能的核心观点

AI定位

人工智能的基本理解

以机器（计算机）为载体去实现人类智能或生物智能。两个核心问题：

机器（计算机）如何产生
如何用计算机来模拟智能

当前计算能力提升靠群体——单个器件的性能提升已到瓶颈，靠的是多设备、多芯片堆叠。

机器学习的本质

机器学习 = 用算法解析数据、不断学习。两大核心任务：

预测——根据已有数据预测后续（如天气预报）
分类——把人脸识别归类到某一类别（本质上也是分类）

传统编程：程序员写规则 → 计算机依照规则计算。

机器学习：程序员写"能学习的程序" → 通过数据学习建模 → 在模型上做推理。

ChatGPT：并不是无中生有

ChatGPT所用的一切基础技术（深度学习、芯片原理、注意力机制、自然语言处理等）都在它出现之前早已成熟。区别在于：

① 大规模的数据应用（45TB数据、一万亿个单词）

② 创新的组合方式

③ 资本门槛：约10亿人民币（一万张英伟达V100芯片），使得复现成为不可能

对从业者的影响：小型实验室的论文被拒理由是"现在有了这些，你们的小规模研究已经不值得做了"——这极大地影响了科研生态。

涌现现象

当数据量累积到一定程度后，模型突然"变聪明"了——这就是涌现。

但我们观察到这个现象，并不知道它为什么发生，它目前并不是一个可以被计算、被评估的过程。

6 机器学习与算法 · 三个经典案例

案例一：解方程 x²+x−6=0

数学解法：因式分解 → (x−2)(x+3)=0 → x=2 或 x=−3

计算机算法（枚举法）：估计范围[−10,10]，以0.01精度跑循环逐一尝试——利用计算机"不知疲倦地重复"的优势。

计算机算法（二分法）：取两个端点检查符号，不断丢一半，log₂(n)次收敛——比枚举更高效。

牛顿迭代法：从猜测值出发，做切线求与坐标轴交点，反复逼近真解。每轮迭代公式：X₁ = X₀ − f(X₀)/f'(X₀)

数学方法直接算出答案；计算机方法通过大量重复逼近答案——二者思路完全不同。

案例二：英尺→米的线性换算

任务：已知一个线性关系 Y = aX，两个样本：2.3英尺→0.701米，12.6英尺→3.840米，求a。

数学法：直接做除法 → a = 0.701/2.3 = 0.305，验算第二个数据吻合，问题解决。

机器学习法：

先猜 a=0.5 → 代入数据算得 Y=1.15，误差 = 1.15−0.701 = 0.449（正误差）
再猜 a=0.1 → Y=0.23，误差 = 0.23−0.701 = −0.47（负误差）
说明答案在0.1到0.5之间 → 猜 a=0.3 → 误差 = 0.011，可接受 → 得到答案

机器学习的典型过程：猜初始参数 → 计算输出 → 对比误差 → 调整参数 → 误差下降 → 收敛。

案例三：毛虫 vs 瓢虫分类

任务：用两个特征（宽度、长度）区分毛虫与瓢虫。已知：瓢虫宽度大、长度小；毛虫长度大、宽度小。

目标：找到一条分界线——线的一侧是毛虫，另一侧是瓢虫。

关键在于：如何通过误差调整斜率a

先猜一条线 a=0.25 → 在样本点（宽度3.0）处输出 Y=0.75，期望值T=1.1
误差 E = T − Y = 0.35
推导：Δa = E/X = 0.35/3.0 = 0.1167
新斜率 a' = 0.25 + 0.1167 = 0.3667

核心区别：数学用除法直接得到系数；机器学习用误差的加减运算调整参数。

学习率

第二个数据出现后，新斜率被严重拉向新的样本——它"忘记"了第一次学到的成果。为让前一次的学习留有余地，引入学习率：每次调整幅度乘一个系数（如0.5）。

"为什么是0.5？随便选的。充满了偶然，但发现它算得很好，于是就被接受了。"

7 神经网络的推理与学习

两层神经网络结构

输入层（2个节点）→ 全连接 → 输出层（2个节点），每个连接上有一个权重。

输入层的值（0到1之间）乘以权重后传入输出层。输出层做两步计算：

求和：把多个来源的值简单相加
激活函数（Sigmoid）：加总后的值经过非线性函数决定输出

Sigmoid函数：f(x) = 1/(1+e⁻ˣ)——小输入被抑制（噪声淹没），达到阈值后开始有输出，且输出与输入保持对应关系。

推理的过程

学习完成后，模型就是那四个（或十八个）固定的权重数字。推理时：

输入（宽度、长度）→ 乘权重 → 求和 → 激活函数 → 得到输出（瓢虫概率、毛虫概率）

这一步是手算可以完成的——拿计算器、纸笔就能算出来。

多个隐藏层 → 计算量剧增（如18条边），这时才需要程序来加速计算。

学习（训练）的过程

误差反向传播：输出节点的误差 → 按权重比例分解到前一层每个节点 → 再往前传播，最终调整每条边上的权重。

旧权重 + 误差修正 → 新权重
用新权重重新推理 → 再算误差 → 再调整 → 循环往复

18个权重的可能取值范围极大（每个在−1到1之间就有10¹⁸种组合），暴力穷举不可行，需要梯度下降——微积分的内容，这超出了初中生的认知范围。

初中阶段能理解：模型可以推理，模型可以学习，误差用来调整参数。梯度下降的数学细节留给高中与大学。

总结与启示

网络的基础是存储转发——理解信息传递与实物传递的本质区别。
分层思想是网络最精华的设计——具体分几层不重要，重要的是理解分层解决复杂问题的普适思维。
HTTP的无连接、Cookie的身份识别、HTTPS的加密，都体现着设计权衡的思想。
物联网的核心问题是数据采集与能量均衡——MQTT的解耦与异步是优雅的工程答案。
机器学习的本质是用误差调整参数——它与数学算法（除法、分解）和传统编程（规则明确）完全不同。
神经网络的学习 = 数值调整的过程，误差反传是其核心机制。

人工智能不是凭空出现的魔法——基础理论早已存在，关键在于大规模数据与有效的组合。

由 CuteNote.app 颜值笔记生成

从计算机网络到人工智能核心概念梳理