Day 35 · 2026.06.22

写作与表达：科普写作把复杂讲简单 · 类比的力量 · 准确 vs 可读 · 不看轻读者

BigCat's Writing

科普写作的本质，是把你脑子里那团复杂的东西，原样搬进另一个人脑子里——而且不失真。这比写论文难：论文只需对专家负责，科普要对一个聪明、好奇、却恰好还不懂的人负责。萨根、费曼、Pinker 都把它当成最高级的技艺。本周学四件手艺。

Principle 01

战胜「知识的诅咒」：把复杂讲简单

Beat the Curse of Knowledge
Pinker · 认知盲点
一句话原则 · 名家原话

你写得让人看不懂，往往不是因为读者笨，而是因为你忘了「不懂」是什么感觉。

"The curse of knowledge is the single best explanation I know of why good people write bad prose. It simply doesn't occur to the writer that her readers don't know what she knows." — Steven Pinker, The Sense of Style (2014)

中译：知识的诅咒，是我所知对「好人为何写出烂文章」最好的解释。作者根本想不到，读者并不知道她所知道的东西。

原理解读

一旦你掌握了一个概念，就再也无法精确想象「不懂它」的状态——这是大脑的不可逆。专家的诅咒不是炫技，而是真诚地高估了读者的起点。解药有二：一是费曼技巧——讲给一个完全外行听，卡壳处就是你自己没想透处；二是「具体先于抽象」——先给画面，再给定义。费曼说过，若一个理论无法降到大一新生能懂的程度，那意味着「我们其实并不真懂它」。

线性一致性 · 共识协议 · 状态机复制
↓ 把读者拉回地面 ↓
多台机器要保证「看到的账本一样」
↓
五个抄写员照同一本账本誊抄
抽象阶梯——好科普从最底层那级讲起，再往上爬
修改示范
我们采用基于 RAFT 的共识协议，保证多副本状态机在节点故障下仍维持线性一致性。 想象五个抄写员各管一本账本。系统先选一位「主抄写员」，其余四人只照他抄。哪怕两人请假，只要多数人记的一致，你查到的账永远是同一本——这就是 RAFT。
We leverage a transformer architecture with self-attention to capture long-range token dependencies. The model reads a sentence the way you do: when it hits "it," it glances back to find which noun "it" points to. "Attention" is just that glance—done for every word at once.
适用场景 · 常见错误
  • ✓ 技术博客、onboarding 文档、跨团队汇报、给非技术高管的 brief、对外科普
  • ✗ 同行评审论文、给专家的 spec——此时术语是效率，不是障碍
  • 坑：用术语堆砌冒充严谨；只给定义不给画面；默认「这谁都懂」（这正是诅咒本身）；一句话塞进三个新概念
本周习作 · 思考题

选你工作中最熟的一个技术概念，讲给一个完全外行（家人、朋友）听 90 秒，全程禁用行话。卡壳之处，就是你「以为懂、其实没想透」的地方。

思考题：你最近读到的、让你瞬间「懂了」的解释，它用什么具体画面替代了抽象？

Principle 02

类比的力量：用已知点亮未知

The Power of Analogy
Hofstadter · 认知核心
一句话原则 · 名家原话

解释一个新事物，最快的路不是定义它，而是说「它就像你早已熟悉的那个东西」。

"Without concepts there can be no thought, and without analogies there can be no concepts." — Hofstadter & Sander, Surfaces and Essences (2013)

中译：没有概念就没有思想，而没有类比就没有概念。

原理解读

类比之所以高效，是因为它不传输信息，而是复用读者脑中早已搭好的结构。你说「向量数据库就像图书馆按主题、而非按书名排架」，读者瞬间调用了一生的图书馆经验。好类比有三准则：(1) 映射在关键处成立——机制相似，不只是表面像；(2) 用更熟悉的解释更陌生的（别拿量子力学类比区块链）；(3) 明确边界，主动说「这个类比在哪里会失效」，否则读者会把它推过头。

源域（已知）
目标域（未知）
图书馆书架
→
向量空间
按主题就近摆放
→
相似内容向量相邻
「帮我找类似的书」
→
最近邻检索
好类比＝一张清晰的「源域→目标域」映射表
修改示范
梯度下降沿损失函数的负梯度方向迭代更新参数，逐步逼近局部最优。 想象你蒙着眼站在山谷里，要走到最低处。你用脚感受哪个方向最陡、朝下迈一小步，再感受、再迈一步——模型训练就是这样下山。「学习率」是每步迈多大。（注意：山谷有很多小坑，你可能停在坑里而非谷底，这就是「局部最优」。）
A hash function maps arbitrary-length input to a fixed-length digest and is infeasible to invert. A hash is a fingerprint for data. Any file—tiny or huge—gets one short, unique print. You can check that two files share a print, but you can't rebuild the file from the fingerprint alone.
适用场景 · 常见错误
  • ✓ 引入新概念的头一分钟、科普文开篇、给高管解释技术风险、教学
  • ✗ 精确的规格定义、安全关键的操作步骤——类比的模糊会害人
  • 坑：类比比原概念还难懂；表面像而机制不同（误导）；不说边界，读者推过头得出错论；一个类比硬撑全部细节
本周习作 · 思考题

为你领域里最难解释的一个概念，写三个不同类比，分别面向：孩子、非技术同事、投资人。再给每个补一句「它在______会失效」。

思考题：一个被用滥的类比（如「大脑就像计算机」）会怎样反过来限制人的思考？

Principle 03

准确与可读的钢丝：简到极致，但别更简

Accuracy vs. Readability
取舍 · 简化的边界
一句话原则 · 名家原话

科普的全部难度，在于一手砍掉复杂、一手守住真相——简化不是说谎的许可证。

"Everything should be made as simple as possible, but not simpler." — 常归于 Albert Einstein（实为其思想的凝练转述）

中译：一切都应尽可能简单，但不能比这更简单。

原理解读

每一次简化都在丢信息，问题是丢「枝节」还是「主干」。丢枝节叫提炼，丢主干叫错误。最危险的是第三种——「听起来对、其实错」的简化，它比晦涩更有害，因为读者会带着虚假的确定感离开。守住准确的办法：分清哪些是「善意的近似」（可丢），哪些是「会误导决策的失真」（不可丢）；必要时用一句「严格说……」标注你略过的复杂，既保可读，又留一个诚实的逃生口。

可读 ← → 可读高 准确高 学术黑话（准确但没人懂） 过度简化（好懂但失真） Sweet Spot：简单但不失真
两端都是悬崖，手艺在于守住中间那一点
修改示范
（过度简化，已失真）AI 会像人一样思考，它理解你说的每一句话。 （简单但准确）AI 并不「理解」语言，它是在海量文本里学会了「什么词后面最可能跟什么词」，再接龙下去。它常常对，但它的「懂」和你的懂不是一回事。
(Too technical) The LLM samples tokens autoregressively from a distribution conditioned on prior context. (Simple, still true) The model writes one word at a time, each time guessing the most likely next word given everything so far—like an extremely well-read autocomplete.
适用场景 · 常见错误
  • ✓ 对外科普、给非技术决策者的风险说明、教育材料、宣传中的技术声明
  • ✗ 法律/合规/安全文档——此处准确压倒一切，宁晦涩勿失真
  • 坑：为好懂把「通常」说成「总是」；用拟人制造错误直觉（「AI 想要……」）；砍掉了那个决定结论是否成立的前提；反向错误——为显严谨堆术语，可读性归零
本周习作 · 思考题

找一段你写过的技术说明，标出每一处简化，逐一判断：「丢的是枝节还是主干？」把任何「听起来对、其实错」的地方，改成「简单且真」。

思考题：当一个准确的解释注定让 90% 读者看不懂，你该降低准确性，还是缩小读者范围？

Principle 04

永远不要看轻你的读者

Never Talk Down
E.B. White · 尊重读者
一句话原则 · 名家原话

把复杂讲简单，是因为你尊重读者的时间，而非认为他们笨。这条界线，读者一眼能感到。

"No one can write decently who is distrustful of the reader's intelligence, or whose attitude is patronizing." — E.B. White, The Elements of Style

中译：凡是不信任读者智力、或姿态居高临下的人，都写不出像样的文字。

原理解读

读者无知的是你的领域，不是他们的智力——这两者天差地别。居高临下会从细节里渗出来：「众所周知」「其实很简单」「你可能不懂，但……」每一句都在暗示读者低你一等，而人对轻蔑的嗅觉极其灵敏，一旦闻到便关上心门。萨根之所以伟大，不是因为他把宇宙讲得多浅，而是因为他始终假设对面坐着一个和他一样好奇、一样聪明、只是恰好还不知道的人。把读者当同伴，而非学生。

修改示范
众所周知，分布式系统很复杂。这个问题你可能理解不了，简单说就是机器之间会「打架」。 分布式系统难在哪？难在多台机器要在没有上帝视角的情况下达成一致——就像一群人隔着墙投票，谁也不确定别人是否听见了自己。
Now, this might be a bit over your head, but the database basically just "remembers" things. Don't worry about the details. Here's the part that trips up even seasoned engineers: the database must stay correct even when the power dies mid-write. Here's how it pulls that off.
适用场景 · 常见错误
  • ✓ 一切面向更广读者的写作：科普、教程、对外沟通、跨职能协作
  • ✗ 没有例外——居高临下在任何场合都是减分项
  • 坑：「其实很简单」（对你简单，对读者是冒犯）；「众所周知」「不用我多说」（那为何还写？）；过度铺垫「这很难懂」反制造恐惧；用感叹号和卖萌替代真正的清晰
本周习作 · 思考题

翻出最近一篇对外文字，搜索这些词：「众所周知」「其实」「简单来说」「你可能不懂」「不用担心细节」。每一处都问：删掉它、或换成对同伴说话的语气，是否更好？

思考题：把读者当「同伴」，与把读者当「目标用户/受众」，写出来的东西有什么不同？

深入思考
1. 「把复杂讲简单」与「反智的标题党简化」的界线在哪？
界线在于：你简化的是表达，还是事实本身。前者把同一个真相换一种说法让人听懂；后者为了好传播，扭曲或夸大了真相。一个检验：读者照你说的去行动/判断，会不会因为你的简化而犯错？会，就越界了。媚俗与科普的差别，不在浅深，而在是否诚实地守住了主干。
2. 中文科普与英文科普，在「语气距离」上有何不同？
中文书面语自带一层「文气」的距离感，「诸位」「不妨」「众所周知」这类词天然带点讲台腔，更易滑向居高临下；英文科普传统（Sagan、Bryson）更口语、更平视，常用第二人称「you」直接拉近。中文写科普，要刻意往下走半格——多用「你」、多用对话感，少用判断式的大词。
3. 同一概念，写成文章 / 短视频 / 信息图，简化策略该如何变？
文章可层层递进，先给类比再补「严格说……」，准确度最易守住；短视频时间极短，必须牺牲枝节、强化一个画面，最易因求快而失真；信息图靠空间并置，擅长展示「结构与对比」，却难表达「过程与因果」。形态决定你能守住哪部分准确——选形态前先问：这个概念的「主干」是结构、还是过程？
4. 当 AI 能一键把论文「科普化」，人类科普写作者的不可替代性在哪？
AI 擅长换词、降低句子难度，但科普的核心判断它仍弱：哪个类比对「这群特定读者」最亮、哪处简化会致命、哪里该停下来说「这里我不确定」。这些需要对读者的同理心与对真相的责任心——是立场，不是文采。人的价值正从「会写」转向「替读者把关，决定什么该简、什么不能简」。
5. 费曼技巧（讲给外行听）真能检验理解吗，还是只检验了表达？
两者难以完全分离，但费曼技巧检验的恰是它们的交集：能否把一个概念重新组织成对方已有结构能接住的形状。卡壳通常不是「词穷」，而是你自己心里那一环本就缺失——你只是用术语把缺口糊住了。所以它检验的是「可迁移的理解」：你不只记住了它，还能把它拆开、重装到别处。