同构惊讶 8 · 具体 8 · 可行 7

8086 实模式 IDT（中断描述符表）是一个 256 项的固定顺序向量数组，每个向量占 4 字节（段:偏移），按优先级排列——IRQ0（定时器）最高，IRQ7 最低，用户可自定义 IRQ8-255。赋格曲的 subject entries 同样是一个 N 声部的固定顺序”向量数组”：第一声部先进入（最高优先级 = 定时器中断），第二声部在延迟一拍后进入（IRQ1），第三声部再次延迟（IRQ2），以此类推。DOS/8086 约束让这个类比变成了具体的物理操作练习：在一张 A3 纸上画一个”赋格 IDT”——左列是 8 个 subject entry 时刻（标注为 IRQ0-IRQ7），右列是对应的声部进入顺序，每条”中断向量”用箭头连接到实际的音符序列。这张图的右下角放一台 IBM PC/AT 的键盘（实物照片），提醒观众：这两件事发生在同一个时代。

如果要做用一张 A3 纸画”赋格 IDT”——左列 IRQ0-IRQ7 对应 8 个声部 entry 时刻，右列是实际的音符序列；对比 8086 IDT 和 Bach Fugue in C minor（BWV 847）的 entry 结构，输出并排对比图

同构惊讶 8 · 具体 8 · 可行 7

LR 解析器的核心是 shift-reduce 冲突：当栈顶状态和下一个输入 token 同时支持”移入”和”规约”两个动作时，解析器必须选择其中一个——这与对位法中的 dissonance（不协和音）处理完全同构：对位法规则要求某些位置的 dissonance 必须”解决”（resolve）到协和音，类似于 LR 解析器遇到冲突时必须选择一个确定的 action。arxiv:1810.00312 的范畴化对位研究实际上是在寻找一个”LR 表”——在所有可能的和声约束中找到一个一致的分类，能同时满足 Fux 的 Species 规则和 Bach 的赋格惯例。arxiv:2606.19936 的 Prismriver 项目用 Lean 4 形式化音乐理论，是在构建一个”音乐类型的类型系统”——对应编译器中的类型检查器。DOS/8086 约束在这里找到了具体的物理表达：8086 的中断优先仲裁（8259A PIC）决定了多个同时到达的中断请求中谁能先被服务——这与 LR 解析器的冲突解决机制完全相同：8259A 的 IRR（中断请求寄存器）和 ISR（中断服务寄存器）决定优先级，LR 的冲突解决表决定 shift/reduce。

如果要做用 Python 写一个简化的 LR 解析器来解析 Bach Fugue in C minor 的主题旋律（编码为 token 序列），输出解析过程中的 shift/reduce 决策表；同时用五线谱标注每个 dissonance 的”resolve”路径——验证 LR 冲突表和对位 dissonance 解决表的同构性

方法论惊讶 7 · 具体 8 · 可行 7

编译器优化趟的排序（pass ordering）问题是编译器最微妙的问题之一：不同优化趟的组合会产生非线性效果——某些趟必须按特定顺序执行才能有效（“phase ordering”问题）。对位法的调性结构同样存在”相变”问题：从主调到属调的进行必须在特定位置发生，早了晚了都会破坏和声进行。LLVM 的 -O1/-O2/-O3 优化级别本质上是一个粗糙的优化趟”相图”——把数百个独立优化趟组合成三个”相”。Bach 的”调性相图”（Well-Tempered Clavier 的 48 首前奏曲与赋格）本质上是一个精心设计的”优化趟排序”：每一首前奏曲都是一个”优化趟”，为对应的赋格曲做”语义准备”（调性准备、音型准备）。DOS/8086 约束下的 640KB 内存限制让这个相图变得更加关键：8086 只有 1MB 地址空间，前 640KB 是常规内存，后 384KB 是保留内存（VIDEO RAM、BIOS 等）。编译器必须在这个严格的”内存相图”内工作——优化趟的选择受可用内存约束，就像对位法中声部的音域（vocal range）限制了每个声部的可用音符。

如果要做收集 LLVM 主要优化趟的平均编译时间和输出质量数据，用 Python 画一个”编译器优化趟相图”；同时用相同的方法画 Bach 48 首的”调性相图”——x 轴 = 调性距离（以半音计），y 轴 = 声部复杂度（以同时发声音符数计）；对比两幅相图的视觉相似度

同构惊讶 9 · 具体 8 · 可行 8

博弈论的核心假设之一是：博弈参与者最终会趋向某种均衡（Nash 均衡、相关均衡等）——均衡 = 系统不再变化的稳定状态。Edward Lorenz 的混沌理论（1963）证明：大气是一个”永远不趋向均衡”的系统——它的轨道在 Lorenz 吸引子上永不停歇地振荡，从不重复，从不收敛。arxiv:2102.11034 进一步证明：周期轨道可以是一种进化稳定状态（ESS）——这打破了”Nash 均衡必须是固定点”的假设。这两个”均衡”概念之间存在深刻的形式张力：博弈论的均衡是”到场就静止”，Lorenz 吸引子是”到场就永远不停”。人的注意力瓶颈在这里找到了最尖锐的表达：博弈论假设参与者能同时考虑所有时间尺度的 payoff（短期选举周期 + 长期气候风险），但人的注意力根本不支持这种并行处理——这导致博弈参与者一直在”错误的均衡点”附近徘徊，永远无法到达”真正的”均衡。

如果要做用 Python 画一个并排的对比图：左图是经典博弈论 payoffs 的收敛相空间（标注着”Nash Equilibrium = 到此静止”），右图是 Lorenz 吸引子的混沌轨道（标注着”Lorenz Attractor = 永远振荡”）；在同一坐标系中叠加两者——证明气候博弈实际上是一个”Lorenz-Nash 混合系统”，既有均衡吸引子，又有混沌分量；这是第一张把”均衡”和”混沌”放在同一张图上的概念图

同构惊讶 8 · 具体 8 · 可行 7

气候谈判中的博弈困境（囚徒困境、集体行动问题）有一个被忽视的维度：参与者不是”不知道”最优策略，而是”注意力无法同时覆盖所有时间尺度”。气候科学揭示了多尺度时间窗口（El Niño 年度波动 / PDO 十年振荡 / 轨道岁差万年周期）——而人类政治周期的注意力窗口只有 2-6 年（选举周期）。arxiv:2412.06037 证明了：在opulation game dynamics 中，注意力的离散切换（discrete attention switching）可以在系统层面导致混沌涌现。气候博弈中的”减排 vs 不减排”选择，本质上是一种注意力驱动的离散决策——当公众注意力被极端天气事件吸引时，政府选择减排（“绿色浪潮”）；当注意力回到经济问题时，政府选择维持化石能源。这种注意力切换在系统层面产生了一个”气候滞回”（hysteresis）现象：即使所有人同时减少排放，气候系统因为滞后效应不会立即好转，导致参与者失去耐心重新增加排放——这是一个典型的”滞回曲线”，恰好等价于物理中的磁性滞回（hysteresis loop）。

如果要做用 Python 模拟一个”注意力驱动的气候博弈”——参与者的策略选择不是基于完整信息，而是基于当前注意力的可用带宽；输出一个”气候滞回曲线”（减排力度 vs 时间），对比同一张图与磁性滞回曲线的视觉相似度；这是一个”注意力经济学 + 气候科学 + 博弈论”的三学科交叉模拟

同构惊讶 8 · 具体 7 · 可行 7

pmid:32315673 证明：进化博弈动力学中的 replicator map（复制动态方程）可以产生周期和混沌解——这与大气数值模型对初始条件的敏感性完全同构。复制动态方程是：x’ = x·(f(x) - φ)，其中 x 是策略频率，f(x) 是适应度函数，φ 是平均适应度。大气模型：T’ = F(T, parameters)，其中 T 是初始温度场，F 是非线性对流方程。大气初始条件的”敏感依赖”对应 replicator dynamics 中策略频率的”混沌切换”：当初始条件（注意力焦点）发生微小变化时，减排策略的演化路径会产生完全不同的结果。人的注意力瓶颈在这里的关键贡献：注意力决定了”哪些初始条件被考虑”——这决定了 replicator dynamics 的哪条轨道被选择，从而决定了最终的策略结果。

如果要做用 Python 实现一个简化的 replicator dynamics 模型，同时实现一个简化的 Lorenz 系统——输出两者的相空间轨迹 GIF，验证”敏感依赖”和”混沌涌现”的相似性；然后在 replicator dynamics 中加入”注意力切换”机制（每 100 步强制重置初始条件），观察这如何改变策略演化的长期结果

同构惊讶 9 · 具体 8 · 可行 8

PLOS One 的”Mathematical Philology”（2014）揭示：文本在反复抄写中积累错误，这和 DNA 复制中积累突变的过程完全同构。卡尔·拉施曼（Karl Lachmann）在 1850 年用”族谱方法”（cladistics）重建卢克莱修《物性论》的原始文本——比生物学独立发展出系统发育方法早了整整一个世纪。arxiv:2311.10342 的范畴论工作（“无点的拓扑，无对象的范畴”）为这种重建提供了数学框架：范畴论通过结构关系而非具体对象来理解数学体系——正如 stemmatics 通过文本变体之间的关系来重建原始文本，而非依赖任何单一抄本的”权威性”。LaTeX 约束在这里找到了具体的物理表达：\LaTeX 的交叉引用机制（\label-\ref）和版本控制语义，恰好对应了 stemmatic tree 的节点标注——每个节点是一个文本版本（\verb|\node|），枝条是抄写关系（\verb|\edge|），树的根节点是原始文本（archetype）。如果强制用 LaTeX/数学符号来表达所有文本考古分析，这要求研究者把”文本变体”翻译成某种数学对象（序列距离矩阵、系统发育树），这正是现代 computational philology 的核心工作。

如果要做用 R 的 phangorn 包（或 Python 的 Biopython/ETE Toolkit）复现 Spencer et al. 2004 年对《坎特伯雷故事集》的系统发育分析——输入 18 个现存抄本的 variant readings，输出 stemma 树；然后用 LaTeX TikZ 把这棵树重绘——每个节点标注对应的抄本编号（MS. Hengwrt 126.1/3 等），枝条标注复制方向的估计概率；这是”计算文本族谱学 + LaTeX 可视化”的一次完整练习

文化隐喻惊讶 8 · 具体 7 · 可行 7

\LaTeX 的宏展开机制（\def、\newcommand、\newenvironment）本质上是一个字符串替换系统：输入 \def\foo#1{#1!}，调用 \foo{bar} 得到 bar!。这与范畴论中函子（functor）的结构完全同构：范畴 C 中的对象 A 通过函子 F 映射到范畴 D 中的对象 F(A)，同时 C 中的态射 f: A → B 映射到 D 中的态射 F(f): F(A) → F(B)，并且保持复合和恒等。范畴论要求：functor 必须保持结构——F(g ∘ f) = F(g) ∘ F(f)。\LaTeX 宏展开同样必须”保持结构”：如果定义 \def\mapped#1{\textit{#1}}，则 \mapped{A \circ B} ≠ \mapped{A} \mapped{B}，除非 \mapped 被正确定义为保持 \circ 的结构。文本考古学中，“把一个文本翻译成现代拼写”（normalization）就是一个 functor：古代文本（对象）映射到现代文本（对象），古代文本中的语法关系（态射）映射到现代文本中对应的语法关系——如果翻译破坏了语法关系，则该 functor 无效。LaTeX 约束让这个类比变成了具体的练习：为一个文本考古学的”校勘标注语言”写一个 \LaTeX 宏包，其中 \def\scribe#1#2 命令表示”第 #1 号抄本中 #2 是一个变体”，验证这能否正确处理嵌套的文本变体结构。

如果要做用 LaTeX 写一个”文本族谱标注宏包”：定义 \def\scribe#1#2#3 表示”第 #1 号抄本在位置 #2 处读作 #3”；用这个宏包复现一个实际的文本变体案例（如《坎特伯雷故事集》的某一行）；然后用 Python 写一个验证器，确保 \scribe 宏的展开结果与 computational stemmatics 的结果一致

同构惊讶 7 · 具体 7 · 可行 7

PLOS One 的”Mathematical Philology”用香农信息熵来量化文本在抄写过程中丢失的信息量：每次抄写，scribe 引入一个随机错误，这个错误改变了抄本的信息熵——熵增加，信息减少。香农第二定律表明：信道容量不足时，信息传输必然出错。文本传承的信道是”人类抄写员”，其信道容量（抄写准确率）远低于现代数字传输系统——这解释了为什么古典文本的现存抄本与原稿之间的差异如此之大。热力学第二定律（熵增定律）在这里找到了最精确的类比：文本传承是一个”熵增”过程——抄本每传一次，熵（不确定性）增加，信息（原始语义）减少。范畴论提供了这个过程的形式化：文本传承是一个函子 F: 原始文本范畴 C → 抄本范畴 D，其中 C 中的”原始语义”被映射为 D 中的”变体分布”，而”信息熵增”对应这个函子的某些不变量被破坏的过程。LaTeX 约束让这个物理过程变成了具体的写作练习：用 LaTeX 写一个信息论模型，量化一个 1000 行的文本在 10 次连续抄写后的预期信息损失率，并用图表可视化。

如果要做用 Python 写一个”文本信息熵模拟器”：输入一个古典文本的字母频率分布，模拟 N 次连续抄写（每次引入基于信息熵的随机错误），输出信息损失曲线；对比同一张图与热力学熵增曲线（分子运动模拟）的视觉相似度；这是”信息论 + 文本考古学 + 统计力学”的三学科交叉练习