天平称重与信息论——从玩具问题到工程奇迹

医疗现实的启示

年，美国斯坦福大学的数学家 Emmanuel Candès 和 Justin Romberg 做了一件看似疯狂的事 ^[1]：他们告诉医生，可以利用只有 到 的常规数据，重建出患者完整的 磁共振成像（MRI） 图像（MRI 是一种利用强磁场与无线电波生成人体内部结构详细图像的医学影像技术）。

传统的医学成像需要采集完整的傅里叶数据（这是一种将空间图像拆解为不同频率信号的原始数学数据，类似于把一幅画面拆成无数个不同粗细、不同方向的条纹波形，再通过计算拼回原图）。为了把图像画全，仪器必须毫无遗漏地记录每一个波形细节。这意味着，患者需要在嘈杂的 MRI 扫描仪里躺上几分钟，保持绝对静止，并忍受强大的磁场和刺耳的噪音。对于身体疼痛或内心焦虑的患者而言，这几分钟简直是地狱。

但使用他们提出的“压缩感应”（Compressed Sensing）方法，扫描时间可以缩短至仅 秒。患者的痛苦大大减轻，诊断效率也成倍提升。

这听起来像是魔法，但该方法的理论基础，竟然来自一个古老的课堂谜题——天平称硬币。

是的，就是那个小学奥数里常见的谜题。一个看似无用的逻辑游戏，如今却正在重塑现代医疗诊断。这背后究竟隐藏着什么秘密？

问题、直觉与突破

让我们先摆出这个问题：

有 枚硬币，其中有一枚是假币（比真币要么重，要么轻，但我们不知道是哪一种）。你有一个天平。最少称几次，才能找出假币，并判断它是重还是轻？

大多数人的第一反应通常是：使用二分法。

例如，把 枚硬币分成两组，各 枚放在天平两端。但你马上会发现一个问题：因为我们事先不知道假币究竟是偏重还是偏轻，单纯看天平哪端下沉，根本无法确定假币在哪一组！

即使我们退一步，假设已知假币偏重，按照二分法把剩下的硬币不断对折称量，也需要 到 次才能锁定目标。这似乎是符合直觉的答案。

但真的需要这么多次吗？如果我们告诉你，只需要 次，你会不会感到惊讶？

为什么会是这个数字？它是某种巧妙的运气，还是隐藏着更深层的物理法则？

答案其实是数学规律本身的限制。

要理解这一点，我们需要借助信息论的视角。简单来说，信息论是一门研究“要回答一个问题，究竟需要多少信息量”的学科。在硬币谜题中，“找出假币并确定其轻重”是我们的目标，而每一次称重，本质上就是一次获取信息的过程。

天平称量一次能产生 种不同的结果（左倾、右倾、平衡）。换句话说，称量一次获取的，就是一位三进制信息——如果说抛一次硬币能获得一个“比特”（二进制位），那称一次天平获得的就是一个“三进制位”。那么， 次称重最多就能区分 种不同的情况。

现在，我们需要区分多少种情况？

• 枚硬币中任意一枚都可能是假币 → 种可能
• 假币可能比真币重，也可能比真币轻 → 种可能
• 加上“没有假币”这个情况（虽然题目说有，但从信息论角度它也是一种可能） → 种可能

总共： 种可能性。

因此，要完美解决这个问题，我们必须满足：

• 如果称重 次，最多只能区分 种情况，显然不够。
• 如果称重 次，最多可以区分 种情况，大于 ，理论上完全足够！

这说明 次称重是解决问题的必要条件。

这就是信息论下界（Lower Bound）。这个极限并非人为设计的技巧，而是客观的数学规律——在现有条件下，任何人都不可能用少于 次的称重解决问题。

我们直觉中的二分法之所以低效，是因为它低估了天平的信息容量。天平不是只有“是或否”两种状态的开关，而是一个拥有“左倾、平衡、右倾”的三态信息源。只要能充分压榨这三种状态的携带信息能力，我们就能逼近理论极限。

矩阵的魔法

不仅如此，通过精心设计的称重方案， 次也绝对是充分的。那么，如何具体设计这 次称重呢？答案就藏在信息论的经典成果—— 汉明码（Hamming Code） 中 ^[2]。汉明码最初用于改变通信技术，但它蕴含的“从少量测量中重构稀疏未知信息”的数学思想，在半个世纪后也成为了改进医疗成像的关键基石。

年代，贝尔实验室的数学家 Richard Hamming 为了解决数据传输过程中的纠错问题，发明了利用校验矩阵来精确定位错误位置的方法。这一思想推广到三进制后，奇迹发生了：原本用来纠错的抽象矩阵，竟能直接翻译成一套完美的天平称重指南！

因为这两个问题在本质上完全一致：

• 通信纠错：在大量正常数据中，找出“错误码的位置”及其“翻转方向”；
• 天平称重：在大量真币中，找出“假币的位置”及其“轻重性质”。

这是一种极其美妙的概念转换：矩阵不仅是解方程的符号，更可以编码为一套具体的物理操作策略。

具体来说，我们可以构造一个 行 列的矩阵：

矩阵中的数字编码了如下的物理称重策略：

• 表示该硬币在本次称重中不参与，放在天平外面。
• 表示该硬币放在天平的左盘。
• 表示该硬币放在天平的右盘。

为了确保天平在没有假币时能保持平衡，天平两端的硬币数必须相等。反映在矩阵上，就是每一行中 和 的数量必须完全一致（在我们的方案中，每一行均包含四个 和四个 ，对应“左盘 个对右盘 个”的对称称重方案）。

让我们具体解读这三次称重方案：

• 第 次称重（第一行）：不放硬币 ；将硬币 放左盘，将硬币 放右盘。
• 第 次称重（第二行）：不放硬币 ；将硬币 放左盘，将硬币 放右盘。
• 第 次称重（第三行）：不放硬币 ；将硬币 放左盘，将硬币 放右盘。

三次称重完成后，我们将每次的称重结果记录为一个“称重结果向量”：

• 天平平衡，记为 。
• 天平左重（左盘下沉），记为 。
• 天平右重（右盘下沉），记为 。

我们只需将得到的称重结果向量与矩阵中的列进行比对：

• 若结果向量与矩阵第 列完全相同：说明第 枚硬币是假币，且偏重。因为偏重的硬币放在哪一盘，哪一盘就会下沉，使得天平状态与矩阵中该硬币的初始放置位置完美契合。
• 若结果向量与矩阵第 列互为相反数（在模 意义下，即 ，，）：说明第 枚硬币是假币，且偏轻。因为轻硬币会让所在盘上升，导致天平倾斜的方向与矩阵的初始设定预测正好相反。

实战演练：假设我们称重三次后，天平状态依次为：第一次平衡（）、第二次左重（）、第三次右重（），写成结果向量就是 。 对比矩阵的各列：

1. 矩阵中并没有直接等于 的列；
2. 但我们注意到，第 列是 ，其相反向量刚好就是 ！

根据判定规则，我们能瞬间得出结论：第 枚硬币是假币，且它比真币轻。

汉明码设计的精妙之处就在于此：它通过数学方法保证了矩阵的任意两列都是“独立且不同”的（在模 意义下，既不相等，也不互为相反数），这使得每一种假币状态都能对应唯一的称重结果。

不仅如此，这套方法可以推广到任意数量的硬币 ^[3]。如果称重次数为 ，它能处理的硬币数量上限 必须满足信息论下界：

变形后可得，在 次称重下，我们能够处理的最大硬币数量为：

我们可以列出不同称重次数下的极限能力：

你可能注意到，“实际”一栏都比公式算出的理论值少 ——这不是笔误，而是称量问题里一个容易被忽略的约束：公式 假设你手头还留着一枚已确认为真的参照币，可以随时借来跟嫌疑币比较。但如果所有硬币都是待检验对象、没有这样一枚“外援”真币，能同时保证找出假币位置和轻重的硬币数就要再减 ，变成 ^[3]（ 次称重：； 次：； 次：，与表格完全吻合）。

这些数字绝非巧合，它们是信息论与编码理论在数学约束下的必然结果。

工程奇迹的回响

现在，让我们重新回望开头的磁共振（MRI）扫描。

无论是医学成像，还是称重谜题，其本质都是相同的：如何利用最少的测量次数，重构出完整的未知信息？

人体的内部结构可以看作是一个庞大而复杂的信号源。传统扫描需要不漏掉任何细节地采集傅里叶数据，耗时极长。但从信息论的角度来看，图像中真正“有用且独特”的信息往往只占极小的一部分，其余多为冗余。

Candès 和 Romberg 提出的压缩感应技术，正是基于与汉明码互通的数学洞察：与其费尽力气收集全部数据后再进行压缩，不如从一开始就只采集“经过精心挑选”的少量样本。

尽管它们的数学计算领域大相径庭（汉明码工作在离散的有限域上，用于寻找离散的错码；压缩感应工作在实数或复数域上，用于还原图像），但两者的灵魂是一致的——在**“稀疏性”**的物理约束下，利用极其有限的线性测量，精确恢复出高维的原始信号。这一原理深深扎根于现代信息论。

这套思想早已在现代科技中处处开花：

• 通信领域：用最少的带宽传输海量的数据；
• 传感器网络：用最稀疏的节点分布还原完整的物理场；
• 机器学习：用最少的代表性样本训练出强大的泛化模型。

谁能想到，一个看似仅供消遣的课堂称重谜题，竟然触及了信息论的核心——如何在资源受限的物理世界中，最大化我们对未知信息的掌控力。

这留给我们一个深刻的启示：看似纯粹的数学工具，一旦找到了与之契合的物理现实，就会爆发出无穷的威力。 你在课堂上学到的某个看似“无用”的矩阵运算，或许正是 年后重塑医疗影像、加速深空通信或引爆新一代人工智能的隐秘钥匙。

下次当你面对一个复杂的矩阵时，不妨也问问自己：它所编码的，是一套怎样的物理策略？它又将如何引领我们在有限的世界里，寻找到最优的答案？

答案可能会让你大吃一惊。

参考文献