玻尔百科在探求知识的过程中，每一次测量都是与物理世界的一场对话。然而，这些对话从来都不是完美清晰的；它们总是伴随着一定程度的不确定性，即实验误差。其中，随机误差（stochastic/random error）代表了我们数据中一种根本的、不可避免的“抖动”。我们面临的挑战并非要完全消除这种随机性——这往往是不可能的——而是要去理解、量化并解释它。如果做不到这一点，我们可能会将噪声误解为信号，或者无法探测到隐藏在噪声中的真正发现。
本文将对随机误差进行全面的概述。我们将从“原理与机制”一章开始，探讨其基本性质，将其与系统误差区分开来，并审视那些让我们能够抑制其影响的强大统计工具，如平均法和高斯分布。随后，在“应用与跨学科联系”一章中，我们将穿越不同的科学领域——从活细胞内混乱的分子之舞，到宇宙的宏大尺度测量，再到量子计算的前沿——去看看这个概念如何不仅仅是一个技术上的麻烦，而是一个塑造科学发现的核心角色。
每当我们试图测量现实世界中的某个事物时，无论是沙粒的重量、石头下落的时间，还是遥远恒星的亮度，我们都在与自然进行对话。我们提出问题，仪器给出答案。但在我们得到的每一个回应中，都有一种轻微、不可避免的抖动。这便是实验误差的世界，理解它并非承认失败，而是学会更仔细地倾听自然在告诉我们什么。在这些误差中，最微妙，在许多方面也最有趣的，是随机误差（stochastic error），通常也称为random error。它是测量机器中的幽灵。
想象一下，你接到一个简单的任务：用移液管测量液体的精确体积。你重复操作五次。每次都能得到完全相同的结果吗？几乎不可能。为什么？也许你按压柱塞的拇指压力有轻微变化，或者建筑物中微小且不可预测的振动导致弯月面摇晃。这些都是随机误差的来源：微小、不可预测的波动，导致你的测量值围绕一个平均值分散。随机误差的一个关键特征是，它使你的测量值偏高和偏低的可能性是均等的。它降低了测量的精密度，即结果的一致性或可重复性。如果你的测量值分散各处，那么你的精密度就很低，这很可能是由显著的随机误差引起的。
现在，让我们想象一个不同的问题。在你不知情的情况下，这支移液管在制造时存在一个小缺陷，导致它每次排出的液体都比刻度盘指示的少 mL。无论你工作多么仔细，重复测量多少次，每一个结果都会持续偏低。这是一种系统误差：一种一致的、可重复的偏差，将每一次测量都推向同一个方向。它降低了测量的准确度，即你的测量值与真实、正确值的接近程度。你可能会得到非常精密的结果——你的五次测量值可能彼此之间相差不到一毫升的极小部分——但它们都是错误的，因为它们围绕着错误的中心值。这说明了所有科学中最重要的一句格言：高精密度不保证高准确度。
这种根本性的区别无处不在。当天文学家测量一个星系的亮度时，他们相机CCD上每个像素中不可预测的电子噪声是随机误差的来源。但如果他们忘记从整个图像中减去夜空微弱而均匀的辉光，他们就引入了系统误差，使得星系看起来比实际更亮。当工程师测试无人机的导航系统时，其气压高度计中随机、瞬时的波动是随机误差。但GPS软件中的一个错误导致它报告的位置始终比真实位置偏东10米，这是一个典型的系统误差。
系统误差甚至可能源于我们使用的理论本身。如果你用简单的公式 来测量石头下落的时间以计算悬崖的高度，你就系统性地忽略了空气阻力的影响。由于空气阻力总是减慢石头的速度，它下落的时间比在真空中要长。在简化的公式中使用这个更长的时间，会导致你持续高估悬崖的高度。这种“建模误差”是一种微妙但普遍存在的系统误差形式。
那么，我们能对这些误差做些什么呢？系统误差很棘手；要修复它们，你首先必须找到它们。你可能需要重新校准仪器、修复软件中的错误，或使用更复杂的物理模型。但随机误差不同。因为它时高时低地波动，我们有一个非常强大的工具来对抗它：平均法。
直觉很简单。如果你进行多次独立的测量，随机的偏高和随机的偏低应该会相互抵消。你的第一次测量可能有点高，第二次有点低，第三次又有点高。当你将越来越多的测量值平均在一起时，随机抖动的净效应会越来越小，平均值也会越来越接近分散测量值的“真实”中心。这一原则被形式化为所有统计学中最基本的成果之一：大数定律。
让我们来看看它的实际作用。想象一个精密的温度计，其读数 受到系统误差和随机误差的共同影响。它对真实温度 的读数或许可以建模为 。在这里， 是一个比例误差（例如，电子设备将信号放大了 倍而不是 倍）， 是一个偏移误差（例如，设备的热量泄漏增加了一个恒定的 度）。这些是我们的系统误差。 项是第 次测量的随机误差，其平均值为零。
如果我们进行 次测量并计算样本均值 ，当 变得非常大时会发生什么？大数定律告诉我们，随机误差的平均值 将收敛于其均值零。但是系统误差 和 存在于每一次测量中。它们不会因为平均而消失。最终的结果是，样本均值收敛于 。平均法消除了随机误差，但对系统误差却毫无影响。这揭示了平均法的关键局限性，并再次强调了我们之前的观点：如果存在系统误差，一个高度精密的平均值仍然可能完全不准确。
我们已经说过随机误差是波动的，但我们能说得更多吗？这种随机性有模式可循吗？在绝大多数情况下，是有的。当一个最终的随机误差是许多微小、独立、随机贡献的结果——这里一点振动，那里一点温度波动，几个电子的电子噪声——它们共同作用产生一个优美而普遍存在的模式：高斯分布，也就是人们喜爱的“钟形曲线”。这是一个行为良好的系统中随机误差的标志。
这个分布告诉我们，小误差比大误差常见得多。测量值会紧密地聚集在一个中心均值周围，而观察到远离这个均值的测量值的概率会非常迅速地下降。这个钟形曲线的“宽度”为我们提供了一种量化系统中随机误差大小的方法。一个窄而陡的钟形曲线意味着随机误差小，精密度高。一个宽而平的钟形曲线意味着随机误差大，精密度低。这个宽度由一个数字来描述：标准差，用希腊字母sigma， 表示。
让我们具体化一下。假设你在一个电子天平上称量一个样品，其随机误差遵循标准差为 mg 的高斯分布。天平显示屏只显示 mg 为步长的值（其可读性）。即使真实质量恰好是天平可以显示的值，比如 mg，随机抖动意味着内部测量值几乎永远不会精确地是 mg。为了让天平显示“100.00”，内部测量值必须落在 mg 的范围内。这发生的概率等于高斯曲线在相对于真实质量的 mg 和 mg 之间的面积。对于给定的值，这个概率出奇地小，只有大约 ，即 2%。这凸显了一个深刻的观点：在一个存在连续随机误差的世界里，任何单一精确结果的概率都小到可以忽略不计。我们只能讨论结果落在某个范围内的概率。
我们为什么要费尽周折去测量噪声的形态（）呢？因为这是判断一个微小信号是真实的，还是仅仅是随机产生的幻象的唯一方法。这是在任何领域推动探测极限的核心挑战。
想象一下你正在测试一份水样中的污染物。你首先运行一个“空白”样品，其中包含纯水和所有试剂，但没有污染物。你得到的读数不是零；由于仪器固有的噪声，存在一个小的信号。现在，你测试你的实际样品，得到了一个稍高的读数。这个增量是由于污染物的存在，还是一个空白样品仅仅因为一次随机的向上波动就可能给出那个读数？
要回答这个问题，你不能依赖单次的空白测量。单次读数无法告诉你噪声的变异性。它只是从钟形曲线上抽取的一个数据点。相反，你必须多次测量空白样品。这些测量的集合揭示了噪声的钟形曲线。通过计算它们的标准差 ，你正在测量那条曲线的宽度——你在量化随机波动的典型大小。
现在你有了一把统计的尺子。你可以建立一个定量限 (LOQ)，这是一个你不能信任结果的阈值。一个常见的定义是 ，其中 是平均空白信号。这意味着，要被有信心地量化，一个信号不仅要比平均背景稍大；它必须比噪声的典型大小大10倍。这创建了一个缓冲区，让你对信号的真实性有高度的信心。这个基本概念——信噪比——是现代测量科学的基石。
在现实世界中，系统误差和随机误差并不总是以整洁、分离的形式出现。它们常常纠缠在一起。考虑用一个电极监测一个化学反应，该电极的信号随时间缓慢但系统性地漂移，同时还受到短期随机噪声的影响。如果你只是计算所有测量值的标准差，你将会把真实的随机抖动与由线性漂移引起的更大变化混合在一起。结果将是一个被严重夸大且不正确的随机误差估计。
这里的优雅方法是首先承认并建模系统的可预测部分。我们可以对数据进行直线拟合来描述系统性漂移。然后我们从实际测量值中减去这条拟合线。剩下的是什么？残差。这些残差是我们对纯粹、潜在随机误差的最佳估计，已经剥离了污染性的系统趋势。通过计算这些残差的标准差，我们可以得到对仪器精密度的真实度量。这种强大的思想——建模可预测部分以分离不可预测部分——是数据分析中一个反复出现的主题，它使我们能够洞察复杂的趋势，并量化一个系统真实的随机心跳。
最终，理解随机误差并非出于对不完美的执着。这是一段深入概率与统计核心的旅程，一个让我们在面对不确定性时能做出自信决策的工具，一种与物理世界进行更清晰、更诚实对话的方法。
既然我们已经探讨了随机误差的数学核心，现在让我们开启一段旅程。让我们看看这个思想在何处生存和呼吸，不是作为纸上抽象的公式，而是作为我们世界中一个活生生的部分。你会感到惊讶。这个看似简单的随机“抖动”概念，在从活细胞最内部的运作到宇宙最宏伟的景象，在存在的每一个尺度上展开的故事中，都是一个核心角色。理解这种“抖动”不仅仅是一项学术练习；它是解锁更深层次理解科学如何进行以及自然如何运作的关键。
我们通常认为噪声是一种麻烦，是需要被过滤掉和丢弃的东西。但是，如果在某些情境下，噪声不是一个缺陷，而是一个特性呢？如果它是生命秘方中的一个基本成分呢？让我们进入生物学的世界。
在一个单细胞内，有一个熙熙攘攘、混乱的分子城市。我们在教科书中画成整齐箭头的过程——一个基因被读取，一个蛋白质被制造——并非工厂流水线上平滑、确定性的操作。它们在本质上是一系列极其随机的事件。一个酶不是决定要与其目标结合；它是在偶然中与它碰撞。读取基因的机器不是沿着轨道平稳滑行；它在任何给定时刻以一定的概率锁上和脱落。这种分子事件在时间和数量上的内在随机性，产生了生物学家所说的内在噪声。对于像“Repressilator”这样的合成基因回路（一个植入细菌内部的美丽人工振荡器）来说，这意味着即使是基因完全相同、处于相同环境中的细胞，也不会以完美的同步性跳动。它们蛋白质的水平会波动，每个细胞都跳着略微不同的节拍。除此之外，当一个细胞分裂时，它并不会一丝不苟地公平分配其内容物。分子被随机分配，就像一次笨拙的洗牌，引入了另一层变异，称为外在噪声。
你可能会认为，大自然会尽其所能来抑制这种随机性，以确保有序的发育。有时确实如此。但有时，它似乎会利用这种随机性。考虑一个化学信使——形态发生素，它如何告诉一排细胞该采取何种命运——比如说，浓度高时变为“蓝色”，低时变为“红色”。想象一个突变使得这种形态发生素的产生变得更加嘈杂，导致其浓度剧烈波动。“蓝色”和“红色”组织之间的边界会发生什么变化？
有趣的是，答案取决于胚胎的结构。在像早期果蝇胚胎这样的系统中，它是一个合胞体——许多细胞核共享一个共同的细胞质——形态发生素可以自由扩散。噪声在空间上被平均掉了。这里的细胞核和它旁边的邻居体验到几乎相同的平均信号。结果是，细胞命运之间的边界保持了惊人的清晰。共享的细胞质充当了天然的低通滤波器，抑制了随机波动。
现在，将此与由离散的、有膜包裹的细胞组成的生物体进行对比。在这里，每个细胞都是一个孤立的岛屿，独立地采样形态发生素的浓度。一个细胞可能看到一个短暂的峰值并决定变成“蓝色”，而它的近邻错过了这个峰值并保持“红色”。来自形态发生素源的增强噪声被直接传递给每个独立细胞的命运决定。边界变得模糊，成为红蓝细胞的“椒盐”混合模式。在这里，细胞结构允许随机噪声在局部层面创造多样性。看来，大自然可以利用生物体的物理布局作为工具，来过滤或表达潜在的分子随机性，从而塑造生命的形态和纹理。
如果说噪声在生物学中可以是一个特性，那么在物理科学和工程学中，它更常是我们的死敌，是我们追求精密度道路上一个不懈的对手。我们进行的每一次测量，无论是在化学实验室还是用横跨大陆的望远镜，都是一场与系统性偏差和随机误差的战斗。
想象一位化学家小心翼翼地进行滴定以测量一个平衡常数。每一步都充满了微小、不可预测的变化。移液管每次输送的体积略有不同；电压表的读数因电子噪声而闪烁；室温发生漂移。这些都是经典的随机误差。这里的策略是古老的：重复和平均。通过进行多次测量，随机的上下波动趋于抵消，我们能够更精确地锁定一个值。这正是蒙特卡洛模拟估算的原理：每个随机点都是一个带噪声的测量，但通过平均数百万个点，我们可以驯服统计波动，得到一个极其精确的答案。
但必须小心！有时，我们自己的分析可能会成为噪声的放大器。想象一下，你正在测量一根杆上几个点的温度，并想计算其曲率，也就是二阶导数。你使用一个标准的数值公式，其中包含三个邻近点的温度，, , 和 。公式的分母中包含步长的平方 。现在，你的每个温度读数都有一个微小的、独立的随机误差，比如说 K。但是当你计算曲率时，这些小误差被组合起来，然后除以 。如果你的步长 很小（为了得到精确的导数，这通常是必需的），比如 毫米，那么 就是一个非常小的数。除以一个非常小的数会使结果变得非常大。突然之间，你那些微小、看似无害的测量抖动被放大成最终结果中巨大的不确定性。这是一个至关重要的教训：我们处理数据的方式可能会极大地放大其中的随机噪声。
这将我们带到一个更宏大的舞台，这里的赌注是整个世界和星系。一位试图测量系外行星半径的天文学家，观察其母星因行星凌星而产生的微弱光度变暗。测量受到望远镜随机光度噪声的干扰——这是典型的随机误差，可以通过收集更多光子来克服。但如果恒星表面有一个天文学家没有考虑进去的大而冷的星斑呢？这不是随机的闪烁。它是一个持续存在的特征，系统性地使恒星看起来更暗，从而使得行星的凌星看起来比实际更深。这是一个系统误差。因此，天文学家在两条战线上作战：通过更长时间的观察来减少随机噪声，以及通过构建更准确的恒星模型来消除系统性偏差。
这场战斗在现代探索黑洞成像的 quest 中最为壮阔。借助事件视界望远镜（一个遍布地球的射电望远镜阵列），天文学家进行甚长基线干涉测量法（VLBI）。一个主要的挑战是地球湍急的大气层，它随机地改变入射光波的相位。这是一个随机误差。我们可以通过对信号进行长时间平均来对抗它；这个随机误差的标准差随观测时间的平方根减小，。但这里有一个陷阱。我们对每个望远镜站点大气平均属性的模型并不完美。这种不完美引入了一个恒定的、不变的相位偏差——一个系统误差。所以，我们可以平均数小时，缩小随机误差，但最终会撞到一堵墙。我们达到了一个点，残余的系统误差比剩余的随机噪声还要大，进一步的平均不再带来好处。这就是收益递减点，一个并非由随机性设定，而是由我们知识的不完美性设定的基本限制。
这个主题在宇宙学测量中达到了其最深远的尺度。宇宙学家使用星系分布中的模式，即重子声学振荡（BAO），作为“标准尺”来测量宇宙的膨胀历史。任何星系巡天的有限体积意味着我们只看到了整个宇宙网的一个统计实现。这种“宇宙方差”是随机误差的一个基本来源：我们的巡天是整体的一个有限样本，巡天体积越大，这个采样误差就越小。但是，要将观测到的角度和红移转换成距离，我们必须首先假设一个宇宙学模型——一个“基准”宇宙学模型。如果这个假设的模型与真实模型不同，它会引入一个系统性的扭曲，即我们导出的“尺子”中的偏差。无论我们巡天多少星系，这种偏差都不会消失。我们面临着一个深刻的哲学和实践挑战：我们不确定性的一部分来自我们正在采样的宇宙的随机、统计性质，另一部分则来自我们为了开始分析就必须做出的系统性假设。在对混沌系统进行分类时也出现了类似的挑战，其中必须区分随机的传感器噪声和因选择错误的数学参数来分析系统内在的、确定性混沌而引入的系统误差。
我们已经看到噪声作为创造者和对手。我们的故事以一个惊人而现代的音符结束：将噪声视为一个可以被智胜的难题。欢迎来到量子计算的世界。
量子比特（qubits）功能强大得令人难以置信，但同时也脆弱得令人抓狂。它们对其环境中最轻微的随机噪声耳语都极其敏感，这会破坏一个精巧的量子计算。几十年来，主要的梦想是构建具有鲁棒纠错码的“容错”量子计算机，以便它们可以在错误发生时主动修复。这是一个极其困难的工程挑战。
但一个新思想已经出现，一种名为概率性误差消除 (PEC) 的巧妙策略。其逻辑既反直觉又才华横溢。假设你知道你敌人的统计特性。例如，你知道你的量子门，而不是执行理想的操作 ，有很小的概率 也会应用一个错误的操作 。你可以完美地表征这个随机噪声过程。PEC方法接着问道：我们能否通过以一种特定的、奇特的方式运行我们有噪声的机器来构建完美的、理想的操作 ？
答案是肯定的。事实证明，你可以将理想门表示为可用的、有噪声操作的线性组合。例如，理想门可能等于，比如说， 倍的有噪声门减去 倍的有噪声门再跟上一个刻意的“错误”操作。这听起来像胡说——你怎么能进行“-0.1”次实验？你不能。但你可以将这些系数解释为准概率。你在 的实验次数（shots）中运行第一个序列，在另外 的实验次数中运行第二个序列，但当你对结果进行平均时，你将第二组的结果乘以一个负号。奇迹般地，噪声被抵消了，平均结果表现得就像它来自一个完美的、无噪声的门！
当然，天下没有免费的_午餐。这种消除的代价是一个“采样开销”，用 表示。如果误差概率是 ，这个开销可以被证明是 。这个因子代表了你需要多运行多少次实验，才能获得与真正无噪声设备相同的统计精密度。随着物理噪声 变大，开销 会急剧增加。但对于少量的噪声，这项技术使我们能够使用当今不完美的、“有噪声的”量子处理器来执行原本不可能的计算。这是一个惊人的例子，展示了如何利用对随机误差的深刻数学理解，不仅去表征它或平均掉它，而且是主动并精确地消除它。
从生物形态的起源到量子力学的前沿，我们与随机误差的旅程画上了一个圆满的句号。它不仅仅是一个量化我们工具不完美性的数字。它是现实的一个基本方面，一个需要认真对待的力量，一个需要尊重的极限，并且，对于聪明和好奇的人来说，一个等待解决的难题。科学史在很大程度上就是我们与随机性之间亲密而不断演变的共舞史。