计量单位

玻尔百科

核心要点

单位通过量纲分析确保科学方程的逻辑一致性，是对无稽理论的关键检验。
标准化通过使用参考物质或数据缩放创建了一种通用语言，以实现不同实验室和方法之间的精确比较与协作。
单位的误用或忽视可能导致灾难性失败，从航天任务失利到统计分析和机器学习中的错误结论。
像 UCUM 这样的机器可读单位语法，对于确保电子健康记录和人工智能等自动化系统的安全性和准确性至关重要。

引言

一个数字意味着什么？如果没有“米”或“千克”这样的单位，数字只是一个抽象的符号，缺乏物理实体。这个简单的真理是通往科学最关键组织原则之一的大门：计量单位不仅仅是标签，更是我们与自然对话的语法。它们将我们抽象的理论锚定在有形的世界，然而，它们的误用可能导致灾难性的失败，从有缺陷的数据分析到失联的航天器。本文旨在阐述对单位采取严谨方法的根本必要性，解释它们如何确保一致性、促进协作和防止欺骗。首先，在“原理与机制”一节中，我们将探讨量纲分析、标准化和计量可追溯性的核心概念。随后，“应用与跨学科联系”一节将展示这些原则如何应用于不同领域，将医学、生物学和计算机科学编织成一幅连贯的发现图景。通过理解这套语法，我们可以领会支撑所有科学知识的那个无形但至关重要的结构。

原理与机制

想象你是一位刚刚发现新岛屿的探险家。你想描述你发现的一座宏伟山脉。你在日记中写道：“这座山高5。”5个什么？5个臂长？5艘船长？还是5天的路程？没有计量单位，数字5就像一个幽灵——一个没有实体的形状，不传达任何信息。这个在我们日常生活中显而易见的简单真理，是通往整个科学领域最深刻、最美妙的组织原则之一的大门。单位不仅仅是我们附加在数字上的标签，它们是我们与自然对话的语法本身。它们是将我们抽象的数学理论锚定于有形的物理世界之物。

在本章中，我们将踏上理解这套语法的旅程。我们将看到单位如何为我们的思想强加严格的逻辑一致性，它们如何像一块通用的罗塞塔石碑（Rosetta Stone），让全球科学家能够说一种共同的语言，以及忽视它们又如何让我们误信谬误。最后，我们将追溯一条完整的链条，它将实验室中的一个简单测量与宇宙的基本常数联系起来，揭示出一个惊人优雅和精确的结构。

现实的语法：量纲一致性

让我们从一个核心思想开始：在任何有意义的物理方程中，等号两边的单位必须匹配。你不能说一个距离等于一个温度，或者一个质量等于一个速度。这个原则被称为量纲分析，它像一个强大的“拼写检查器”一样，为我们的科学理论服务，是抵御无稽之谈的第一道防线。

思考一下卡尔曼滤波器（Kalman filter）的优雅世界，这是一种数学工具，应用范围从航天器制导到智能手机的GPS。我们可能用两个数来模拟一个移动物体的状态：它的位置 $p$ （单位为米， $\mathrm{m}$ ）和它的速度 $v$ （单位为米/秒， $\mathrm{m/s}$ ）。该模型包含两种不确定性。首先是过程噪声，它代表物体可能经历的不可预测的微小扰动——一阵风，路上的一个颠簸。这种不确定性由一个我们称为 $Q$ 的矩阵捕捉。其次是测量噪声，它代表我们传感器的不完美之处——相机图像或GPS信号中的轻微模糊。这由一个我们称为 $R$ 的矩阵捕捉。

$Q$ 和 $R$ 只是抽象的修正因子吗？完全不是。量纲分析告诉我们，它们具有具体的物理意义，这反映在它们的单位中。因为过程噪声是对状态 $[p, v]$ 的扰动，所以它的协方差矩阵 $Q$ 的单位必须与状态单位的平方相匹配。位置噪声的方差单位必须是 $\mathrm{m}^2$ ，速度噪声的方差单位必须是 $(\mathrm{m/s})^2$ ，而它们的交叉项单位则是 $\mathrm{m} \cdot (\mathrm{m/s}) = \mathrm{m}^2/\mathrm{s}$ 。相比之下，如果我们的传感器只测量位置，那么测量噪声 $R$ 就更简单：它只是我们位置读数的不确定性，所以它的单位是 $\mathrm{m}^2$ 。单位立刻告诉我们 $Q$ 和 $R$ 是不可互换的；它们描述了物理上截然不同的现象——一个与物体的动力学有关，另一个与传感器的局限性有关。单位的语法迫使我们精确地描述我们正在建模的对象。

这个原则甚至更深。考虑在自然界中无处不在的迷人幂律，或称异速生长标度律，从动物的新陈代谢率到地震的频率： $Y = k X^{\beta}$ 。人们可能会好奇指数 $\beta$ 的性质。它只是一个数字，还是有单位？如果我们对方程取对数，得到 $\ln(Y) = \ln(k) + \beta \ln(X)$ 。现在，思考一下：你能对“五米”取对数吗？这个问题很荒谬。对数或任何此类超越函数的参数必须是一个无量纲数。我们代入方程的数值 $Y$ 和 $X$ 本身就是比率（例如， $X$ 是物理量除以其单位），这使它们成为无量纲的。由于 $\ln(Y)$ 和 $\ln(X)$ 是无量纲的，为了使方程保持一致，指数 $\beta$ 也必须是一个无量纲的纯数。

这是一个深刻的洞见。它告诉我们，虽然前置因子 $k$ 是一个“肮脏”的常数，它依赖于我们任意选择的单位（千克对磅，米对英寸），但指数 $\beta$ 是一个“干净”的、系统本身的普适属性。它是恒定不变的。如果我们改变单位， $k$ 会改变，但 $\beta$ 不会。这种标度不变性是分形行为和自组织的标志，表明该指数揭示了关于系统的深层结构真理，而这与我们选择观察它的方式无关。

罗塞塔石碑：创造一种用于比较的通用语言

科学是一项协作事业。一项发现只有在能够被他人验证和发展的基础上才有用。但是，当A实验室使用一台精良的新仪器测得结果“50,000”，而B实验室试图用一台旧机器重复该实验，测得结果“0.8”时，会发生什么？是重复失败了吗？

在合成生物学等领域，这是一个持续的挑战。研究人员通常通过观察像GFP这样的报告蛋白的荧光来测量工程基因线路的输出。原始荧光数值以“任意单位”表示，这取决于测量设备（酶标仪）的品牌、型号和设置。直接比较是不可能的。

解决方案异常简单：创造一块罗塞塔石碑。两个实验室的研究人员不仅测量他们自己设计的部件，还在完全相同的条件下测量一个标准参考部件。然后，他们报告的结果不是以任意单位表示，而是相对于该标准的比率。这个新单位可以称为相对启动子单位（Relative Promoter Units, RPU）。

让我们看看这背后的奥秘。在一个实验室 $i$ 中，来自一个启动子 $p$ 的荧光测量值 $M$ 的一个简化模型可能是 $M_{i,p} = \alpha_i \cdot c_p$ ，其中 $c_p$ 是荧光蛋白的真实浓度（我们关心的量），而 $\alpha_i$ 是一个巨大的转换因子，它包含了实验室 $i$ 仪器的所有特性——其灯光亮度、探测器灵敏度等等。这个 $\alpha_i$ 就是问题的根源；每个实验室都不同。

但是，如果我们也测量标准部件 $S$ ，我们得到 $M_{i,S} = \alpha_i \cdot c_S$ 。现在，看看当我们取比值计算RPU时会发生什么：

R_{i,p} = \frac{M_{i,p}}{M_{i,S}} = \frac{\alpha_i \cdot c_p}{\alpha_i \cdot c_S} = \frac{c_p}{c_S}

那个麻烦的、因实验室而异的因子 $\alpha_i$ 被完全消除了！最终的RPU值是这两个部件内在生物活性的比率。它是一个无量纲量，原则上与所使用的仪器无关。现在，A实验室和B实验室可以直接比较他们的RPU值。如果它们匹配，说明实验已成功再现。通过发明一个标准化的单位，我们创造了一种通用语言，将一座通天塔（Tower of Babel）变成了一个协作的科学共同体。

任意性的暴政：单位如何欺骗我们

当我们对单位掉以轻心时会发生什么？其后果可能比单纯的混淆更为严重；我们的分析工具可能被主动欺骗，导致我们得出系统性的错误结论。在当今的大数据和机器学习世界中尤其如此。

想象一位生物统计学家正在分析一组患者的数据。他们有两个生物标志物的测量值：生物标志物A的值，比如说，是 $150 \, \mathrm{ng/mL}$ ，而生物标志物B的值是 $0.8 \, \mathrm{g/L}$ 。他们想用一种称为主成分分析（Principal Component Analysis, PCA）的技术来发现数据中的主导模式。PCA通过寻找数据中方差最大的方向来工作。

如果这位统计学家天真地将原始数据输入PCA算法，会发生什么？生物标志物A的方差（大约 $150^2$ ）远大于生物标志物B的方差（大约 $0.8^2$ ）。PCA算法为了最大化方差，会发现最重要的“模式”仅仅是生物标志物A的坐标轴。本应是数据有意义总结的第一个主成分，将完全由生物标志物A主导，不是因为它在生物学上更重要，而纯粹是因为它的单位（ $\mathrm{ng/mL}$ ）导致了更大的数值。我们被单位的任意选择所欺骗了。

同样的欺骗也发生在预测建模中。一种名为 LASSO 的流行方法通过惩罚变量系数的大小来构建预测模型。假设生物标志物A和生物标志物B具有相同的预测能力。由于生物标志物A的数值较大，它在模型中将需要一个非常小的系数，而生物标志物B则需要一个较大的系数。LASSO算法看到生物标志物A的系数很小，会判断将其包含在模型中“代价更低”，因此更可能保留它，而丢弃生物标志物B。同样，模型的结论是单位的人为结果，而不是潜在的生物学事实。

解决这种“任意性暴政”的方法是标准化。在分析之前，我们通过减去均值并除以标准差，将所有变量强制转换到一个共同的、无量纲的尺度上。这使得每个变量的均值为0，方差为1。在PCA的世界里，这相当于分析相关矩阵而不是协方差矩阵。通过这样做，我们消除了原始单位的扭曲效应，让我们的算法能够“看到”数据的真实潜在结构。这是一种基本的科学卫生行为。

伟大的测量链：从你的实验室到宇宙

我们已经看到标准化的单位如何实现比较。但这引出了一个更深层次的问题：是什么让标准本身成为标准？我们如何确保巴黎的“一千克”与东京的“一千克”相同，并且两者都与一个世纪前的一千克相同？答案在于现代科学最美丽的构造之一：计量可追溯性。

其理念是，任何有效的测量都应处于一个不间断的校准链的末端，该链条可以追溯到国际单位制（SI）的最终标准。让我们跟随一位想要报告溶液中染料高精度浓度的化学家，来追溯这样一条链。

最终测量： 化学家在分光光度计中测量染料溶液的吸光度。结果取决于机器的读数、光通过比色皿的光程长度以及校准曲线。
校准仪器： 分光光度计的吸光度标尺不能凭空相信。它使用有证标准物质（CRM）进行校准——可能是一种特殊的液体或玻璃滤光片，其吸光度值精确已知，并由国家计量机构（如美国的NIST）出具证书说明。
校准标准物质： NIST是如何认证该CRM的？他们使用了一台更高级别的参考分光光度计。而该仪器又不是通过与另一种吸收材料进行比对来校准的，而是通过将其光功率测量值追溯到一个基准，如低温辐射计。这种非凡的设备通过吸收光束并测量微小的温度升高来测量光束的功率，然后通过精确已知的电学标准将其与电功率（瓦特）联系起来。
校准几何与化学： 比色皿的光程长度也不是假定的。它用卡尺测量，而卡尺本身也用可追溯至米的量块进行校准。用于制作校准曲线的标准溶液是通过在分析天平上称量高纯度固体CRM来制备的。天平用可追溯至千克的砝码进行校准，而固体的纯度可追溯至摩尔。

在这条链的每一步——从瓦特、米和千克的基准复现，到最终的实验室测量——不确定度都经过仔细量化和传播。最终报告的浓度不仅仅是一个数字，而是一个带有明确不确定度的数字，它反映了整个链条的完整性。

这条链是一座宏伟的智力大厦。它将实验室工作台上最平凡的测量与现在定义SI单位的物理学基本常数联系起来——光速定义米，普朗克常数定义千克。这是一个全球性的信任体系，确保我们的科学测量是稳定、可比较和普遍有意义的。

机器语言：安全的语义学

在21世纪，测量数据的消费者越来越多地不仅是人类科学家，还有计算机算法。对于机器来说，歧义可能是灾难性的。考虑一家医院的电子健康记录（EHR）系统，它接收到一位患者的两个连续血清钠结果：“140 mmol/L”和“0.14 mol/L”。医生或护士会立刻认出这是相同的值。但一个简单的计算机程序可能会看到数字140和0.14，如果被要求计算平均值，它会计算出70.12——这个值表明存在危及生命的医疗危机，而实际上并不存在。

为了解决这个问题，我们需要使单位的语言能够被机器读取。这就是像统一计量单位代码（Unified Code for Units of Measure, UCUM）这类标准的目的。UCUM不仅仅是一个缩写列表；它是一种形式语法。计算机可以解析字符串“mmol/L”并理解：

m 是“毫”的前缀，表示 $10^{-3}$ 。
mol 是“物质的量”这个物理维度的基本单位。
L 是“体积”这个物理维度的单位。
/ 表示除法。

掌握了这些语义知识，计算机可以推断出“mmol/L”和“mol/L”代表相同的物理维度（物质浓度），并能自动、安全地应用正确的转换因子1000。它还能识别出以mm[Hg]（毫米汞柱）为单位的血压具有压力的维度，并且与浓度是不可通约的。然后，它可以拒绝执行像将压力与浓度相加这样的无意义操作，从而防止潜在的致命错误。

这是单位的终极演变：从为人类方便而设的简单标签，演变为能够实现智能和安全自动化的丰富、形式化的语言。它突显了最后一个关键原则：我们不仅需要单位本身的（如RPU）及其可追溯性（SI系统）的标准，还需要其表示方式的标准。像提供测量内容代码（例如，“血清钠”）的LOINC系统，以及提供测量方式代码的UCUM系统，共同协作，为一条数据创建了完整、无歧义的描述。这种完整性是未来数据驱动科学和技术赖以建立的基础。

应用与跨学科联系

你是否曾停下来思考过计量单位到底是什么？我们很容易将“千克”或“米”看作是附加在数字上的一个标签，一种行政记账。但这种观点完全忽略了其魅力所在。单位不仅仅是标签，它们是科学的语法本身。它们是经过严格定义、普遍认同的惯例，让我们能将一个物理现象转化为一个数字，然后在实验室工作台、大陆之间或世纪之交分享这个数字，并确信每个人都在说同一种语言。它们是无形的线索，将人类知识的不同领域——从医学到计算机科学，从历史学到生物信息学——编织成一幅单一、连贯的理解图景。让我们踏上一段旅程，探索其中的一些联系，看看这个标准计量的简单理念如何成为推动发现的强大引擎。

作为数字系统的人体

在人类历史的大部分时间里，医学是一门关于性质的艺术。发烧是“高烧”，脉搏是“微弱”，病情在“恶化”。将医学转变为科学的革命，在很多方面，是一场测量的革命。在17世纪，新一代的思想家开始将身体不视为神秘的体液容器，而是一台机器或一个化工厂。医用机械论者将身体看作是杠杆、泵和流体的系统，而医用化学论者则将其视为酸、碱和酵素的熔炉。是什么让他们能够检验这些新想法？是新仪器。

借助经过校准的温度计，医用机械论者首次能将“发烧”的主观感觉转化为一个数字——温度。在干预（如放血）后这个数字的变化，不仅仅是“感觉凉快了”的定性观察，而是可以用来支持或反驳体内流体流动和压力力学模型的定量证据。对于医用化学论者而言，实验室里的精密天平使他们能够证明，在一个化学过程（如中和胃酸样本）中，产物的质量与反应物的质量相同。这是基于物质守恒定律的证据，是在受控环境中可重复、可验证的演示。在这两种情况下，仪器都提供了一座桥梁，从生物学混乱复杂的世界通往数字清晰逻辑的世界，塑造了何为科学证据的定义。

这种定量精神在像John Snow这样的先驱者的工作中得到了最宏大的体现。在他对1854年宽街（Broad Street）霍乱爆发的著名调查之前，Snow花了数年时间精心量化乙醚和氯仿等麻醉气体的效果。他制造设备以输送精确、可测量的浓度——即“剂量”——并仔细观察患者的生理“反应”。当面对霍乱疫情的混乱时，他将这种实验室思维带到了伦敦的街头。他寻找的不仅仅是模糊的“瘴气”或“秽气”，而是在寻找一个源头、一个剂量和一个反应。

他将他的“剂量”操作性地定义为接触一个特定的水源：宽街水泵。然后，他巧妙地构建了他的对照组：不使用该水泵的家庭，原因要么是他们住得较远，要么是他们有自己的私人水井（例如当地的啤酒厂，其工人中无一病例，这很出名）。数字讲述了一个不容否认的故事。那些被水泵水“剂量”的人死于霍乱的风险要高得多。此外，他发现了一个清晰的剂量-反应梯度：离水泵越近，死亡风险越高，这一模式强烈表明源头是局部的，而非弥漫的、通过空气传播的病因。Snow的天才之处在于他认识到，定量测量的原则——明确定义的暴露、受控的比较和剂量-反应关系——可以从手术室里的单个患者扩展到整个人群，从而开创了现代流行病学领域。

今天，这份遗产在医学领域无处不在。当我们筛查老年人的衰弱状况时，我们不只是问他们是否“感觉虚弱”。我们用测力计测量他们的握力，得到以千克为单位的力；测量他们在4米路程上的步速，得到以米/秒为单位的速度。这些并非随意的测试；它们是标准化的、基于证据的测量，其具体的数值阈值经国际共识确定，用于定义肌肉减少症的诊断，并预测个人跌倒和住院的风险。当皮肤科医生想知道保湿霜修复患者干燥皮肤的效果如何时，他们可以测量经皮水分流失（Transepidermal Water Loss, TEWL）。这是一个直接的物理测量，测量水从皮肤蒸发的速度，这是一个通量，单位精确到克/平方米/小时 ( $g \cdot m^{-2} \cdot h^{-1}$ )。通过标准化测量方案，研究人员可以以定量的严谨性来追踪皮肤屏障的功能。在每种情况下，原理都是相同的：标准化的单位将身体的复杂功能转化为一个我们可以追踪、比较和理解的数字系统。

语法错误的无形危险

如果说科学是一门语言，那么搞错单位就像犯了一个灾难性的语法错误。这好比“我们吃饭吧，奶奶”和“我们吃奶奶吧”之间的区别。在科学中，这类错误的后果远非玩笑。也许最著名的例子是NASA的火星气候探测者号，它在1999年失联，原因是一个工程团队在一次关键的推力计算中使用了公制单位（牛顿-秒），而另一个团队则使用了英制单位（磅力-秒）。结果是价值3.27亿美元的太空探测器在火星大气层中烧毁。

同样的危险也潜伏在现代医学数据的浩瀚数字海洋中，且常常不为人见。想象一项关于肾脏病的大型临床研究，汇集了世界各地医院的患者数据。一家医院以毫克/分升（ $\mathrm{mg/dL}$ ）为单位测量血清肌酐，这是一个关键的肾功能指标。另一家则以微摩尔/升（ $\mu\mathrm{mol/L}$ ）为单位测量。现在，一个 $1.2 \, \mathrm{mg/dL}$ 的值是正常的，但它大约等于 $106 \, \mu\mathrm{mol/L}$ 。如果分析数据的计算机程序没有被教会这些单位的“语法”，它可能会从第二家医院读取数字“106”，并将其解释为 $106 \, \mathrm{mg/dL}$ ——这是一个极高的值，意味着几乎完全的肾衰竭。对于一整群完全健康的患者，该算法会错误地计算出他们的肾功能处于灾难性的低水平，从而制造出一个完全虚假的疾病“热点”。这样一个简单的单位转换错误可能会使整个研究无效，导致不正确的公共卫生政策，并引起广泛的误诊。

我们如何构建一个“巴别鱼”（Babel Fish）来防止这种数字混乱？解决方案在于创建更严格的标准。当我们创建复杂的数字对象时，比如来自CT扫描仪的医学图像，我们保存的文件不仅仅是图片。一个现代的DICOM文件是一个丰富的数据容器，一个结构化的元数据库。它不仅存储像素值，还包括用机器可读语言描述这些值确切含义的标签。如果一个放射组学（radiomics）工作流计算出一个新的特征图，比如图像纹理的统计“熵”，DICOM对象不仅会存储这个新图，还会存储一个来自受控术语表（如SNOMED CT）的代码，说明“这是熵”，以及一个来自统一计量单位代码（UCUM）的代码，说明“单位是‘比特’”。它还存储了计算的完整来源信息——所用算法的名称、版本和参数。这确保了多年后，另一位使用不同软件的研究人员可以查看这些数据，并确切地知道它是什么，来自哪里，以及如何正确使用它。

在人工智能时代，这种对语义细节的严格关注变得更加关键。人们很容易认为，我们只需将电子健康记录（EHRs）中的海量原始数据输入一个强大的人工智能模型，让它“学习”模式即可。这是一条危险的道路。要构建安全、可解释和可信赖的人工智能模型，我们必须首先完成整理数据的艰苦工作。患者时间线上的一个事件不仅仅是一个代码和一个数字。一个实验室测试结果必须用其值和其明确的UCUM单位来表示。一个用药记录不仅要包括药品名称，还要包括其剂量、剂量单位、频率和持续时间，从而让模型能够计算出真实的随时间变化的剂量率。一个诊断不应被表示为确定的事实，而应以一个反映临床不确定性的校准概率来表示。通过向人工智能提供语义丰富、结构良好的现实表征，我们不仅仅是给它更好的数据；我们是在植入科学的基本约束，确保模型学习的是医学知识，而不是某家医院数据录入系统的特有怪癖。

编织发现的图景

当我们试图理解复杂系统时，标准化单位的终极力量便显现出来。在这里，我们必须将来自截然不同来源的信息编织在一起，而一种通用的定量语言是唯一能实现这一点的工具。

考虑定量生物学的挑战。一位合成生物学家可能会构建一个基因线路的计算模型。这个模型“说”的是物理和化学的语言；它的方程以微摩尔/升（ $\mu\mathrm{M}$ ）为单位预测蛋白质的浓度。为了测试这个模型，他们进行了一项实验，让该线路产生绿色荧光蛋白（GFP）。实验室仪器，一台微孔板读数仪，测量GFP的亮度，并以任意相对荧光单位（RFU）“说话”。你如何将模型的 $\mu\mathrm{M}$ 预测与仪器的RFU测量进行比较？你不能直接比较。你必须先建一座桥梁。这座桥梁是一条校准曲线，你使用已知浓度的纯化GFP溶液来创建一块“罗塞塔石碑”，将RFU转换为 $\mu\mathrm{M}$ 。这个严谨的校准过程，及其自身的不确定性和误差传播，正是连接数学模型的抽象世界与实验的具体世界的纽带。没有它，我们永远无法真正检验我们的理解。

当我们用一整套现代技术来观察一个单细胞时，挑战会成倍增加。通过单细胞多组学，我们可以同时测量一个细胞的基因表达、其DNA的可及性、其表面蛋白以及其基因组上的甲基化模式。这些测量中的每一种都有其不同的基本性质。基因表达（scRNA-seq）和DNA可及性（scATAC-seq）是作为分子或事件的非负整数计数来测量的。而DNA甲基化则是一个比例——对于基因组中数百万个CpG位点中的每一个，我们测量观察到它被甲基化的次数占总观察次数的比例。单位本身——计数与比例——反映了不同的潜在物理和统计过程。这种理解不仅仅是学术性的；它决定了我们必须使用的数学工具。计数数据适合用泊松分布或负二项分布等模型来建模，而比例则用二项分布来建模。单位不仅仅是一个标签；它是关于现实本质的深层线索，指导着我们整个分析策略。

让我们最后一次将视野拉远，到一个完整生态系统的尺度。考虑对钩端螺旋体病这样一种疾病采取“同一健康”（One Health）的方法，这种病通过受污染的水从动物宿主（如啮齿动物和牲畜）传播给人类。要理解和控制这种疾病，你必须整合来自完全不同部门的数据。你需要人类疾病的发病率（例如，每月每10万人中的病例数）。你需要牛的血清阳性率（检测呈阳性的动物百分比）。你需要一个啮齿动物密度指数（例如，每100个捕鼠器-夜晚的捕获数）。你还需要当地水源中细菌的浓度（例如，每升的基因拷贝数）。

这些数字都不能直接比较。但因为每一个都是一个标准化的、定义明确的量——一个率、一个比例、一个密度、一个浓度——它们可以被放在同一张地图上一起分析。你可以问：当啮齿动物密度上升时，一个月后水中的细菌浓度是否会上升？再过一个月，人类的发病率是否会随之上升？正是因为我们有一种定量的通用测量语言，我们才能开始看到联系，理解整个系统的动态。这就是标准化单位的终极承诺：让我们能够从科学的各个角落抽取线索，将它们编织成一幅关于我们世界的单一而美丽的画卷。