天上的小石子

全部的人类基因组序列大致可以放下一张音乐CD（700MB的那种）。这是怎么计算的呢？

人类基因组由23对染色体构成，组成它们的物质是脱氧核糖核酸（DNA）。DNA呈双螺旋结构，由通过氢键相连的碱基对（base pair）链接而成。每条染色体都是这样的碱基对序列，当中包含有遗传信息的片段，称作基因（gene），也包含仅支持蛋白质合成或目前尚未发现功能的片段。DNA中的碱基（nucleotide base）有四种──A（腺嘌呤，adenine），T（胸腺嘧啶，thymine），G（鸟嘌呤，guanine），C（胞嘧啶, cytosine）。由此，碱基对构成染色体，23对染色体构成人类基因组。

碱基对的构成方式是固定的：嘌呤（purine）只和嘧啶（pyrimidine）成对。它们都是有机化合物。嘌呤-嘌呤对在热力学上不合适因为它们的分子距离太远无法形成氢键；嘧啶-嘧啶对也不合适因为它们的分子距离太近会形成静电排斥。因此除了最常见的AT和GC对，只有GT和AC对。但这两者事实上是错误配对，因为氢键的受体和给体模式不匹配。

我们可以如下计算表示人类基因组所需要的信息量：

• 由于DNA中只有四种碱基，而2² = 4，所以只需要2比特（bit）的信息来表示碱基：00、01、10、11。
• 人类基因组由3080400000（大约30亿）个碱基构成23对染色体。[1]
• 8个比特为一个字节（byte)。
• 1兆字节（megabyte，MB)为2¹⁰ × 2¹⁰ = 1048576字节。

所以一条人类基因组可以用2 × 3080400000 / 8 / 1048576 ≈ 734.42MB的信息量来表示。这当中有大量重复的信息，稍加压缩就可以放下一张700MB的CD，一般压缩可以去掉一半。更进一步压缩，这篇文章说他可以把这些信息压缩成大约10MB，差不多是一首稍长些的MP3歌曲的大小。

也许生命的信息本来就是谱成一首歌来传唱的，就像《生命之歌》。

你可以在这个页面下载完整的人类基因组序列。

[1] Stewart Scherer. 2008. A Short Guide to the Human Genome. Cold Spring Harbor Laboratory Press.

最终还是不得不放弃用Rails做blog（Typo）。虽说自己写一个proxy很复杂，但毕竟是可以完成的事，然而mongrel server在bluehost上的性能我就无能为力了。不知道是本站的spam过于猖獗还是spider（例如，百度）过于疯狂，这些垃圾访问量十分庞大，导致mongrel的开销很大，经常出现500错误，具体为“Too many open files”问题，只有重启mongrel才能解决。Google了一番，似乎解决只有提高系统的file handler数目。Bluehost定下的是100（ulimit -n），但这个似乎远远不够。询问客服能不能增到比如2048，被拒。我不可能经常去重启mongrel，也暂时不能脱离Bluehost（还有差不多一年），所以只能妥协了，重新回到古老稳定的PHP中。不过等到Bluehost期满后决定转到Amazon S3和EC2中，按需付费，而且拥有整个（虚拟）服务器。

所以现在这个blog使用强大的Wordpress，域名仍然是weblog.livepine.org，如果你仍然用以前的链接会自动转到现在的地址。

另外请修改本站的订阅（RSS、syndicate、feed，或者无论叫什么）：http://feed.feedsky.com/livepine。当然你也可以用这个站上的，但用 feedsky更利于我的统计，大概也没有被和谐的风险。

此外，本站使用了Spam Karma 2.3来防御垃圾评论。这是一种基于机器学习的方法，比CAPTCHA对用户更友好，当然也有误把你的评论当成垃圾的风险。有好心人帮我测试下么:) 如果你发现不能评论，请发邮件告诉我：livepine _at_ hotmail 点儿 com。

最后，本blog会保持至少一年，到时再折腾诸如EC2、Erlang之类

前一阵bluehost（本网站的托管商）的ruby on rails突然升级到2.0。虽然也保留了老版本的rails（1.2.6），但不知什么原因原本的blog引擎Typo就是没法用了。正好新的Typo 5.0基于Rails 2.0，趁机转换到新的平台。原来rails的应用是部署在FastCGI+Apache 1.3上，但FastCGI的效率实在比较恐怖。Bluehost装了Mongrel server，于是目前Typo是运行在Mongrel上，看上去还行，除了占用巨大的内存（>250MB）。但愿bluehost不会因此给我造成任何麻烦。

但Mongrel使用的是非80端口，这样会给用户带来困扰（例如很多局域网封非80端口，而且非标准端口看上去很怪异，也不利于SEO），于是研究如何在Apache 2.2上用Mongrel+Typo。最方便的做法就是使用Apache的模块mod_proxy和mod_proxy_http。这种内部代理能够将外部的请求（例如，正常80端口的请求）映射到Mongrel的端口上，这样Apache就相当于一个代理服务，能够和Mongrel一起工作了。Bluehost的Apache 2.2默认mod_proxy没有打开，联系了几次客服，说是由于这个模块一贯有安全漏洞，他们不能支持。

这样就非常麻烦了。没办法，只得自己写了个简单的Perl的proxy程序，模拟mod_proxy的功能，将所有80端口的请求映射到mongrel server的端口（4122）上。对于GET请求还比较简单，但POST（例如，评论功能）请求就有点复杂，需要用perl来模拟客户端行为，将POST上来的数据转换之后再POST到4122端口上。这个挺麻烦，偏偏需要模拟的是一个套Hash的Hash，总是搞不定。可能Perl的数据结构经过HTTP POST之后给Ruby接收就变了样。此外还有Apache ReWrite会丢弃内部锚符（#），这个可能会给现在的Ajax应用带来问题。看来一个好的proxy还是很复杂的，只能先放放了。

所以，这个blog的永久域名是weblog.livepine.org（livepine.org/weblog还能用，但会给自动转换成weblog.livepine.org），但目前你用这个域名来浏览本站还不能评论（会有出错信息）。如果你想评论，请将域名weblog.livepine.org替换成livepine.org:4122，其余的部分都一样。后面这个4122域名应该长期有效，但等评论功能恢复之后不建议使用，毕竟看上去比较丑么。

所以，是的，本站没有死，将继续前进。

• 有且仅有一个USB口；
• 没有光驱（当然，有一个烧包的高价外置光驱）；
• 没有以太网卡；
• 电池不可更换；
• 不能扩展内存；
• 太薄，易断；
• 低端配置，直追MacBook Pro的价格。

苹果自恋情节的再一次完美诠释。MacBook Air大概只适合手无缚鸡之力的“时尚”人士。

Powerset是一个自然语言搜索引擎。它是一家位于美国旧金山的创业公司，今年早些时候获得了施乐帕洛阿尔托研究中心（PARC）所研发的自然语言处理技术，标榜能够理解人类所使用的自然语言。这同Google、百度、雅虎之类的搜索引擎有极大的不同。后者利用关键字搜索，因而检出的结果同使用者原本的意图可能有很大差别，而且也很难判断自然语言中大量存在的同字不同意等模糊情况。一个自然语言搜索引擎，如果真像其名称所指的那样，就可以克服这些困难，更加准确地达到使用者想要的信息。

然而我总是对这样的宣称持怀疑态度。事实上人工智能发展了半个多世纪，自然语言处理一直是研究热点之一──但主要成果都集中在语音识别上，即将输入的自然语言语音解读成准确的文字。据我所知，还没有任何技术进展能够完整地识别一门自然语言，例如英语。不过，简单的理解并没有不可逾越的困难，例如基于特定句式的单句理解已经有了颇多的成果，人们可以把不太复杂的单句用逐字分析的方法纳入特定的语法结构，然后根据解析出的语法结构来判断单字的意义，并转化成计算机所能够识别的查询条件。

Powerset的搜索技术应该大致基于此。你不可能指望输入──不要说长篇大论──即使是一个小片段，该引擎也能理解并返回相关的结果。这种输入即使能够被允许，目前“智能”的自然语言理解恐怕远没有聪明点的关键字匹配来的有效甚至准确。

Powerset公布已经很久了，可是到目前未知仍然没有开放（说是要到2008年初）。前两天收到了他们的实验网站Powerlabs的邀请（你可以到这里来注册），于是来体验一把。Powerlabs的页面做得不错，充分使用了AJAX（没有Flash！），用户体验很好。网站的功能之一是用户社区，你可以提出改进意见，并且有类似Slashdot的业值（Karma）系统来评价你的贡献。业值高了能够试用更多的功能作为奖励。看样子目前Powerset正处于集思广益阶段，非常倚重社区，希望通过用户的反馈来不断改进服务。

另一个重点就是自然语言搜索演示。与我原本期待的不同，这里你不能随意输入任意的句子，而只能在一大组提供的句式中填空，例如A说了B什么，X画了什么，之类。演示所采用的索引数据库不是整个互联网，而是英文wikipedia。这大概也是因为相对整个互联网散漫的语言而言，wikipedia更有组织，更能够正确建模的缘故。演示将句式分成引用、商业、艺术和体育四大类，这一来方便用户，二来我想wikipedia的内容也可以根据分类优化，从而结果更准确。我测试了下面几个例子：

1、商业。句式 Who works for ___ （谁为___工作？）填入 chinese government （中国政府）

结果（点击放大）

结果看上去不错。黄色高亮标出的是搜索引擎认为相关的结果。第一条来自漫画“Supreme Power”，第一段高亮不太相关，第二段很正确。第二条结果也是第二段正确。

2、引用。句式 What did ___ say about ___ ? （___说___了什么？） 填入 google 和 microsoft（微软）

结果（点击放大）

没有返回搜索引擎认为相关的结果。在我看来列出的结果确实不太好。也许wikipedia里目前没有相关内容？Powerset大概还没智能到联想的地步，比如不能理解Google和Microsoft高官之间的唇枪舌剑就是高度相关的。看来句式复杂一点就会出问题。

3、引用。句式 What did ___ say? （___说了什么？） 填入 steve ballmer（微软CEO）

结果（点击放大）

句式简化一点结果就好多了。不过此公确实经常大放厥词。

此外演示还提供了一个powermouse功能，用图示的方法列出两个名词和一个关系（动词）的结构。例如你可以填写man和woman，然后引擎列出男人和女人之间所有可能的关系和动作。不过还不能智能到归纳所有男人和所有女人，例如结果里就不会田亮和郭晶晶的故事。我试了查询colonize（殖民）关系，其中一方是mars（火星）。结果（点击放大）：

结果大致靠谱。也许这是个科幻的话题，结果所列出的关系多出自于科幻小说。有趣的是其中关于中国人殖民火星的结果很多啊

总得来说Powerset初用感觉还行。总结下来优点如下：
1、对于英语能处理动词的变位，名字单复数，不过这应该是基本能力了吧。
2、界面体验不错，很漂亮。这年头这个很重要。
3、集思广益，充分利用网络的力量。而且自然语言毕竟是人类语言，不范式化的地方很多，所以要理出合理的关系，还要靠大量人工。

缺点：
1、最核心的，这只是自然句式处理。当然人工智能没有重大突破前真正的自然语言理解不可能实现。
2、虽然是这样，还是希望最后的产品能够允许用户自由地输入句子，而不是像现在这样选择并填空。
3、演示中没有更复杂的句式，例如三个以上空的。也许他们已经有了更强大的功能，我业值不高还不能试用？
4、不能联想啊……不过这是不是要求太高了。
5、目前速度很慢。尽管索引限于wikipedia，用户也很少，速度跟Google比还是差了一大截。这样会带来很不好的用户体验──现在人们已经被惯坏了，谁会愿意等半天只看到一堆无用的结果？

Powerset去年底得到默多克新闻集团和几个硅谷投资公司1250万美元的风险投资，风头正盛。它所标榜的技术是非常能够吸引人的，想要超过或者成为另一个Google，也许只需要做的稍好一点。不管怎样，这将是第一个“传统”的人工智能课题得到大规模应用的例子，如果能够顺利开展，一定会为这方面的研究带来巨大促动。

这几天在亚马逊英国买东西，第一次碰到发货好久都没收到。到网站写信给客服，回信很快，态度诚恳。过几天又来信，诚挚道歉，因为他们调查发现快递公司把货放错发货站了。承诺马上改正缺点，态度没得说，可是等了一个礼拜仍然没收到……于是晚上发信去质问，没想到两个小时后，凌晨三点就收到回信了──表示您要是真的不满意，我们可以重新发货，或者我们退还所有费用。看看署名是英国的客服，于是十分惊异他们的快速反应和，呃，服务时间。照理在英国这种地方不要说24小时，就是夜间服务也是很少见的，可亚马逊英国的客服竟然凌晨还在上班。总结下这件事情应该有三种解释：1、客服在其它地方，例如美国或者亚洲，那么这个时间差不多；2、他们真有人24小时上班──连机场也没这么勤快啊；3、这是自动回复信件。第三点有些科幻了，因为虽然回信内容可以格式化，完全可以根据不容的情况组合内容，但要看懂我的信的内容应该是个人类。要么，亚马逊已经掌握了如此先进的技术，能够准确识别自然语言的内容了？

一直都是拉力赛类游戏的爱好者。第一次玩的此类游戏是《International Rally Championship》,1998年的老游戏了。当时一上手就欲罢不能──想想看，一位孤独的赛手在黑色的雨夜中疾驰，穿过漆黑的森林，周围就只有轰鸣的发动机忠实相伴。我几乎是立刻就被这意境迷住了，现在仍然记得那个时候夜夜为此痴狂的景象。

从此几乎每款拉力赛游戏我都不会拉下。Colin McRae（CMR）系列应当是目前拉力赛游戏中最好的。我的PSP中常驻的只有CMR05。如今这一系列就要推出最新的DiRT。下了demo试玩，感觉相当震撼。画面极其精美，大概是命名“DiRT”的缘故，赛车所到之处都是飞沙走石，烟尘滚滚的感觉。不过操控感有点不爽，感觉很“漂”，但愿在正式版中有所改善吧。我的机器看来还不够强悍，在最高档画质的设定下开800×600还凑合，1024×768就难以接受了。来看看游戏截图：（来自GameSpot，点击放大。更多图片）

我的那台Compaq再过一个月就满四年了。两年半以前换了块更大更快的硬盘，最近一个月终于貌似要归位了──读盘速度大幅下降，怪异声音不断。于是下决心换机。看中苹果的机器很久，主要是为的Mac OS X──最易用的UNIX变种。另一个原因还归功于苹果的市场策划──最初吸引我的就是MacBook Pro网页上电脑屏幕中的那张照片，第一次看到它我其实就决定了。把不太相关的事情用神秘的关系连起来，就是宗教

原本打算等到Leopard出来之后再出手，没想到给延到了十月份，等不及了。4月21日在网上下单，遭遇银行大宗支付保护机制拦截，只得打电话给银行放行，成功。等到4月25日终于发货，但订购系统说要等到5月7日才能到。这效率真是……早知道就亲自去店里买了。苦苦等到5月7日，没来，打电话给苹果客服，一通废话。次日终于入手（发现其实5月4日才发货），心情大好。我也来赶时髦秀些开箱照──

UPS的箱子

黑色的盒子

缓冲泡沫也很有艺术感

打开之后，所有的东西

底下还有一个小盒子，”Designed by Apple in California”，里面是说明书和系统盘

揭开此封，新的旅程开始

当当当当~~~

还蒙着一层纱

揭开它！

键盘

第一次启动，完成初始化配置之后

说起来Mac OS X的界面对我还是全新的，不过上手很快。最喜欢这硕大的屏幕，初看还不太习惯，觉得很扁，可是很快就爱上这1440×900的空间了。Mac OS X好像没有Windows/GNOME/KDE那种任务栏面板，但Exposé似乎更有效率一些，而且更酷。用了Mac之后才发现原来GNOME从中偷师不少，如今类似Beryl的界面也实现了类Exposé的效果。Mac OS X的内核Darwin基于FreeBSD服务层，也可以使用x11应用，所以从命令行到许多GUI软件看上去都和FreeBSD一致。于是许多事情可以通过终端的命令行来做，也可以vi了。真是不错。

这台机器也有许多SB的地方。例如只有两个USB接口。作为卖得这么贵的玩意儿竟然只有这么少的USB口，真是不厚道。剩下的空间放什么了呢？原来还有两个火线口──我大概永远也用不到的东西。看来苹果还是很矜持自己参与制定，尽管已经式微的标准。最可怕的是键盘，许多键都同标准的或者不标准的PC键盘不一样，尤其是那个回车键好像被虐待似的还没shift键大。最受不了的是，竟然没有delete键──Google一番后才知道原来人苹果压根就没这个，一般退格键就足够了么。看样子我只能被迫适应。此外还有输入法，原配的智能ABC同PC上的智能ABC有一拼──一点儿也不好用。装了一个当下很火的Fun Input Toy，虽然仍差强人意但还凑合。也许搜狗输入法或者谷歌拼音谁可以兼容下Mac？

机器的底部有一行小字：”Designed by Apple in California Assembled in China”。很好地诠释了上游设计，下游制造的市场关系，很直白，也很赤裸裸。要等多少年，衷心希望那时这种高附加值产品能够把这关系倒过来，至少也是”Designed in China”！

Designed by Apple in California Assembled in China

上一次在自家的机器上用Linux还是Redhat 7.2，算起来我不用Linux已经五年多了。当初离开Linux投奔FreeBSD怀抱的原因很多，比如Linux的配置文件凌乱，发行版太多，软件安装方法各异，不喜欢GPL，等等。最近硬盘快挂了，于是将另一块硬盘换上。想到这两天Ubuntu 7.04（代号“Feisty Fawn”）刚刚新鲜出炉，索性装一把试试。

Linux这么许多年来虽然发行版越来越多，配置文件的管理依旧凌乱，但毕竟业界大厂支持越来越到位，开发人员众多社区庞大，还是有长足的进步。Ubuntu号称最人性化的Linux，在桌面上下的功夫真是不少。安装没费什么劲，反而令我惊讶的是安装过程中自动发现了硬盘上Windows XP的分区，并提示是否需要把Firefox，Thunderbird，IE Favorites等的用户配置文件（就是Documents and Settings下面那些东东）导入到Linux里。个人以为这个设计对刚从Windows转过来的用户很贴心。安装完毕进入系统，我选的是中文，觉得默认的界面不错，不过字体貌似有些别扭，一看之下果然是“文鼎上海宋”。文泉驿点阵字体我一直在FreeBSD下用，于是安装下，没有配置XWindow就已经全变成文泉驿的中文字了，不错，赞一个。

这里得说下Ubuntu的软件安装方式。感觉上Linux下最普遍的安装方法还是二进制包，比如Redhat的RPM和Debian的DEB，这同FreeBSD基于源文件编译的ports系统很是不同。Ubuntu就是基于Debian的，所以也用apt-get——这个工具非常强大，可以自动从远程服务器上寻找合适的软件包下载。更为可贵的是，如果你输入了未知的命令，系统自动从软件源中寻找可能的匹配，并提出建议，例如：

livepine@PEREGRIN:~$ epiphany
The program ‘epiphany’ is currently not installed. You can install it by typing:
sudo apt-get install epiphany-browser
bash: epiphany：找不到命令

这个功能非常棒！再赞一个。 我想Ubuntu的“对用户友善”的口号名至实归，应了“细节是魔鬼”的概念。

说到这里，我对于Ubuntu 7.04的基础应用非常满意。Ubuntu在桌面方面还是比FreeBSD要技高一筹，至少Flash有官方支持的9.0可以使用，Acrobat Reader、Google Earth（以及我必备的MATLAB）不需要通过Linux服务层来运行。再加上用户友好的apt-get系统、完善的中文配置和一大堆的预装实用软件，绝对是个“生产力系统”。

而更令我兴奋的是那眩目的三维桌面和增强效果。Ubuntu 7.04预置了Compiz引擎，打开可以看到阴影菜单和三维桌面等效果。不过在我的机器上有问题，不是很实用。而在装上了Beryl之后（安装方法见这里），发现原本认为需要很高配置的桌面特效在我这四年的老机器上（P4 2.0，768MB RAM，ATI Radeon 7500 32MB）仍能够顺畅运行，CPU占用很低，想来比那Windows Vista的AERO也不差吧，却要经济得多。眼见为实，请看桌面截图：

三维旋转桌面

真的透明窗口和阴影

桌面切换效果1

桌面切换效果2

“黏性”的窗口效果

窗口预览

总结：Ubuntu Linux 7.04是个适合大多数人使用的实用高效经济的桌面操作系统。

IT新闻里想要没有Google真是很难。Google资助了一个项目OCRopus，这个说白了就是古老的OCR的开源项目。OCR（光学字符识别）是模式识别领域的一个传统项目，基本已经有了很成熟的成果，相关的商业软件（例如中文的有汉王）也早已广泛应用。不过这一技术，同许多其它模式识别/人工智能领域的成果一样，非常复杂，不是仍在实验室研究阶段，就是只被一些商业公司掌握。此次Google赞助的OCRopus是基于两个核心－一个字符识别模块和一个页面布局分析模块。前者来自惠普1995年就已经停止开发的一个高性能OCR软件Tesseract，现在HP把它捐献了出来（Google说是前HP雇员从垃圾堆里找出来的），后者没有提及。Tesseract本身也被开源了（地址）。目前Tesseract是作为OCRopus的一个英文字符识别插件，以后还会有其它语言的插件。

我想Google又做了一件好事，虽然Google说他们的野心是“我们已经记录了几乎所有网上的数据，现在是开始记录纸上数据的时候了”，有一些人可能不喜欢。OCR作为技术藩篱存在了近十年，而且它已经不再是模式识别领域研究的热点。十年来这项技术几乎没什么发展。相信Google此次的开源行为会重新激起这方面的热点，让更多的人参与进来，会带来更好的技术。

Google既然已经行动了，很多事情便有压力和机遇了。