科学究竟在做什么：自然科学思维的对象、目标与边界
当人们说“相信科学”时，常常不自觉地把科学理解为一套已经完成、无需怀疑的正确答案。然而，自然科学真正做的事情，并不是替世界盖上“最终解释”的印章，而是在纷繁复杂的自然现象中，寻找那些能够被共同观察、反复测量、公开检验的稳定关系。它关心的不是某个人“觉得像什么”，也不是某个时代“普遍相信什么”，而是：在不同地点、不同时间、由不同研究者采用相近方法时，某种现象是否仍然以可描述、可比较、可预测的方式出现。正是在这种意义上，科学首先是一种组织经验的制度化方法，其次才是一组不断更新的知识结论。
自然科学究竟以什么为对象
可观察、可测量、可检验的现象与过程
自然科学的研究对象，首先是自然界中的现象与过程。这里的“自然界”并不只指山川河流、日月星辰，也包括微观粒子、细胞活动、材料结构、大气循环等并不直接呈现在感官前的对象。关键不在于对象是否“肉眼可见”，而在于它是否能够通过仪器、实验设计和数据分析，被转化为公共可讨论的证据。
例如，人眼不能直接看见电子，也不能直接“摸到”黑洞，但科学仍然可以研究它们。原因在于，电子的存在会在阴极射线实验、谱线分裂、电流输运等现象中留下稳定痕迹；黑洞则会通过恒星轨道异常、引力波信号和事件视界附近的辐射特征表现出来。换言之，自然科学并不要求研究对象必须是“直接可感”的，而要求它必须与某种可重复观察的效应相关联。
这一区分十分重要。它意味着科学研究的不是“世界的一切”，而是“那些能够进入证据链条的部分”。凡是无法留下公共证据、不能形成可比数据、不能接受反复核查的内容，就难以成为自然科学的直接对象。
科学对象不是“自然的一切”
许多初学者会误以为，自然科学既然研究自然，就应当回答关于自然的一切问题。事实并非如此。比如，“宇宙是否有终极目的”“生命是否具有神圣意义”“美为何令人感动”这些问题固然重要，却不属于自然科学的核心处理范围。原因不是它们“低级”或“不值得研究”，而是因为它们通常涉及价值、意义、目的与规范判断，而这些判断并不总能通过实验和测量来裁决。
自然科学更擅长处理的是如下类型的问题：行星为何沿特定轨道运行？病原体如何传播？某种材料在高温高压下为何改变性质？全球平均气温为何在工业化后持续上升？这些问题都具有一个共同特征：它们允许研究者通过观测、比较、建模和检验，逐步压缩解释的分歧空间。
因此，自然科学的边界，不是由“研究对象看起来是否宏大”决定的，而是由“问题能否进入经验检验程序”决定的。
科学与常识、哲学、技术、宗教信念和个人经验的关系
科学并不等于常识
常识是人类长期生活积累出的经验性判断，它通常高效、实用、低成本。例如，人们知道火会烫伤，乌云常预示降雨，拥挤场所更容易传播疾病。这些判断在日常生活中极有价值，但常识往往受限于局部经验、感官错觉和文化环境。
科学并不拒绝常识，反而常常从常识问题出发；但它不会停留在“看起来如此”的层面。地面静止、太阳东升西落，这些都符合常识，却并不构成天体运动的科学解释。科学要求进一步追问：观察为何如此？是否存在更一般的机制？在不同条件下是否仍然成立？
可以说，常识是未经严格校正的经验，科学则是经过标准化方法筛选和重建的经验。
科学离不开哲学，但不等于哲学
哲学追问概念前提、推理结构与知识边界，例如“因果是什么”“什么算解释”“为何经验能够支持理论”。这些问题为科学提供方法论反思。没有哲学，科学就容易把自身的前提误认为自明真理；没有科学，哲学也可能失去与经验世界的持续接触。
但二者并不相同。哲学可以讨论“何为实在”这样高度抽象的问题，而自然科学则必须把问题转化为可操作的研究程序。哲学帮助我们理解科学为何需要证据、模型和反驳；科学则通过具体研究说明，哪些主张在经验上站得住脚。
科学不是技术，但技术常以科学为基础
技术的目标主要是“做成某事”，科学的目标主要是“解释某事”。前者强调控制、效率和实现路径，后者强调机制、因果和可检验性。二者密切相关，却不能混为一谈。
例如，制造高效电池属于技术问题，但要理解离子迁移、界面反应和材料退化机制，则属于科学问题。没有科学，技术的发展会缺乏深层原理支持；没有技术，科学也常常缺少精密仪器、实验平台和应用检验场景。两者相互推动，却各有重心。
宗教信念与个人体验不构成科学证据
宗教信念主要处理终极关怀、价值秩序和精神意义，个人体验则反映个体感受、记忆与主观确信。它们都可能对人的生活极其重要，但重要并不等于可作为自然科学证据。
如果某人说“我亲身感觉某种草药有效”，这可以成为研究线索，却不能直接证明药效成立。因为个体体验会受到安慰剂效应、选择性记忆、自然病程波动等多种因素影响。科学必须进一步进行盲法试验、对照实验和统计分析，才能判断该主张是否可靠。
> 科学并不否认主观体验的存在，而是否认主观体验足以单独决定公共结论。
什么样的问题才算科学问题
问题必须能够被明确表述
科学问题不能只是模糊感叹，而必须转化为可操作的问句。比如，“天气越来越奇怪”不是严格意义上的科学问题；“过去一百五十年全球平均地表温度是否显著上升，上升幅度与温室气体浓度变化是否相关”则是科学问题。前者表达感受，后者界定了对象、时间范围、变量和检验方向。
问题的明确表述，实际上是在规定研究工作的起点：测什么、如何比较、何种结果支持或削弱原命题。
研究对象必须具有公共可讨论性
科学不是私人的“顿悟竞技”，而是公共知识生产。一个结论若要被承认为科学结论，就必须允许其他人理解其方法、检查其数据、复现实验或重新分析。所谓公共可讨论性，不是要求所有人都能立刻掌握全部技术细节，而是要求原则上存在开放检验的路径。
这也是为什么实验记录、数据标准、误差范围、统计方法、同行评审如此重要。它们使知识不再依附于某位权威人物，而嵌入共同体的审查机制之中。
结论必须允许被反驳或修正
科学主张最根本的特征之一，是它必须承担出错的风险。若一个说法无论出现什么结果都能自圆其说，那么它就难以成为科学命题。科学中的“可反驳性”并不是鼓励否定一切，而是要求理论明确指出：在什么条件下，它会被视为不成立、需要修改，或至少适用范围受到限制。
例如，若一个传染病模型预测在接触率下降后新增病例应明显减少，而现实数据长期完全相反，研究者就必须检查模型假设、数据质量或机制遗漏，而不是简单宣称“模型总是对的”。科学的力量恰恰来自这种制度化的自我纠错能力。
```mermaid graph TD A[观察现象] --> B[提出问题] B --> C[构造假设] C --> D[设计观测或实验] D --> E[获得数据] E --> F[分析与建模] F --> G[形成解释与预测] G --> H[公开检验与复核] H --> I[修正、保留或否定] ```
科学知识为什么不是“绝对真理”
证据支持的是“当前最佳解释”
许多人在学校里接触科学时，容易把教科书上的内容理解为不可动摇的真理。但科学知识更准确的表述应是：在现有证据、现有方法和现有理论框架下，对自然现象的最佳解释。这里的“最佳”并不意味着完美无缺，而意味着它比竞争性解释更能统一证据、做出预测并经受检验。
牛顿力学就是典型例子。它极其成功地解释了宏观低速条件下的大量运动现象，能够用诸如 $F = G\frac{m_1m_2}{r^2}$ 这样的关系式统一天体与地面物体的运动规律。但在高速、强引力和高精度条件下，广义相对论提供了更准确的描述。我们并不会因此说牛顿力学“完全错误”，而是说它有明确适用范围。
不确定性不是缺陷，而是诚实表达
科学常以误差条、置信区间、概率预测的形式表达结论，这常被外行误解为“不确定，所以不可靠”。实际上，不确定性的量化正是科学成熟的表现。一个能够说出“我们知道到什么程度、还不知道什么”的知识体系，远比只给出绝对断言却无法说明证据强弱的体系更可信。
例如，气候科学并不声称可以精确预测某地某一天几十年后的天气，但可以较高置信度判断长期平均气候趋势及其驱动因素。天气预报与气候预测针对的是不同时间尺度和不同问题层级，混淆二者，常是公众争议的来源之一。
科学进步常表现为修正，而非推翻一切
科学史并不是“旧理论全错、新理论全对”的戏剧化故事，而更像逐步扩展适用范围、提升解释精度、澄清边界条件的过程。某些旧理论被保留为近似模型，某些概念被重新定义，某些测量方法被更新。科学的稳定性来自它对证据的依赖，科学的活力则来自它允许修正自身。
四个案例：科学如何组织观察、构造解释并检验主张
天体运动：从“看见太阳绕地球转”到动力学解释
日常经验告诉我们，太阳每天从东方升起、西方落下，仿佛太阳围绕地球运动。这一常识并不荒谬，因为它忠实反映了地表观察者的视角。但科学并不满足于现象描述，而是追问：怎样的模型能更统一地解释行星逆行、季节变化与天体周期？
从第谷的精密观测，到开普勒总结出行星轨道规律，再到牛顿以统一的引力理论解释天体与地面运动，科学展示的不是一连串“天才结论”，而是一条由观测精度、数学表达和理论整合共同推动的路径。后来，水星近日点进动的微小偏差又成为检验经典理论边界的关键线索，最终推动更高层次理论出现。这说明科学并不因“已有解释”而停止，而是持续关注解释与证据之间的残差。
传染传播：从经验防疫到机制模型
在人类历史上，人们很早就知道某些疾病会在密切接触后扩散，但对于传播机制的认识经历了漫长变化。瘴气说曾试图用“坏空气”解释流行病，而病原体理论则通过显微观察、培养分离、感染实验等证据链，逐步建立起更稳固的机制解释。
现代流行病学进一步使用模型描述传播过程。在最简化的框架中，基本再生数 $R_0$ 可以理解为一个感染者在完全易感人群中平均能传染多少人。若 $R_0 > 1$，疫情有扩张趋势；若 $R_0 < 1$，传播通常会衰减。以麻疹为例，其 $R_0$ 常可高达 12 到 18，这意味着它具有极强传播性；这也解释了为何接种率必须维持在很高水平，群体免疫才可能发挥作用。
这里尤其值得注意的是，模型不是现实本身，而是对现实某些关键机制的抽象。它的价值不在于复制全部细节，而在于帮助我们识别最重要的变量，并据此生成可检验的预测。
材料性质：看得见的性能，来自看不见的结构
一块金属为何坚硬，玻璃为何脆，橡胶为何富有弹性？这些问题在日常生活中似乎只是“物品好不好用”的经验判断，但在科学上，它们对应的是材料微观结构、键合方式、缺陷分布与宏观性能之间的关系。
例如，同样是碳元素，可以形成柔软的石墨，也可以形成极其坚硬的金刚石。这不是因为“碳的本性忽然改变”，而是因为原子排列方式不同，导致电子结构和键合特征不同，进而表现为截然不同的硬度、导电性和光学性质。工程师关心如何制备更耐高温、更抗腐蚀的材料；科学家则进一步追问：晶格结构如何决定强度？杂质掺杂为何改变导电性能？裂纹为何在某些条件下快速扩展？
在这一案例中，我们尤其能看出科学与技术的分工：科学负责解释“为何如此”，技术负责实现“如何做到”。
气候变化：复杂系统中的证据整合
气候变化常被误解为“天气变热了一点”的直观感受问题，实际上它是一个典型的多源证据整合问题。研究者依靠地面观测站、海洋浮标、冰芯记录、树轮数据、卫星遥感和气候模型，重建过去气候变化并分析其驱动因素。不同证据来源彼此校验，使结论不依赖单一测量手段。
工业化以来，全球平均地表温度已较前工业化时期上升约 1.1℃。这一数字本身并不意味着每个地区都以相同幅度升温，但足以反映地球能量平衡正在发生系统性改变。更关键的是，仅考虑太阳活动或火山喷发等自然因素，难以解释近代升温趋势；将人为排放的温室气体纳入模型后，模拟结果与观测记录显著更为一致。
这一案例提醒我们：在复杂系统中，科学结论往往不是来自单次决定性实验，而是来自多条证据链逐步收敛。公众有时要求科学给出“百分之百确定”的承诺，但复杂世界中的高置信度、可重复收敛和机制一致性，本身就是极强的知识依据。
科学不是结论的堆积，而是一种思维程序
如果把科学仅仅理解为“已经知道了什么”，就会忽略它最核心的训练价值：它教人如何从混乱现象中提出好问题，如何区分观察与解释，如何识别证据强弱，如何在不确定条件下做出暂时但负责任的判断。
这种思维程序至少包含以下环节：
- 从现象中抽取可定义的问题；
- 将模糊经验转化为可测量变量；
- 构造能够生成预测的模型；
- 通过实验、观测和统计检验模型；
- 在共同体中接受批评、复核与修订。
其中每一步都可能出错，因此科学从来不是某位天才独自完成的精神壮举，而是一种依赖标准、工具、争论与合作的集体事业。望远镜、显微镜、粒子探测器、数据库、统计软件、论文制度、同行评审机制，这些看似“外在”的东西，实际上共同构成了科学知识得以成立的条件。
> 科学之所以可靠，不是因为科学家不会犯错，而是因为科学制度要求错误尽可能暴露、被记录、被纠正。
边界意识：科学能做什么，不能做什么
尊重科学，并不意味着把科学抬升为回答一切问题的万能法官。科学可以告诉我们某种能源方案的效率、成本与环境影响，却不能单独决定社会究竟应优先追求何种价值；科学可以评估基因编辑的风险与可能收益，却不能替代关于公平、尊严与责任的伦理讨论。凡涉及“应该如何”“什么更值得”“谁来承担代价”的问题，往往需要科学、伦理、法律与公共讨论共同参与。
科学的边界意识并不会削弱科学，反而使它更为稳健。因为一种知道自己能回答什么、不能回答什么的知识形态，才更值得信任。
作为全书起点的总框架
理解自然科学，首先不是背诵事实，而是把握一种面向世界的工作方式：从观察出发，以证据为约束，以模型为中介，在共同体中接受检验，并在必要时修正自身。无论研究的是星体运行、病毒传播、材料性能还是地球气候，真正贯穿其中的，都不是零散结论，而是同一种认知秩序：问题必须清楚，证据必须公共，主张必须可检验，结论必须可修正。
接下来的讨论将沿着这一主线展开：我们将进一步追问观察如何转化为证据，数据如何被组织成解释，模型如何在简化现实的同时获得预测能力，科学共同体如何通过规范、争议与合作生产相对可靠的知识，以及当知识转化为技术力量之后，人类又应如何面对风险、责任与伦理边界。只有在这个总框架中，自然科学才不再是一堆分科知识的拼盘，而成为一种真正能够照亮世界、也照亮我们自身判断方式的“科学之眼”。