上页我们看到计算已经渗透到医学的每个角落。但当一个基因测序仪一天产出20TB数据、医院一天产生上万张影像切片时，挑战的真正面目才浮出水面——海量数据本身成了最难处理的对象。

一个医生面前堆着10万张CT影像、一个基因测序仪每天吐出几TB原始碱基——这些'原材料'本身不是知识，必须经过计算工具的层层加工，才能变成可指导决策的发现。

把FASTQ原始数据一步步加工成可信的变异位点列表，是计算基因组学的核心流水线。

从左到右读：先准备靶点与化合物库两层输入，经粗筛到精算两层过滤，最终把 Top 化合物送上实验台。

上一节药物模拟动辄跑百万次「随机」采样——但你按下回车那一刻，计算机真的在「随机」选吗？这一页拆穿这件事。

计算机是确定性的机器——给定相同输入，永远吐出相同输出。那临床试验的随机分组、蒙特卡洛模拟的随机抽样，怎么做到「随机」？答案：伪随机数生成器，用确定公式制造看似无规律的数列。

前页我们造出会'扔骰子'的伪随机数——那用这些'数字骰子'能算什么？蒙特卡洛方法给了一个经典答案：扔够多次，答案自己浮现。

用随机抽样反推定积分，几何上就是把点数比例放大成包围盒里的面积。

用药物浓度曲线演示蒙特卡洛采样与积分估计

高亮行把上一页的"建模—采样—估计"三步翻译成代码：模型是积分对象，种子保证可复现，均匀采样是核心动作，最后两行分别演示"均值×长度"与"样本比例"两种估计。

两者都求真值，但路径不同——一个靠采样，一个靠穷举，根本分歧在速度与精度。

上一页我们看了机器人系统的整体框架。它凭什么知道自己在哪、手臂转了多少？全靠传感器。

传感器告诉你「世界长什么样」，接下来该让电机怎么转？这就到了控制系统登场——是机械地按指令执行，还是根据反馈实时修正？这一步决定了机器人在变数面前能不能「临场应变」。

把机器人从起点送到目标，分四步走：先建地图，再找路，再磨平，最后真跑。

一个最小可运行的"感知→决策→控制→观测"闭环，机器人沿直线逼近目标。

L7 感知目标、L11 阈值决策、L15/L16 把任意方向归一化后乘速度×时间推进——即运动规划里"沿梯度走"的最小实现。

从左到右环境开放程度递增，节点代表机器人在不同领域的典型应用，复杂度随位置提升。

前面提到机器人、基因组、药物研发都在爆发式产出数据。当数据量从 GB 跨入 TB，传统「一行一个对象」的存储开始吃力——为什么分析查询会越来越慢？

行式数据库像一本合订册，每页就是一个人的完整档案；列式存储却把所有人的姓名、年龄、身高分别装进不同抽屉。查询只关心某一列时，列式存储不必翻完全部档案——只拉对应抽屉就行。

研究视频每秒几十个特征，分析时遍历某一列——列式一定比行式快吗？

从一条 SQL 出发，看谓词下推与向量化执行在哪个环节发力。

用 pandas 体验列式存储的三大操作：投影、聚合、过滤

投影只读必要列、聚合走连续内存、过滤先在列上做谓词下推——这正是列式数据库查询计划的三个核心动作。

对于只涉及少数几列的分析型查询（如统计某一列的平均值），列式数据库为什么通常比行式数据库更快？

上一页我们认识了3D场景的基本元素。这一页要把里面的物体「挪一挪、转一转、变大小」——这正是平移、旋转、缩放三种基本几何变换。

从左到右看：3D 点如何一步步变成屏幕像素。每个方块是一个坐标系，箭头是把它送过去的变换。

投影只决定了「点该出现在屏幕哪里」，但每个点该是什么颜色、亮不亮、要不要反光——这是光照模型的工作。没有光，3D场景就是一张灰色线稿。

本页用流程图展示渲染管线三大阶段——顶点处理→光栅化→片元处理,讲解 GPU 如何把 3D 模型变成屏幕像素。

上一页的渲染管线每帧要处理几百万三角形和上亿像素,CPU 串行执行扛不住 60fps。GPU 用并行架构和可编程着色器,把繁重工作拆给数千小核心同时干。

实时与真实感的权衡

• ✓算力延伸认知边界，替代昂贵实验
• ✓数据规模倒逼算法与存储升级
• ✓随机性可解确定性问题
• ✓硬件特性决定软件最优架构
• ✓分层抽象让复杂系统可控

三个问题，先自己想再翻答案。有些问题没有标准答案。