为什么只用 0 和 1

为什么只用 0 和 1

苏联人曾经造出过一台三进制计算机。1958 年，莫斯科国立大学的尼古拉·布鲁斯特尼茨夫（Nikolay Brusentsov）主持开发了一台名叫"Setun"的计算机，用的不是二进制的 0 和 1，而是三进制的 -1、0、1。这台机器运行良好，效率甚至在某些方面比同期的二进制计算机还高。

那为什么今天，地球上所有的电脑都在用 0 和 1？

这个问题比你想象的要深刻。答案不仅仅是"工程方便"，背后有数学、物理、信息论多个维度的原因——以及一些历史的偶然。

Level 1：建立直觉

噪声是数字计算的天敌

想象你在打电话，对方说了个数字。如果对方说的是"一"或者"八"，你很容易听错——这两个字发音相近，加上噪音可能分不清。

但如果对方只说"有"和"没有"，清晰度就大不相同了。两个极端状态之间的区别，比多个中间状态之间的区别，要容易识别得多。

电路里也是同理。

任何电路都有噪声——来自温度、电磁干扰、供电波动。如果你用 10 个不同的电压等级来代表 10 个数字（比如 0V 代表 0，0.5V 代表 1，1V 代表 2，……4.5V 代表 9），那相邻等级之间只有 0.5V 的差距。这么小的间隔，噪声很容易让你的 3 误读成 2 或者 4。

而二进制只用两个状态：低电压（0）和高电压（1）。电路设计师可以把阈值设在中间，比如以 2.5V 为界，低于 2.5V 一律算 0，高于 2.5V 一律算 1。这样就有了 2.5V 的"错误容忍带"——噪声要超过这个量才会造成误判。

状态越少，每个状态的"领地"越大，抗噪声能力越强。

从"是否"到"如何多少"

一个开关给你一个比特——只能表示"是"或"否"。

但人类要处理的信息远不止是非题。我们需要数量、顺序、颜色、声音。

好消息是：任何信息都可以用"是/否"问题的组合来唯一确定。

这就是信息论的核心直觉。克劳德·香农（Claude Shannon，不是后面的 AI 公司，但同名挺有意思）在 1948 年发表的论文《通信的数学理论》证明了这一点，开创了信息论。

举个例子：猜一个 1 到 100 之间的数字，最优策略是每次都把剩余范围对半切：

• 大于 50 吗？
• 大于 75 吗？
• 大于 62 吗？
• ……

每个问题都是一个比特（是/否）。用 7 个是非问题，就可以唯一确定 1 到 128 之间的任何数（2⁷ = 128）。用 10 个问题，可以确定 1 到 1024 之间的任何数（2¹⁰ = 1024）。

任何 N 个可能的值，只需要 log₂(N) 个比特就能唯一表示。 这是整个二进制世界的数学基础。

0 和 1 的哲学：离散与连续

自然界大多数东西是连续的：温度、颜色、声音的响度……这些量在两个值之间可以有无穷多的中间值。

计算机选择用离散的比特来表示这些连续的量，这是一种近似——但这种近似非常强大。

用多少位来近似，决定了精度：

• 8位颜色通道（0-255）：可以表示 256 种亮度等级
• 16位音频采样：可以区分 65,536 个音量等级
• 32位浮点数：可以以大约 7 位十进制数的精度表示实数

精度不够？加更多位。这是数字系统的一个优雅之处：精度是可以用硬件换来的，而不是物理上固定的限制。

Level 2：原理剖析

香农信息论：比特的数学定义

香农定义了信息量的度量方式：一个事件携带的信息量，等于让你"不再惊讶"所需的问题数。

更精确地说，一个概率为 p 的事件，携带的信息量是：

I = -log₂(p) 比特

比如：

• 抛一枚公平硬币，结果是正面（概率 0.5）：-log₂(0.5) = 1 比特
• 掷一个公平骰子，结果是 3（概率 1/6）：-log₂(1/6) ≈ 2.58 比特
• 明天太阳从东方升起（概率约 1）：≈ 0 比特（没什么信息）

一段文字、一张图片、一段视频携带多少信息量？香农给了我们精确计算的工具。

这也解释了为什么压缩算法能把文件变小：文件里有大量冗余信息（比如英文中字母 'e' 出现频率远高于 'z'），压缩算法去掉这些冗余，用更少的比特表示同样的信息。

为什么不用三进制？

回到开头的问题。三进制在某些数学上确实有优势——比如，同样位数的数字，三进制可以表示更多的值（3 进制的 n 位 = 3ⁿ 个值，而二进制的 n 位 = 2ⁿ 个值，3ⁿ > 2ⁿ）。

苏联的 Setun 就利用了这一点，它的某些计算效率的确优于同期的二进制机器。

那为什么三进制没有流行起来？

原因一：物理实现太难

制造一个稳定的两态开关已经很困难了，三态更难：你需要三个不同的电压等级都能稳定保持，中间的"1"状态最容易受到噪声干扰向 0 或 2 偏移。

原因二：逻辑门复杂了三倍

二进制有简洁的逻辑门（AND/OR/NOT），三进制对应的逻辑运算要复杂得多。设计和制造这些电路的成本指数级上升。

原因三：历史惯性

1947 年晶体管被发明，早期电路天然地走向了二进制（高电压/低电压）。这条路越走越成熟，三进制就越来越难追上了。

不过，有意思的是：量子计算的"量子比特"（qubit）在某种意义上确实可以处于 0、1 以及两者叠加的状态——只是使用规则完全不同于经典三进制。

二进制算术：比你想象的简单

在二进制里进行加法，规则只有四条：

0 + 0 = 0          （无进位）
0 + 1 = 1          （无进位）
1 + 0 = 1          （无进位）
1 + 1 = 0，进位 1   （10 in binary）

来算一个例子：5 + 3 = ?

  0101   （5的二进制）
+ 0011   （3的二进制）
------
  1000   （8的二进制）

从最低位开始：

• 位0：1+1 = 10（写0，进位1）
• 位1：0+1+进位1 = 10（写0，进位1）
• 位2：1+0+进位1 = 10（写0，进位1）
• 位3：0+0+进位1 = 01（写1，无进位）

结果：1000 = 8。正确！

这四条规则就是加法器电路的全部——下一章我们会看到怎么用逻辑门实现这四条规则。

负数：补码的妙处

在十进制里，负数就是在数字前加个"-"号。但在计算机里，比特位没有地方放"负号"这个特殊符号，怎么表示负数？

解决方案叫做二补数（Two's Complement），非常聪明。

对于一个 n 位二进制数，负数 -k 被表示为 2ⁿ - k。

具体来说：对一个二进制数按位取反，然后加 1，就得到它的负数表示。

例子：用 8 位表示 -5

5 的二进制：       00000101
按位取反：         11111010
加 1：            11111011   ← 这就是 -5 的补码表示

验证：5 + (-5) 应该等于 0

  00000101   （5）
+ 11111011   （-5）
----------
 100000000   （9位，舍掉最高的溢出位）
=  00000000   （0）✓

二补数的精妙之处在于：加法电路完全不需要改动，就能正确处理有符号和无符号整数。 CPU 不需要知道它在做带符号运算还是无符号运算，同一套电路两种情况都 work。

浮点数：在有限比特里表示实数

整数好处理，但物理世界中充满了小数：3.14，0.001，1.234e10……

计算机用浮点数来表示这些实数。IEEE 754 标准（1985年定义，今天仍在用）规定了 32 位浮点数的格式：

  1位符号  8位指数  23位尾数
  ┌───┬─────────┬───────────────────────┐
  │ S │ EEEEEEEE│ MMMMMMMMMMMMMMMMMMMMMMM│
  └───┴─────────┴───────────────────────┘

表示的值 = (-1)^S × 1.M × 2^(E-127)

例如，数字 0.75 在 32 位浮点数里是：

• 符号：0（正数）
• 0.75 = 0.11（二进制）= 1.1 × 2⁻¹
• 指数：-1 + 127 = 126 = 01111110
• 尾数：10000000000000000000000

完整表示：0 01111110 10000000000000000000000

这种设计有个重要特点：不是所有小数都能精确表示。比如 0.1 在二进制里是无限循环小数（就像十进制里的 1/3 = 0.333…），只能近似。

# Python里试试这个
>>> 0.1 + 0.2
0.30000000000000004  # 不是 0.3！

这不是 Python 的 bug，这是二进制浮点数的本质——它只能精确表示分母是 2 的幂次方的分数（1/2, 1/4, 1/8…），其他分数都是近似值。

Level 3 · 规范怎么定义的（资深）

IEEE 754：浮点数的"宪法"

二进制数字系统中最重要的工业标准是 IEEE 754（IEEE Standard for Floating-Point Arithmetic）。该标准于 1985 年首次发布，2008 年和 2019 年分别修订。它精确定义了 binary16（半精度）、binary32（单精度）、binary64（双精度）和 binary128（四精度）四种浮点格式，以及运算的舍入规则、特殊值（±∞、NaN、±0）的行为。

IEEE 754 要求所有基本运算（加减乘除和平方根）的结果必须是正确舍入的——即结果等同于先用无穷精度计算，再舍入到目标格式。这个看似简单的要求极大地简化了数值分析：程序员可以依赖确定性的误差界限，而不是面对各平台的随机差异。William Kahan 因设计这套标准获得了 1989 年图灵奖。

补码的形式化定义

有符号整数的补码表示也有严格定义。对于 n 位二进制补码，值 x 的编码定义为：若 x >= 0，编码为 x 的二进制表示；若 x < 0，编码为 2^n + x。这意味着 n 位补码的范围是 [-2^(n-1), 2^(n-1) - 1]，且加法运算自然兼容有符号和无符号的二进制位模式——硬件不需要区分符号，同一个加法器即可处理。C 语言标准（ISO/IEC 9899:2018，即 C17）在 C23 之前允许原码、反码和补码三种表示，但 C23（ISO/IEC 9899:2024）终于规定补码是唯一合法的有符号整数表示，结束了数十年的歧义。

Level 4 · 边界与陷阱（所有人）

陷阱 1：0.1 + 0.2 != 0.3

这是最经典的浮点陷阱。在 IEEE 754 binary64 中，0.1 的精确值是 0.1000000000000000055511151231257827021181583404541015625，0.2 也有类似的微小偏差。两者相加后，结果是 0.30000000000000004 而非 0.3。几乎所有语言（Python、JavaScript、Java、C）都有这个问题。金融系统因此必须使用定点数或 decimal 类型，否则会出现分币级别的累积误差——2012 年骑士资本（Knight Capital）因为软件 bug 在 45 分钟内亏损 4.4 亿美元，虽然主因是部署错误，但浮点精度问题在金融行业是同类"致命小数"的常见根源。

陷阱 2：有符号整数溢出是未定义行为

在 C/C++ 中，有符号整数溢出是未定义行为（Undefined Behavior），编译器可以假设它永远不会发生，并据此进行优化。例如 if (x + 1 > x) 这个条件，编译器可能直接优化为 true，因为"有符号整数不会溢出"。这会导致安全检查被静默删除。Linux 内核曾多次因此引入漏洞（CVE-2009-1385 等）。GCC 提供 -fwrapv 选项强制有符号溢出使用补码回绕语义，而 Rust 在 debug 模式下默认检测溢出并 panic。

陷阱 3：大端与小端的字节序混淆

同样的 32 位整数 0x01020304，在大端机器上内存布局是 01 02 03 04，在小端机器上是 04 03 02 01。网络协议（TCP/IP）统一使用大端（"网络字节序"），而 x86/ARM 默认使用小端。如果你直接把结构体 memcpy 到网络缓冲区而不做字节序转换（htonl/ntohl），对端收到的数据就是乱的。这个 bug 在跨平台网络编程中极其常见，且因为本机测试时两端字节序相同而不易发现。