初二上学期语文课文《老王》怎么分段

《老王》全文可以分为三个部分：

第一部分（1～2段），写“我”与老王的相识，概叙老王的身世、经历及“眼瞎”的不幸遭遇。

第二部分（4～21段），写“我”与老王的相交到老王的去世。

第二部分又可以分为三层：

第一层（4～5段），写老王家境艰辛、帮我家送冰上楼。

第二层（6～16段），写文革期间，在我家最艰难的时候，老王帮“我”送病人、送食品的感人故事。

第三层（17～21段），写老王的去世。

第三部分（22段），写对老王愧疚、感动与敬佩。

中心思想

本文通过对老王生活的琐碎片段的记叙，表达出应以平等和人道主义思想尊重和关心弱者，关注弱者疾苦，维护社会成员的基本权利的思想感情。

写作背景

文章写于1984年。这是一篇回忆性文章，作者记叙了自己从前同老王交往中的几个片段，当时正是“文化大革命”时期，是一个荒唐动乱的年代。杨绛和钱钟书均遭到迫害，但是，任何歪风邪气对老王都没有丝毫影响，他照样尊重作者夫妇。由此，与老王的交往深深地印刻在了作者的脑海之中。

幸福到万家很好看。

时间来到七月中旬，《幸福到万家》这部让观众又爱又恨的剧的剧情也已经更新过半，在观众越生气越想看的矛盾心理下，该剧也成了暑期档的第一部爆款剧。

剧情一开始，何幸福坐着婚车嫁到了万家庄，除了整整齐齐的车队外，摄像、嫁妆是一点都不少。然后人声鼎沸的婚宴，婚礼新郎新娘的仪式，都非常真实，给人一种沉浸式的代入感，好像隔着屏幕参加了一场婚礼一样。  

特别的是何幸福结婚时的妆容和打扮，很精致但也很过时，与当时的时间背景非常相符。然后就是剧情真实这一点，直到如今，依然能隔三差五从社会新闻上出现“婚闹”的词条，剧中却直接把这点给演了出来，只能说，导演是真的敢。 

接下来就是村里的人情世故那些事儿了，老王家小门小姓，不敢惹村里的“大户”，出现矛盾之后，老王家也成了人人躲避的对象。  

这一点在农村就非常真实，一个小小的村庄里，谁家有点什么事儿都会传的人尽皆知，尤其是在万家庄这个老万家“专制”的地方，惹了他们就像闯下了“杀头之罪”一样。没事的时候都是好邻居、好街坊，出事儿之后就会一下被孤立，而这种现象在农村也是真实存在的。  

从一开始王秀玉上门送喜糖偶遇何幸福道歉未果，连人带喜糖全被人退货这段戏就能看出来，农村的人情关系有多复杂。  

还有后来的李公安和法官，因为他们长年在基层工作，太了解农村的人情关系了，他们想通过调解的方式解决问题，也是无可厚非的。  

《幸福到万家》这部剧，不管是一开始的婚闹陋习、强征土地，还是后面可能会出现的“学历顶替”等事情，都是时下热点，所以，该剧能得到观众的追捧也是意料之中的事情。  

第7集。《入侵》是2005年在美国ABC电视台播出的科幻美剧，由ShaunCassidy导演，WilliamFichtner、EddieCibrian等主演。入侵第一季第7集，讲述了大美丽为了躲避怪物一家逃难到老王家，不料老王一家为了救大美都被怪物抓走了。故事发生在弗罗里达大沼泽地旁边的一个小镇。当一场飓风来袭时，大沼泽地国家公园的护林员RussellVaron正全力保护小镇和自己家人的安全。

第一级思维叫“观察”，是通过数据分析做出预测。

你的生活经验表明下雨会把衣服淋湿，所以下次下雨你最好打伞，这就是观察思维。观察是寻找变量之间的相关性，观察就是积累经验。

现在所有实用 AI 技术都是基于这个第一级思维。AlphaGo 下围棋，并不是它理解这步棋有什么用，它只不过知道走这步赢棋的概率会更大。

比如你开个便利店，有卖牙膏和牙线。观察思维问的问题是，如果一个顾客买牙膏的话，他有多大的概率同时也买牙线呢？如果你学过概率论，你知道这个问题的数学表达式是这样的 ：P(牙线 | 牙膏)

这个公式的意思就是假设已经买了牙膏，求买牙线的概率是多少。这个知识对你很有用，你可以判断要不要把牙线和牙膏放一起，它们应该按什么比例进货。所有动物都有观察思维的能力。观察思维已经能解决很多问题，但是远远不够。

第二级思维叫“干预”，是预判一个行动的结果。

干预，是说如果我现在把牙膏的价格给提高一倍，对牙线的销量会有什么影响？

这不是以往的数据所能告诉你的。是，以前可能发生过牙膏价格是现在一倍的情况，但是你不能用以前那个经验预测现在这个行动的结果。因为以前牙膏价格高，是因为别的缘故。可能当时牙膏紧缺才卖得贵。

现在我们说的是，不管别人家牙膏卖多少钱，你单方面采取行动，刻意地干预牙膏价格，对牙线的销量有什么影响。这种事儿从来都没发生过。

想知道结果，最好的办法是做实验。互联网公司一直都在做各种“A/B测试”，看看哪个标题能吸引更多点击，什么颜色的网页能让用户停留时间更长，都是用分组测试的方法。测试是主动的干预。

从概率角度来说，我们要研究的就不是前面说的那个 P(牙线 | 牙膏)，而是P(牙线| do (牙膏))，其中这个 do 是一个数学算符，它的意思就是做一个干预动作。

其实生活中我们一直都在做干预动作。新**票房不太好，到底应该花钱做个电视广告呢，还是让明星爆个料？以往的经验可以给你一些提示，但干预动作的结果到底会怎样，你需要更高级的判断。

第三级思维叫“想象”，是对以前发生的事儿的反思。

第三级思维问的问题是，如果我当时是那么做的话，现在会是一个什么样的结果？我现在工资很低，要是我当初好好学数学，大学学的是计算机专业，现在的工资会是多少呢？

你问的是一个从来没发生过的事情。这叫反事实（counterfactual）分析。如果纳粹德国抢先一步发明原子弹，现在的世界会是什么样的？这件事儿在历史上并有没有发生，你积累的大数据好像用不上啊。

很多人爱说一句话，叫“历史不容假设” —— 这句话是错的。正是因为我们会假设，我们能想象不一样的可能性，我们才是高级动物。

想象是智人的超能力。珀尔引用了赫拉利在《人类简史》里的说法，大约是在七万年前，智人发生了一起“认知革命” —— 智人开始想象一些不存在的东西。

这三级思维，代表三个问题——

1这件事儿发生了，那件事儿是否也跟着会发生？

2我采取这个行动，会有什么后果？

3如果当初我没有这么做，现在会是怎样的？

回答第一个问题也许只要有数据分析就行，回答第二和第三个问题，你需要因果模型。你需要知道什么导致什么。

有了因果模型，你就能在大脑里做各种思想实验，你就能权衡比较，你就能为未来做计划。以前打猎都是你自己去，偶尔两个人一起去。但是如果你知道人多力量大这个因果关系，你就能想到，也许下次打猎可以多带几个人。我一个人打不过那个大象，五个人一起上行不行？

这样你就做了以前从来没有人做过的事情！你没有数据分析，但是你想象到了。这是人类智慧的伟大突变，正是因为这个突变才使得人类脱颖而出。

因果思维有三个级别。

第一级是观测，你要处理的是已经观测到的世界。

第二级是干预，你要处理一个可以被观测的新世界。

第三级是想象，你要处理一个不可被观测的、你想象中的世界。

所以回归平均其实就是一个简单的统计现象，本质原因是小概率事件不会一再发生 —— 这里面并没有什么神秘力量。

所谓 reason，是说对这件事的解释。比如你问我某个**的续集为什么票房不高，我说这是回归平均，这个事儿有一个解释。

而 cause，则是导致这件事的另一件事。你现在为什么感到有点饿，因为你没吃早饭。Cause 就是“因果关系”里面那个“因”，我们这里统一翻译成“缘故”。

世界上有些事儿，是无缘无故发生的。

真实世界里任何事情都是错综复杂的，你根本就无法列举影响一个结果的所有可能缘故。你必须做出各种取舍，你只能把你认为最重要的缘故画在图上。图画完了，你并没有科学地、彻底地、逻辑完备地回答“为什么”，你只是说，根据你的猜测，应该是因为这几个缘故。

这是一种概率化的因果，但是也不能排除单纯的相关性。

珀尔倒是给了一个更好的定义：P(Y |  do (X)) > P(Y) 也就是说，如果你单方面对 X 做一个干预动作，导致 Y 的概率增加，那么就是 X 导致了Y。这个可能是目前为止最合理的定义。

皮尔逊做了大量的调查研究，发现了各种相关性。他注意到，有些相关性很有意义，有些相关性就没什么意义，他称之为“伪相关（spurious correlation）”。比如说，一个国家的人均巧克力消费量，和这个国家的诺贝尔奖得主人数，有一个非常强的正相关。皮尔逊说这就是一个没什么意义的伪相关。你总不可能说吃巧克力有利于得诺贝尔奖。让我们解释这个相关性的话，肯定是巧克力消费量高是因为这个国家的经济比较发达，而经济比较发达的国家容易出诺贝尔奖得主。有因果的相关性更有意义 —— 虽然我们无法用纯粹理性定义因果。我们如此地倾向于因果思维，从根本上来说，是因为因果思维很有用。一个简单的因果模型，就能胜过无数经验。

我这个因果模型并不是客观的。你不可能通过数据分析、用机械化的流程得到这张图。因果图之所以这么画，图中之所以考虑了这些关系而没考虑别的关系，这是你自己主观的选择 —— 是你用自己的知识、阅历和判断画出来的。

也就是说，因果关系，其实是你的主观假设。数据是客观的，而人的观点是主观的。相关性是客观的，因果是主观的。

有了这个洞见，我们解决问题的步骤就是下面这样的——

第一步，根据你自己的见识，画一张主观的因果模型图。模型里有些因果关系是概率性的，A 发生并不一定会让 B 发生，只要 A 对 B 有影响就行。

第二步，使用实验和数据分析，确定图中每个因果关系的强弱大小。这样你就有了一个完整的因果模型。

第三步，使用因果模型，你就可以回答“观察、干预、想象”那三种问题了。

如果 AI 拥有这样的模型，它就等于获得了智能。珀尔称之为“小图灵问题”，相当于计算机通过了一个小的图灵测试：他掌握了因果思维。

真实世界里任何事情都是错综复杂的，你根本就无法列举影响一个结果的所有可能缘故。你必须做出各种取舍，你只能把你认为最重要的缘故画在图上。图画完了，你并没有科学地、彻底地、逻辑完备地回答“为什么”，你只是说，根据你的猜测，应该是因为这几个缘故。

而事实上也不需要回答“为什么”。我们在生活中的实际应用，对改变世界真正有用的，其实就是回答“观察、干预、想象”这三种问题！

所以因果分析的最终目的不是查明因果关系，而是回答三种问题。这三个问题比因果关系更基本 —— 因果关系只是我们回答问题的手段。没有这个手段，只靠数据分析，你回答不了第二和第三种问题。当然，有了这个手段，如果你的因果模型不准确，你给的答案也会不准确 —— 你可能会漏掉一个特别重要的因果关系，你可能忽略了黑天鹅事件。但是这不要紧！预测未来的事儿本来就是谁也保证不了100%准确。

哲学家的世界观谁也反驳不了，但我们这里不解决世界观问题，我们解决方法论问题就可以了。

虽然模型是主观的，但是因果分析仍然具有客观的性质。如果两个人的假设相同，他们画的因果关系图就是一样的，那么因为接下来的数学方法是客观的，这两个人对未来的预测，必定是100%相同。

用一句话概括贝叶斯思想，就是“观点随事实发生改变”。知识这东西就得经常地核实和订正。

福尔摩斯爱说自己用的是演绎法，其实不准确。破案是归纳法 。演绎法是按照规则推导一件事的结果，归纳法是从结果追溯缘故。你是从一具尸体出发，推测是谁杀了他。贝叶斯方法的本质，就是从结果推测缘故。你怀疑凶手是老王，但是你没有任何证据，所以你的怀疑度比较低。有一天终于从老王家搜出了凶器，这个证据会使你对老王的怀疑加重，你要更新对老王的怀疑。这就是观点随事实发生改变。

1先评估一下自己的信念，设定  P (信念)；

2等待新证据；

3证据出来以后，用贝叶斯公式更新自己的信念，计算  P (信念|证据)；

4继续等待新证据……

不要说什么“坚定不移”也不要听风就是雨。保持开放心态，让你的观点随事实发生改变，用一个量化的数值决定你的判断。虽然永远都摆脱不了主观的成分，但是你会做出更科学的决策。

贝叶斯提出，什么叫“信”、什么叫“不信”呢？贝叶斯说，你对某个假设的相信程度，应该用一个概率来表示 — P (假设)。

P  = 1 就是绝对相信， P  = 0 就是绝对不信 ，P  = 15% 就是有一点信。

有了新的证据我们要更新这个概率，变成 ——

P (假设|证据)

这个叫条件概率。一般来说， P (A|B) 的意思是“在 B 事件是真的条件下，A 事件的概率”。咱们举个例子，A 表示下雨，B 表示带伞。一般来说这个地方不常下雨，所以  P (A) = 01。但是今天你注意到爱看天气预报的老张上班带了伞，那你就可以推断，今天下雨的概率应该增加 —— 在“老张带伞”这个条件下的下雨概率，就是  P (A|B)。

注意如果我们画个因果关系，缘故 → 结果，在这里就是 “下雨 → 带伞” ，A → B，和 “老王是凶手 → 在老王家里找到凶器”，它们都相当于 “假设 → 证据”。

现在我们想算的是  P (假设|证据)，是从结果倒推缘故，这叫“逆概率”，这个不好算。一般都是从缘故推结果容易算。比如说你看见一个小孩向窗户扔球，你可以估计窗户被打碎的概率有多大，这是“正向概率”。但如果你看到窗户碎了，想要推测窗户是怎么碎的，那就非常困难了。

所以咱们要算的是一个逆概率，这要怎么算呢？这就是贝叶斯的方法。

贝叶斯公式

为了计算  P (A|B)，我们考虑这么一个问题：A 和 B 都发生的概率有多大？

这道题有两个算法。一个办法是先算出 B 发生的概率有多大，是  P (B)；再算 B 发生的情况下，A 也发生的概率有多大，是  P (A|B)，那么 A、B 都发生的概率，就是把这两个数相乘，结果是  P (A|B)×P(B)。同样道理，先考虑 A 发生再考虑 A 发生的条件下 B 也发生，结果是  P (B|A)× P (A)。这两个算法的结果一定相等， P (A|B)× P (B) =  P (B|A)× P (A)，于是

这就是贝叶斯公式。之所以要这么算，就是因为常常是  P (A)， P (B) 和  P (B|A) 都容易知道，而这个逆概率  P (A|B) 只能用这个公式间接知道。

例子：现在咱们来算一个具体的应用。有一位40岁的女性去做乳腺癌的检查，检查结果是阳性。那请问，这位女性真的得了乳腺癌的概率有多大。

我们用D表示她得了乳腺癌，T表示测试结果为阳性，这个因果关系是乳腺癌导致阳性， D → T。我们要计算  P (D|T)。根据贝叶斯公式，我们需要  P (D)， P (T) 和  P (T|D)。

在有新证据之前， P (D) 就是一般相同年龄段女性得乳腺癌的概率，统计表明是1/700。

P (T|D) 是如果这个人真有乳腺癌，她的监测结果为阳性的可能性。这是由检测仪器的敏感度决定的，答案是73%，仪器并不怎么准确。

P (T) 是随便找个人，给她检测出阳性的可能性是多大。这个我们没有直接的数据，要拆成这个人有乳腺癌（D）和没有乳腺癌（~D）两种情况，其中  P (~D) = 1- P (D) = 699/700。刚才说了有乳腺癌、检测为阳性的概率是73%。而没有乳腺癌的人还可能会被误诊成阳性，已知这个误诊率是  P (T|~D) = 12%。于是

P (T) =  P (T|D)× P (D) +  P (T|~D)× P (~D) = 121%

把这些数字带入公式，我们最终得到  P (D|T) = 1/116。也就是说，哪怕这位女性被检测出来是乳腺癌阳性，她真得乳腺癌概率也只有不到1%。

贝叶斯公式 ——

右边乘法的第一项  P (B|A)/P(B) 有时候被称为“似然比”。那么贝叶斯公式可以写成

你可以把它理解成“观念更新”的公式。 P (假设) 是你的老观念，新证据发生之后，你的新观念是  P (假设|证据)。新观念等于老观念乘以似然比。

你的观点，随着事实，发生了改变。

那我们设想一下，如果每个人的阅历和想法不同，一开始的观点不一样，那么哪怕是面对同样的证据，人们更新之后的观点，也还是不一样的！所以贝叶斯方法本质上是个主观的判断方法：同样的证据，它允许你有不同的判断！

第一层判断力是既然这个东西“贵”，那就肯定有效；“贵”可以让你觉得有效，最多相当于“理论上应该有效” —— 可是真正有没有效，得看实践。

第二层判断力是有个熟人用了这个东西有效，所以我认为它有效；一个例子能证明有效吗？可能熟人那几天偶然身体不好，本来不吃也能恢复，吃保健品和恢复完全是巧合。你最起码得知道大多数人吃了这个保健品有没有效 —— 以及，这个保健品有没有害。

第三层判断力是对人群的研究；假设二十年后中国人民的文化水平普遍提高，这个保健品集团为了跟上人民日益增长的智商，委托内蒙古大学出了一个报告，说吃了这个保健品的人群的身体状况，平均而言，比没吃的人群好。那这个报告能说明这个保健品有效吗？还是不能。保健品卖得挺贵，吃这个保健品的一般都是有点钱的人。这些人的医疗保障、生活环境、饮食结构各方面都比穷人要好，他们的身体状况本来就应该更好。你怎么能知道是吃了保健品的人身体好呢，还是身体好的人更容易买保健品吃呢？

第四层判断力是想到一个因素就控制一个因素；大量学术研究都是这么做的，控制了各种可能因素之后，给你一个结论：X 跟 Y之间有这么一个推测性的关系。这个方法的问题在于你永远都无法穷尽所有可能的干扰因素，也许就是有一些变量是你没想到、或者来不及控制的！所以你还是不敢说 X 跟 Y有因果关系！

第五层判断力是随机实验；随机实验是判断力的第五层，可以说现在你找不到更准确的判断方法 —— 但是它仍然不是最先进的方法。关键在于，有些事儿不能做实验。比如你想知道吸烟是否真的导致了癌症，你总不能把人分成两组，逼着其中一组人每天吸烟吧？如果不能做实验，你就还得做些事后的统计，比如看看烟民得肺癌的比例是不是比一般人高 —— 然后你就还得各种控制变量。

第六层判断力是用更简单、更准确的方法决定到底应该控制哪些变量。因果革命的一个重大突破是在数学上发明了  do -算符。没有这个算符，统计学家永远都说不清到底什么样的因素是干扰因素 —— 干扰因素根本就不是单纯用统计数据能定义的概念。有了这个算符，我们就可以说，所谓“存在干扰因素”，就是 ——

P (Y|X) ≠  P (Y |  do (X))。给定任何一个因果关系图，我们都能使用这两条规则确定，到底哪些变量应该被控制。

第一条规则是“后门”路径的信息传递必须被隔断。所谓后门路径，就是从 X 到 Y 的一条连通路径，其中起始的箭头指向 X。后门路径中可能包含干扰因素，你需要控制其中一个变量，阻断信息传递。

第二条规则是如果后门路径中有“A → B ← C”这样的“碰撞”结构，那就不要控制了，因为其中的 B 已经阻断了 A 和 C 的信息交流，控制反而会带来干扰。

图中没有后门路径，不需要控制任何变量。

X←B→Y是个后门路径，我们需要控制变量 B。

混杂偏误

上一讲说的贝叶斯方法适合每次遇到一个新证据的情况，今天我们说说科学家使用的大规模统计研究。咱们先捋一捋。说 X 对 Y 有效，就是要建立从 X 到 Y 的一个因果关系：X→Y。

事情的复杂之处在于，往往会有一个其他因素，Z，既影响了 X 也影响了 Y。因果关系图就如同下面这样 —— 

比如说，X 代表每天锻炼身体，Y 是身体健康，Z 是年龄。我们希望证明锻炼身体能促进身体健康，但是你得考虑年龄因素。年轻人更爱锻炼身体，年轻人的身体也更健康。那当你观察到爱锻炼身体的人更健康这个现象，你就不知道到底是 X 导致了 Y，还是因为 Z 同时影响了 X 和 Y。

统计学上管 Z 叫“干扰因素（confounding factor）”，也叫潜在变数。不考虑 Z 就贸然说锻炼对身体有好处，那你就犯了“混杂偏误”，也叫“混淆偏移”，英文是 confounding bias。Z，混杂了X→Y的因果关系。

但是你很容易就能去除 Z 的混杂。比如如果年龄是个干扰因素，那我们可以只考察同一个年龄段的人，看看其中锻炼和不锻炼的人的健康区别。如果同为50岁，锻炼的人比不锻炼的人身体好，那就说明在年龄之外，锻炼真可能有好处。

在统计学上这叫“控制变量” —— 我们控制了年龄因素，“controlling for Z”，再看 X 和 Y 之间有没有关系。

而年龄之外还可能有别的因素。比如时间也是个因素，工作清闲的人有更多时间锻炼，同时工作清闲的人身体状况也可能更好，所以你还得控制“工作清闲”这个变量。

前面说保健品的时候提到的经济条件可能影响健康，而且经济条件好的人的确更爱锻炼，所以我们必须控制经济条件这个变量。

1逻辑化，是用理性取代感性。

2逻辑化才能把道理讲清楚。讲清楚了，在法庭上辩论才有力量。

3逻辑化才能标准化。标准化了，才能普遍推广，才容易被人广泛接受。

4逻辑化才能机械化。机械化了才能教给 AI。

休谟提出一个关于因果关系的定义。他说所谓的因果关系只不过就是时间上先后发生的两件事，我们在感觉中觉得它们之间有联系而已。用今天的语言来说，休谟认为因果关系是人脑的一种错觉，因果其实就是相关性。

但是到了乾隆十三年（1748），休谟改主意了。休谟说所谓因果就是如果不是第一件事发生了，第二件事就不会发生。

隔壁老王的秘密是一款3D解谜闯关游戏，玩家可以潜入隔壁老王家，竟然发现了惊天秘密，玩家需要利用房间里面的道具逃出来，庞大的剧情设定，喜欢剧情解谜的玩家可以玩一玩。

玩家需要潜入隔壁老王家发现了不少秘密，不清楚怎么通关的玩家为大家介绍隔壁老王的秘密全章节通关图文攻略。不少玩家说不清楚BOSS怎么打，那么先介绍下。BOSS会找到窗户攻击小孩，需要自己站在小孩前面挡下BOSS的四下攻击。BOSS只会攻击窗户的地方攻击。第二下攻击在一楼，下到一楼找到窗户，站在小孩前面就可以挡下来。第三下攻击在第二下的地方继续向前走，走到尽头找到第三个窗户，挡一下，第四楼下，BOSS就被吸走了。