欢迎来到章鱼通!
客服热线
发起求购
我们需要更正这五个科技误解 | 智能技术
时间:2020-07-17 来源:章鱼通

梅琳达在邮件中说:“我们列出的一些迷思纯粹是愚蠢的,但是在互联网上流传的很多技术迷思都是细微差别的,有些是真实的,有些是谎言。我很震惊地看到,12%的受访者表示,他们认为设备上的某样东西一旦被删除,就会永远消失。”但是,当然,从来没有什么真的从你的硬盘上删除,而这只是调查发现的众多谎言之一。以下是五大误区。


1594884167678382.png


误解1:整夜给手机充电会损坏电池

超过一半的受访者认为整夜插电会损坏甚至损坏手机电池。这不是真的。你的智能手机是一种先进的电子设备,它的智能足以防止过度充电。


首先要知道,无论你怎么充电,手机电池的使用寿命都是有限的。目前的电池可以持续大约400到500次充电循环;在那之后,你可能会开始注意到你一整天的电池寿命在减少。


这种误解源于早期的镍离子电池技术,这种技术存在一种叫做“记忆效应”的现象。简而言之,如果你没有在充电前将电池完全耗尽,电池就会“忘记”部分容量。这对今天的锂离子电池来说不是问题。然而,为了延长电池的使用寿命,你应该在电量在40%到80%之间充电。


误解2:机场x光机可以清除设备上的文件

我们知道x光可以透视我们的身体,并提供骨骼的幽灵图像。所以,我们可能认为机场的安检x光机会通过某种辐射不可逆转地破坏我们笔记本电脑和智能手机上的文件。


但这根本不是真的。是的,x射线是一种电磁能量。是的,你的个人设备是复杂的电子产品。但是硬盘和闪存卡不会受到x射线的影响。x射线不是磁性充电的,电脑和智能手机也没有对光或x射线敏感的部件。


然而,电影摄影师有理由害怕。几十年来,人们都知道,一卷胶卷,特别是ISO速度在800或更高的胶卷,可能会被x射线损坏。但是运送胶卷的人已经不多了。


至于你的笔记本电脑,你真正应该担心的是金属探测器。这些安全设备会发出强磁脉冲,可能会破坏存储在硬盘上的数据。这是一项关于美国流行科技神话的调查的结果。


1594884201982794.jpg


误解3:像素越高的相机拍出的照片越好

高达86%的受访者选择了这个。当数码相机第一次出现的时候,相机制造商们争先恐后地想办法把这种新奇的小玩意推销给普通观众。于是,巨大的百万像素大战开始了,各大公司都在大肆宣传相机传感器上不断增加的摄光方块(像素)数量。一个百万像素就是一百万个这样的方块。


然而,事实证明,把越来越多的百万像素塞进相机并不一定能拍出更好的照片。相反,这些像素的质量比数量更重要。使每个像素变大可以在不增加像素数量的情况下提高照片质量。光线通常更容易进入像素更大的相机传感器,这也意味着改进的动态范围、色彩数据和低光能力。在相机传感器有限的空间里塞入更多的像素通常会产生相反的效果。


尽管如此,你可以肯定的是,在未来的几年里,制造商们会继续兜售百万像素的规格,仅仅因为这是一种久经考验的销售技巧,而且不会消失。


误解4:晚上关掉电脑才能保证性能


就像许多神话一样,这个神话也扎根于现实。早期的计算机,由于其新颖的特性,并不一定是最可靠的装置——它们会在多个层面上出现故障,特别是硬盘,偶尔会崩溃和烧坏,带走你的数据。因此,许多用户每晚都关闭电脑,希望延长电脑的寿命。


今天的计算机(大部分)是一组更加可靠的设备。如果你每天都要用电脑,早晚都要用,你最好让电脑一直开着,在你不使用的时候让它进入睡眠模式。


晚上关掉电脑并不能节省多少能源,每天关机重启都是在浪费时间。偶尔重新启动——比如每周一次——可以清除机器的内存,停止任何可能导致速度变慢的不必要进程。


误解5:Mac电脑不会感染病毒

在消费电脑市场还处于初期阶段的时候,有一种观点认为Mac电脑不那么容易受到病毒和恶意软件的攻击,这种观点是有一定道理的。为什么?因为基于windows的个人电脑占据了90%以上的市场份额,所以让微软和类似公司懊恼的是,这就是黑客攻击他们的目标。


如今,Windows仍控制着全球电脑市场的76%,但苹果的市场份额比过去大了近13%。这意味着恶意软件开发者会通过Mac攻击获得很多潜在的受害者。因此,尽管Mac电脑有pc电脑没有的特殊内置安全功能,但这并不意味着黑客就不能为这些电脑编写恶意软件。因此,无论你选择哪种操作系统,都要积极主动地使用(并定期更新)杀毒软件来保护自己。


赞(0)
标签
相关动态
·
秀技能、展风采!2022年广东省人工智能工程应用职业技能竞赛开始报名啦!
·
天价芯片速成班能上吗?
·
自动驾驶汽车撞人,撞了白撞?
·
学了人工智能,饭碗就稳了?
·
关于开展广东省第十一届“省长杯”工业设计大赛新一代电子信息类专项赛作品征集的通知
·
用光远程遥控大脑?科技树点亮到奇怪的方向?
·
搞农业,一点也不土!
·
深度学习“撞到南墙”了?