10只老鼠找出1000瓶毒药：二进制编码与信息论思维

1. 一道让无数人挠头的经典问题

“10只老鼠、1000瓶水，其中一瓶有毒，给你一个夜晚，怎么找出那一瓶？”

我第一次看到这道题，心里是有点不服气的。1000瓶水，我一瓶一瓶喂给1000只老鼠，不就直接试出来了吗？但题目卡死只能用10只，这一下就从“动物实验”变成了“编码题”。后来真正把思路理清楚，我才发现这一步跨越非常漂亮：你把每只老鼠当成一个二进制位，把“死没死”当成0和1，问题就瞬间变成一个查表问题——毒瓶编号就是死亡老鼠名单构成的二进制数。

这道题流传很广，但很多人只是背了一个“2的10次方等于1024”的结论。这篇文章我想把整个思考路径、实操流程、常见误区、以及背后真正有用的信息论直觉全部拆开。它能帮你训练的不仅是解一道面试题，更是一套“用有限状态去区分大规模可能性”的思维模式。不管你是准备面试、带新人、还是纯粹对这种智力题感兴趣，我都推荐你花十几分钟把它读透。读完之后你会发现，同一个模型在医学检验混合检测、分布式系统故障定位、甚至编码纠错里都能找到影子。

2. 从直觉方案到信息视角：先把问题翻译成模型

2.1 题面条件，一个都不能漏

先别急着算2的10次方，我们把题面当成一道建模题来拆。条件是：1000瓶水中恰好有1瓶有毒；毒发时间已知且有限，必须在一轮实验内完成；有10只老鼠可用，老鼠喝到毒水后死亡可观测。隐含条件还包括：每瓶水的存量足够重复取样，混合取样不会互相抵消，老鼠对毒物的响应是确定性的。

这些条件其实非常理想化。尤其注意“恰好1瓶”这几个字，它是整道题的地基。如果毒瓶数量不确定，状态数会完全不同，这一点我放到后面扩展里细说。还有一个容易忽略的点：题目要求的是“找出来”，不是“确认毒在这100瓶里”，所以最终结果必须唯一锁定到某一瓶。

2.2 两个直觉方案，为什么都差一口气

方案一：1000只老鼠，每瓶喂一只。逻辑直接，但10只老鼠显然不够。那让每只老鼠喝100瓶的混合液呢？如果毒在其中，这只老鼠会死，但你只能知道毒在它负责的那100瓶里，范围从1000缩小到100，依然锁定不了具体瓶号。

方案二：二分排查。把1000瓶分成500和500，用同一只老鼠喝左边500瓶的混合液，死了毒在左，没死毒在右；然后继续四分、八分……但这个方法需要多轮实验，每一轮都要等毒发。如果题目限定只有一次观察机会，这个方案直接出局；就算允许多轮，10只老鼠也只是帮你压缩了轮次，不一定是最优解。

这两个方案败在同一个地方：没有充分利用“10只老鼠同时实验”的并行信息。10只老鼠同时实验，每只都会给出一个“死/活”结果，虽然只有10个结果，但结果与结果之间的组合数却非常可观。这里需要一个跳跃：不是用“老鼠数量”去匹配“瓶子数量”，而是用“状态组合数”去覆盖“瓶子数量”。

2.3 从“互斥分组”到“重叠编码”

方案一和方案二的本质都是“分组”，组与组互斥——一瓶水只属于一个组，一只老鼠只喝一组混合液。互斥的好处是清晰，坏处是信息效率低：一次实验只能划出10个桶，对应10种结果，1000种可能性根本拉不开差距。

这时候可以做一个看起来有点反直觉的操作：让同一瓶水出现在多个老鼠的杯子里。也就是说，一只老鼠的死亡与否同时受很多瓶水影响，然后把所有老鼠的死活结果组合起来，去识别具体是哪一瓶。这种“重叠”正是编码的雏形。一瓶水只要能被一组老鼠“独有地命中”，就能通过这组老鼠的状态被识别；如果每瓶水都能拥有一个唯一的“命中组合”，那么1000瓶水就是1000个唯一的组合。

讲到这里，答案其实已经浮出水面了。10只老鼠的命中组合有多少种？每只老鼠有“被命中/未被命中”两种状态，所以是2的10次方，等于1024种。剩下的事就是给1000瓶水分配不同的组合，再把组合翻译回瓶号。

3. 核心原理：每一只老鼠就是一个二进制位

3.1 为什么偏偏是10只：状态数刚好覆盖

每只老鼠只有两种结果：死或活。10只老鼠合起来能形成2^10=1024种不同的结果组合。如果给每种组合分配一个瓶号，最多能唯一区分1024瓶，1000瓶在这个范围内，所以10只够用。反过来，9只老鼠只有2^9=512种组合，最多区分512瓶，覆盖不了1000瓶。

更形式化一点说，区分1000种可能至少需要约9.97比特信息。每只老鼠只提供1比特，因此至少需要10只。这个“状态数”视角特别有用，后面所有变形题都能用它来算边界。比如面试官换一个数字，问你“你现在有17只老鼠，最多能区分多少瓶”，你不需要重新想方案，直接算2的17次方就行。

3.2 给1000瓶水编号：二进制就是灌胃清单

实际操作是这样设计的：先把1000瓶水编号为0到999。对每一瓶，把它转成10位二进制数。从左边开始，第1位对应第1只老鼠，第2位对应第2只老鼠，依此类推。某一位是1，就把这瓶水的一小份加进对应老鼠的混合杯里；某一位是0，就不加。

举个例子，第5号瓶的二进制是0000000101，左边第8位和第10位是1，所以这瓶水需要被滴给第8只和第10只老鼠。第389号瓶的二进制是0110000101，从左数第2、3、8、10位是1，所以这瓶水要分别进入第2、3、8、10号老鼠的杯子里。

这里有一个直观感受点：第1只老鼠对应二进制最高位，也就是2^9=512这一位，所以它会喝到所有编号512到999的瓶子。第2只老鼠对应2^8=256这一位，它会喝到所有二进制第二位为1的瓶子。你会发现每只老鼠负责的瓶子范围并不连续、均匀地铺开，而是像梳子齿一样交错分布。正是这种交错，才让后面的解码成为可能。

3.3 实验结束后怎么解码：死名单就是毒瓶号

毒瓶被哪几只老鼠喝了，那些老鼠就会死；没喝的则活着。把第1只到第10只老鼠的结果按顺序记下来，死亡记1、存活记0，你会得到一个10位的二进制数。这个数转成十进制，就是有毒那瓶水的编号。

比如实验结束后，第2、3、8、10只老鼠死了，其他活着，那么记录就是0110000101，二进制转十进制是389——毒就是第389号瓶。整个流程本质上就是一个“编码-混合-取样-解码”的闭环。你不需要事后回忆自己怎么混合的，因为实验设计时已经把“瓶号→老鼠组合”的映射写死了，现在只需要反向执行。

4. 完整实操流程：如何一步步“审”完1000瓶水

4.1 准备阶段：工具与记录表

尽管这是一道思维题，按工程流程走一遍会更有感觉。需要准备的“器材”包括：1000个已编号的样品管（对应1000瓶水）、10个混合杯（对应10只老鼠）、一支能精确取样的移液器或滴管、一张记录表，以及你的10位“员工”。

记录表建议提前画好。一种做法是行对老鼠、列对瓶子，交叉格打勾表示“这瓶水要滴给这只老鼠”，但1000列画起来不现实。我的习惯是把表压缩成“每只老鼠负责哪些瓶号”的清单，提前用Excel生成：

实际执行时我更喜欢按“瓶子编号 → 二进制 → 目标老鼠”的方式逐瓶处理，而不是倒过来按老鼠清单去逐只找瓶子，这样更不容易漏。

4.2 取样阶段：按瓶子循环，而不是按老鼠循环

这里有一个容易忽略的执行细节：混合时应该按“瓶子”循环，还是按“老鼠”循环？如果按老鼠循环，一只一只处理，你会反复核对1000个样本，眼花缭乱；按瓶子循环则高效得多：拿起第n号瓶，看一眼它的10位二进制，哪几位是1就往对应杯里加一滴，然后放下这瓶换下一瓶。

这个差别看起来不大，实际做1000次之后效率差距非常明显。我模拟这个流程时试过，按瓶子循环只需要扫一遍1000个瓶，按老鼠循环则要反复扫描10遍。任何批量操作，都应该把“尽可能少遍历对象”作为优化直觉，这放到写程序里也一样。

提示：取样前一定要先做几瓶“彩排”，确认滴管不会串液。串液是整套流程里最隐蔽的错误源，一旦两个杯子里混入了不该有的样本，最后解码出来的瓶号可能是错的，而且事后很难追溯。

4.3 体积与剂量：一位被多数人忽略的工程坑

理论答案里没人提剂量，但真要落地，这一步会卡住很多人。假设每瓶取1滴，按1滴约50微升算，第1只老鼠的杯子里会汇聚约488滴，接近24毫升。小鼠一次灌胃的极限只有1毫升左右，24毫升灌下去不毒死也撑死了。所以现实方案必须缩小单瓶取样量，比如用微量移液器每瓶取1微升，混合后总量不到500微升，这才算安全。

另一个问题是稀释：如果毒液本身毒性弱，混合后被稀释数百倍，可能不足以杀死老鼠。所以实际操作前应该做剂量预实验，找到“既不会撑死老鼠、又能保证致死”的取样体积。这个平衡点是生物医学检验里经常要优化的东西，每次看到有人把这道题当成纯数学题，我都会提醒一句：真实世界里，物理和生物约束一样会参与决策。

4.4 观察记录与反推：用一个例子走完整流程

假设实验结束后，记录表是这样的：

把“是”记为1、“否”记为0，按编号从左到右排列得到0110000101。用计算器、Excel的BIN2DEC函数，或者下面这行Python都能转成十进制：

python复制dead = [2, 3, 8, 10]  # 死亡老鼠编号
bits = ['1' if i in dead else '0' for i in range(1, 11)]
bottle = int(''.join(bits), 2)
print(bottle)  # 389

运行结果就是389。如果实验结果里没有任何老鼠死亡，也就是全部为0，对应的瓶号是0号，不要觉得奇怪——0号瓶的编码本来就是“不给任何老鼠喝”，它被找到的唯一条件就是所有老鼠都活着。

4.5 边界值检查：0号瓶和999号瓶都不能漏

为了防止设计漏边界，最好拿端点试一下。0号瓶的二进制是0000000000，所有位都是0，不会进入任何一只老鼠的杯子。如果10只老鼠全部存活，毒就在0号瓶。999号瓶的二进制是1111100111，对应第1、2、3、4、5、8、9、10号老鼠会死亡，如果看到这个组合，就锁定999号瓶。

这种端点检查在写程序里也特别重要。很多人做完实验才发现“0号瓶从来没参与混合”，然后开始怀疑是不是流程出了问题，其实0号瓶的答案就藏在“全部存活”这个状态里。每一个状态都有意义，没有哪一个瓶号会被浪费。

5. 进阶问题与常见的“坑”

5.1 毒发时间不一致怎么办：观察窗口的玄机

经典答案默认所有该死的老鼠会在同一个时间死亡。现实并非如此，毒物吸收有快慢，个体差异也大。如果你在某个时间点拍照记录，可能有的老鼠还没死，结果就会被误读成0。解决办法是设定一个足够的观察窗口，并在窗口截止后统一记录，而不是“看到一只死了就立刻记录”。更稳妥的做法是设置对照组——再养几只不参与实验的老鼠，确认真实死亡时间和实验环境没有干扰。

顺带提一个非常妙的变体：如果毒发时间可控且有梯度，状态就不止“死/活”两种。比如半小时内死的记为2，一小时内死的记为1，不死的记为0，那么每只老鼠携带的是三态信息，10只老鼠能区分的瓶子数量会暴涨到3^10=59049。这种“多状态编码”是命题人最爱藏在后面的隐藏考点。

5.2 如果不是“恰好1瓶有毒”，问题会变成什么样

“恰好一瓶”是原题的命根子。如果题目改成“可能有0或1瓶有毒”，10只老鼠依然够用，因为0瓶无毒加1000个单瓶可能，总共1001种情况，仍小于1024。你只需要把“全部存活”解释为0号瓶或者“没有毒”即可。

但如果改成“可能有2瓶或更多”，状态数立刻爆炸。假设最多2瓶毒，可能性是1（无毒的0瓶）+1000（1瓶）+C(1000,2)（2瓶）≈50万种，远远超过1024种，10只老鼠根本不够。这时候要继续做，要么加轮次，要么让每只老鼠有更多状态。这个数量级对比能帮你看清“状态空间”的威力。

5.3 面试官追问：为什么不能用9只老鼠？

9只老鼠只有512种状态组合，覆盖不了1000瓶。有人会说：“我可以把瓶子分成512组，每组约2瓶，九只老鼠先定位到组，然后呢？”问题在于，实验做完你得到的仍然只是一个“512选1”的结果，组内那2瓶谁有毒，你没有额外信息去区分。这和二分法多轮实验不是一回事，不要混淆。

5.4 一些经典错解，我当年也踩过

最常见的错误答案是把1000瓶分成10组，每组100瓶，10只老鼠各喝一组，死了的那组再二分。这个思路错在把一轮观察当成了多轮。你只有一次观察机会，死鼠结果只能告诉你毒在哪个100瓶组里，不能定位到具体瓶。还有人会写“老鼠编号和瓶号一一对应”的方案，这是把10只理解成10瓶，完全跑偏了。这些错解的共同问题，都是没有把“状态组合”当作可利用的信息资源。

6. 跳出老鼠和毒药：这套思想能用到哪

6.1 医学检验里的混检就是同一个思路

核酸混检、血液筛查里经常用“样本池”策略：先把多人的样本混在一起检测，阳性再拆分。这和十只老鼠喝混合液是同一个数学模型。阳性率比较低的时候，混检能大幅减少试剂消耗；阳性率高了，混检反而要反复拆分。这里阳性率对应到老鼠问题里就是“毒瓶占比”，它决定了混合策略的最优深度。

二进制编码版的思路还可以继续推广：在混检中设计不同的混合矩阵，让每个样本落在不同的检测组合里，一次检测就能同时报告大量样本的状态。现实中的分组测试（group testing）就是这么干的，从二战时期的士兵血检到新冠核酸混检，模型都没变。只是老鼠换成了PCR仪，毒瓶换成了阳性样本。

6.2 分布式系统里的故障定位

另一个我很喜欢的应用是故障定位。想象你有1000个服务节点，其中可能有1个节点异常，你不能直接访问每个节点（成本太高），但可以用一些探测请求去批量触碰节点。如果第i次探测覆盖了二进制第i位为1的节点，那么把10次探测的成功/失败结果拼起来，同样能唯一锁定异常节点。这和老鼠喝水在结构上完全同构。

实际系统中更常见的变体是“用少量探针覆盖大量目标”，比如网络监控里的端到端路径探测、数据库里的批量抽样。核心还是那个朴素思想：用重叠的观测去制造高维信息，而不是用互斥分组去摊薄信息。

6.3 从“死/活”到检错纠错：编码理论的入口

往更远处看，老鼠问题的本质是用状态编码传递信息。信息在传输过程中会被噪声干扰，对应到“错误的老鼠死亡结果”。如果你在实验设计时故意加入冗余，让某些瓶子对应多个老鼠组合，你不仅能识别毒瓶，还能在一定程度上容忍个别老鼠观察失误。这个思想继续往前延伸，就是奇偶校验、CRC、海明码那一整套检错纠错理论。

很多学计算机的朋友第一次接触海明码觉得抽象，其实完全可以用老鼠问题来类比：每个校验位就是一只“老鼠”，它盯着多个数据位；当某些数据位错了，校验位们给出的“死/活”组合会指向错误位置。从这个角度看，经典编码问题全是这套模型的花式变体。

7. 这道题给我留下的几个思维习惯

回到开头那个问题。我后来在面试和带新人时反复用过这道题，几乎每次都能看到两种极端：一种人靠背答案，另一种人从状态数开始推。前者在题目稍一变化就崩，后者却能把结论灵活迁移到完全不同的领域。

我自己从这道题里带走的最重要习惯，是遇到任何“有限资源找目标”的问题，先问一句：当前能观察到的状态组合有多少？如果观察状态数不足以覆盖所有可能性，任何花哨技巧都是白搭；如果刚好够，就想想怎么用重叠和编码把状态组合映射到目标空间。

另外一个很实际的小技巧：组合数的增长比想象快得多。很多时候你觉得资源不够，其实只是还没把“组合状态”利用起来。一次实验给出10个布尔结果，听起来信息很少，但2的10次方已经能覆盖1024种可能。这个直觉在很多工程决策里都能救命。

如果你也想验证自己是不是真的掌握了，可以试试这个变体：把条件改成“毒发时间固定为1小时，你有10小时”——多轮实验反而让问题有了新的解空间。答案留给你自己去推，我相信想清楚之后，你会回来感谢这道题的。