|
知乎上有一个热门问题：有哪些知识会对你看待问题，处理事情，即今后生活的方方面面有着不可逆的影响？ 这个问题获得了三十多万网友的关注。 作为一个爱学习爱知识的人，人邮君今天来回答一下这个问题，顺便推荐给大家一些好书，希望能对你有所帮助。 01 摩尔定律：要想不被时代淘汰，就要跑得快 中年焦虑是很多人遇到的问题，这背后涉及到一个比较现实的问题：很多行业都是吃青春饭的，因为年轻人的学习能力与体力，更容易适应快速变化、增长的行业。所以，从这个角度来看，能力增长要快过年纪的增长，才能避免被淘汰，尤其在IT等技术领域。 这就涉及到一个知识——摩尔定律。 摩尔定律是由英特尔（Intel）创始人之一戈登·摩尔（Gordon Moore）提出来的，指的是：当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。 这一定律最初是揭示信息技术进步的速度。我们举个最直接的例子。两年后花3000元买到的一款手机，与两年前花同样钱买到的手机，性能将高出一大截。这就是摩尔定律。 《浪潮之巅》这本书中谈到IT产业的三大定律，其中之一便是摩尔定律。书中提到，它是整个信息时代的驱动力，多亏有了摩尔定律，我们今天才能把智能手机放在口袋或钱包里，今天智能手机的性能比 1965-1995 年里最大的电脑还要强劲。  书中提到的另外两大定律是安迪-比尔定理 、反摩尔定律，前者是对IT产业中软件和硬件升级换代关系的一个概括，后者是从相反的角度来看待摩尔定律，两个定律刺激着整个 IT 领域的发展，促成科技领域质的进步，并为新兴公司提供生存和发展的可能。 技术遵循着摩尔定律在滚滚向前，而对于人来说，想不被淘汰，更需要跑赢摩尔定律。 02 熵增理论：从外界吸取新鲜能量，才能避免混乱  ▲吴军 得到专栏《谷歌方法论》 天下大势，合久必分，这说明封闭组织的不稳定性。对于一个组织来说，只有与外界保持信息交换的开放系统，才能朝着越来越好的方向发展。尤其是信息时代，你会发现，在开放、包容的社会里，更容易催生出伟大的公司。这里，不得不提一个物理学定律，熵增理论：
詹姆斯·格雷克的《信息简史》提到：关于宇宙的起与灭，人类的生与死，“熵”是不折不扣的主角…… 薛定谔也明确提出，生命以负熵为食。  我们以人为例：人通过进食等新陈代谢，来对抗熵增的不稳定，但身体机能本身的熵也会变大，这体现出来便是衰老的过程。如果一个人什么都不做，营养元素支撑的德智体美劳会全面下降，人体就会以前所未有的正加速度冲向死亡的终点。 熵增理论会从更基本的规律出发，从新的视角来看这个世界。尤其《信息简史》中所写的，增熵理论与人，与信息世界的结合，更是打开了我们认知的大门。熵增打开事物发展的规律，一个组织，需要保持开放，需要不断吸收新鲜血液，即负熵，来保持活力。同样，从熵增理论的角度，遗传算法、神经演化等新的技术，都与之紧密相连。 03 沉没成本不是成本：打破思维惯性与局限 以最常见的一个情感选择为例： 恋爱一年之后，双方发现彼此并不像当初理解的那般适合，怎么办？ 是拖一下，继续磨合，还是快刀乱麻好聚好散？ 很多人面对分手问题时，会首先怀念过去，但从经济学角度来看，过去只是造成现状的结果，而现在发生的才会对未来产生影响，如此，过去便不能成为参考因素——沉没成本不是成本，要决策就要结合目前情况来衡量。 沉没成本，是指以往发生的，但与当前决策无关的费用。从决策的角度看，以往发生的费用只是造成当前状态的某个因素，当前决策所要考虑的是未来可能发生的费用及所带来的收益，而不考虑以往发生的费用。从这个意义上说，在投资决策时应排除沉没成本的干扰，沉没成本不需要作为衡量对象。 这个知识点，被广泛应用在经济学领域，但它具有很大的普世价值，对决策的帮助很大。 大量行为学研究揭示，人类的思维过程存在系统的局限性。人们往往无法做到完全意义上的理性，相反，各种认知缺陷、启发式以及惯性思维决定了我们大多数判断和决策。沉没成本不是成本帮很多人打开了思维的局限，如果想了解更多可以看看《不确定世界的理性选择》这本书，生活中充满了不确定性，我们也无时无刻不在面对形形色色的选择和判断，所以学会理性决策的原理对生活帮助很大。  04 贝叶斯思维：大胆假设，小心求证 很多人把世界理解为基于简单的、确定的、非一即零、非黑即白。但是真实的世界确实非常复杂的，会受到很多因素的影响，因此我们经常说一件事的发生“既有必然性，又有偶然性”。这个时候，基于概率和统计的方法给了我们很多的帮助。 纸面上，我们常常接触的是正向概率，也就是已知一系列信息后进行的概率计算。举个例子，知道了抽奖桶里有10个球，2个白球，8个黑球，伸手进去随便摸出1颗球是白球的概率，我们可以计算得出20%。 但如果，我们事先不知道黑球和白球的比例，只能随手摸出1个或几个球来，通过观察球的颜色去推断黑白球的比例，又该如何处理？这种就是逆向概率的情况，而解决和推测这种不确定性问题的数学方法，就是贝叶斯定理。 贝叶斯定理的内涵是：先预估一个“先验概率”，再加入实验结果，看这个实验到底是增强还是削弱了“先验概率”，修正后得到更接近事实的“后验概率”。 贝叶斯定理引入了主观的概率，认为在掌握信息不充分的情况下，可以根据自己的先验判断估计一个初始概率 ，之后每当出现新情况和新信息，再对初始概率进行修正，随着信息的增多，我们就会逐渐逼近真实的概率。 在这里就不花费篇幅解释贝叶斯定理的数学含义了，感兴趣的朋友可以通过《贝叶斯思维》这本书一探究竟。  在我们正在经历的大数据和人工智能时代，基于贝叶斯的机器学习算法已经被广泛地使用，对海量数据的文本分类，如垃圾邮件的甄选和过滤，基于贝叶斯方法的算法也取得了非常好的效果。 对于普通人，贝叶斯思维的意义在于：人生中最重要的问题，在绝大多数情况下，真的只是概率问题；而了解贝叶斯方法，是了解真实世界运行的一种有效途径。 现实世界里，我们碰到的大量问题，如果通过数据的归纳分析来判断，未来的概率会有一定的风险，因为已知数据的有效性无法保证。同时还有很多新兴事物，压根没有先例，比如一种新发现的疾病，一个新的产品，一种新的市场策略…… 所以，具备贝叶斯思维，确定初始概率，大胆假设，小心求证，在过程中不断校准，对我们的决策和行动大有裨益。 就像推理电视剧《神探夏洛克》里，主角对罪魁祸首的看法，通过搜集证据的过程中，不断改变，处理新的证据，并在每一步完善最初的假设。这就是现实生活中的贝叶斯！ 贝叶斯思维对数据研究及处理生活预测类问题给出了一条可行的方式，尤其受到程序员等技术从业者的青睐。 05 相关性不等于因果性：别拿相关当因果！ 相关=因果，是大部分人都会遇到的逻辑误区。 两个变量A和B具有相关性，其原因是有很多种的，并非只有A→B或者B→A这样的因果关系。一个很常见的导致相关性的可能性是A和B都是同样的原因造成的：C→A并且C→B，那么A和B也会表现出明显的相关性，但并不能说A→B或者B→A。 2011年诺贝尔经济学奖得主克里斯托弗·西姆斯（Christopher Sims）教授经常举一个经典的例子：
你以为的并不一定是你以为的，你看到的也不一定是你看到的。很多误会、冲突，都是因为随意归纳因果关系而起。而在当下，即便有大量数据支撑，你以为的“因果”也可能只是迷惑人心的相关性。 《别拿相关当因果！》这本书，便围绕这个概念，进行了更为丰富的演绎，包括认识原因，对原因的理解和运用，如何只通过观察找到原因，大数据集与原因的关系，因果关系相关实验，如何利用因果关系来制定有效的干预措施，研究因果关系的意义。  作为一本写给普通人的因果逻辑入门书，正如它所介绍的，本书适合所有对探究事件真相感兴趣的读者，无须统计学等专业背景。相关性不等于因果性只是逻辑的一种，如果想培养严谨的思维方式，在不借助任何专业知识的前提下，准确定位问题，大家可以去看看。 |
|
|
