|
读了一本书，《为什么伟大不能被计划》，作者是openAI的两位人工智能专家，书中论述了一个反直觉的观点，即目标并不总是必要的，有时甚至会带来误导。 日常生活中，几乎所有人都会被目标思维支配，上学时有学业目标，比如考进哪所大学，以什么样的成绩毕业，科研又有研究目标，比如提出什么新理论，或搞出某个新发明等等，有了目标，就会有以目标为导向的评判标准，你每付出一次努力，就用这套标准检验一下，看看自己离目标还有多远，之后再不断完善修正，最终达成目标。 这一切看起来理所当然，但有可能是错的。 事实上，如果观察现实，我们会发现，这种以目标为导向的思维，往往只有在逻辑短促直接，且可行性清晰明确的事上有效，而这个世界上的很多成就，其促成条件难以预测，我们根本无法在混沌的因果关系中按部就班地推进一切。 比如，乔布斯上学时非常烦闷，迷失方向，干脆直接退学，然后凭心情学了门书法课，却在很多年后成就了个人电脑的系统排版，微波技术一开始用于雷达，拿来热菜是后来的事，世界上首台计算机离不开真空管，但真空管被发明时，人们连计算机是啥都不知道，还有布尔代数，19世纪中叶搞出来的一套数学理论，最开始人们也不知道有啥用，就当成一个纯粹的智力成就而已，直到近一百年后，这套理论才在自动化领域大显神威。 前置条件和最后成果之间看似毫无关联，但却出人意料地彼此成就，这种情况在历史中比比皆是，这也说明，那种间接的，模糊的，混沌的因果关系，人们根本无法事先把握，直接盯着目标去往往会因忽视其他可能性而很难成功，一个更好的方式是自由探索，多元并进，等着那些前置条件随机浮现再加以整合。 为了说明目标潜在的误导性，书中还提到了一个实验，即让机器人走迷宫，实验人员给出了两种算法，第一种是目标导向性算法，机器人每走一次，就测算自己的位置与迷宫出口之间的距离，距离越近就判定为走法越好，并继续加强该逻辑，第二种算法叫新奇性算法，即不设定一个具体目标，让机器人随便走，但每走一次都得和之前的方案不同，只要确保始终走出新路线就行。 40次试验之后，目标导向性算法只走出过3次迷宫，而新奇性算法却成功了39次，其实这不难理解，目标导向算法很容易让机器人卡在一个接近出口的死路里，而新奇性算法因为不断地探索新方案，找到出路只是时间问题。 作者并没有否定目标的价值，并承认在简单直白的事情上，设定目标依然必要，但现实很复杂，若我们把目标导向思维直接套用在那些间接，复杂，模糊的事情上，我们很可能会被坚定而明确地误导。 不知为何，看完这本书，我不由得想起生活中见过的一些人，他们在学校时是好学生，在公司里是好员工，在主流的评判标准中，他们一直都是得高分的人，但他们却生活的不幸福，有些甚至深陷抑郁和痛苦。 我想，这可能是因为幸福也是一个间接复杂模糊的事，而他们被似是而非的评判标准误导进了一个离目标很近的死路。 [cp]@TAKAYOU: 我想起万维刚提到过人才的两种类型，一个是正确型人才，一切按标准才培养，重要的是不出错；另一种是优异型人才，没有标准，关键是独特性。前者是管出来的，后者是惯出来的。毫无疑问那些特别伟大的人才都是后者，所以成为你自己，很重要[/cp] [cp]@作死看篮球: 目标太大、太空泛、太抽象就失去了价值，甚至会有反效果。人需要的是小目标，一系列的小目标，不单是更有可操作性，而且目标的实现本身也是正向反馈，增加动力。这似乎是很多年前就有过的论述。研究AI的人再次论证了这一点。[/cp] [cp]@吴慧炯: 是以圣人终不为大，故能成其大。——《道德经》[/cp] |
|
|
