|
“如何才能成功？” 这个话题经久不衰。 制定详细的人生蓝图，再一步步实现，最终走向“人生巅峰”，是一直以来人们根深蒂固的成功路径。 但是，近年来“躺平”、“佛系”、“松弛感”，正在成为当代年轻人的热门词汇，他们对于长远的规划不感兴趣，即使制定了也很难完成。  本书作者肯尼斯·斯坦利和乔尔·雷曼是人工智能领域的顶级学者，并都在OpenAI公司任职。书名中的“伟大”所描述的是对个人或集体而言“高大上”的理想与事业。本书的主要观点是，对于这些宏大的事业，传统的目标法不起作用，需要新的思维和方法。 一、为什么“目标法”不起作用？现代社会中，目标法被广泛应用。对个人而言，从升学到就业的各个阶段都设定着目标；在各行各业中，目标法也是最常见的管理方式。 然而，在追求成就伟业时，目标法可能失去魔力。以日本的第五代计算机系统项目为例，其目标是开发出高级人工智能。然而，经过十年的努力这个项目却以失败告终。与之类似，美国在1971年发起“抗癌战争”，目标是在5年内找到消灭所有癌症的方法。然而，数十年过去了，癌症仍然是人类主要致死疾病之一。 在追求伟大的事业中，目标法失效的原因可以通过 “搜索空间” 和 “踏脚石” 两个概念来解释。  首先，“搜索空间”是指达成目标所需探索的所有可能结果。“搜索空间”可以被比喻为一个装满各种可能性的大房间，其中大部分是平凡无奇的结果，而真正的突破隐藏在某些特殊位置。例如，要创造新的艺术风格，艺术家需要广泛探索绘画作品的世界，了解各种风格，才有可能实现创新。 为了搜索这个空间，需要有 "踏脚石" 来帮助前进，即从一个创新到另一个创新的铺垫。比如，在发明创造领域，在其“搜索空间”中为了找到“汽车”，就需要轮子、手推车和马车等一系列发明作为“踏脚石”。 目标法在追求宏大的事业时容易失败，是因为无法凑齐踏脚石。首先，宏大目标的踏脚石往往不够。无论团队多么出色，若缺乏必要的前提条件，他们也无法一步登天。另外，通向“伟大”的踏脚石往往难以预测。以计算机为例，第一台计算机的核心部件是真空管，但在真空管发明后的相当长一段时间内，人们都没有将其与计算机器联系起来。 二、如何成就“高大上”的理想与事业 为了实现“高大上”理想与事业，可以采用“寻宝者思维”和“新奇性搜索法”。 “寻宝者思维”是指保持开放心态，不断去收集踏脚石。这一思维模式可以借助作者所开发的“图片孵化器网站”为例来进行解析。  在这一网站上，用户可以在随机的初始图片中任选两张作为“父母”，它们会融合生成一些新的“子女”图片。然后，用户可以继续从这些新图片中进行选取与繁衍，整个过程可以无限重复下去，直到得到用户满意的图案。本书作者肯尼斯曾选择过一张用户培育出的“外星人”图片作为起点，计划繁育更多“外星人”。然而，出乎意料的是，随着他不断培育，“外星人”图片却逐渐变成了一张精美的“汽车”图片。 在这一案例中，“图片孵化器”网站可以被看作是一位寻宝者，它没有明确的目标，只是不断收集用户培育出的图片，并让这些图片成为他人进一步探索的踏脚石。正是通过这种方式，从最初的随机图作为起点，最终却培育出了各式各样精美的作品。 “新奇性搜索”就是去寻找带有“新奇性”的事物。该方法源自用于帮助机器人走迷宫的算法，这一算法只要求机器人做一件事情，那就是“产生新的行为”。 在迷宫之中，使用“新奇性搜索”算法的机器人很快就会撞上墙壁。但机器人撞墙实际上是好事，因为这个行为是一个新奇的事件。当撞不到新墙时，机器人就会学习避开墙壁，并最终走出迷宫。对于复杂迷宫，“新奇性搜索”的方法能够取得比普通目标驱动算法更好的成绩。 “新奇性搜索”与“目标驱动”的核心区别在于评估行为结果的准则。目标驱动法将机器人的行为结果分为“坏”和“好”，依赖于一个固定的准则来评估各种结果。例如，撞墙被认为是坏结果，走出迷宫被认为是好结果。  “新奇性搜索”不形成固定的“坏好”衡量标准。因为一旦机器人发现一个新奇的行为，随着类似行为的不断发现，其新奇性很快就会降低。该方法实则提供了从“简单”到“复杂”排序方式。在新奇性搜索的过程中，机器人会自发地使自己的行为变得复杂，以追求新奇性。为了执行复杂的行为，机器人则必须掌握更多信息。最终，机器人既能做出复杂动作，又能获得新的知识。 现实世界中已经存在着非常成功的“新奇性搜索”案例，那就是自然进化。自然进化可以被视为一个没有明确目标的搜索过程。早期的简单生命形式不断接收阳光、震动和氧气等来自外界的信息，并通过引发基因突变，将相应的信息引入生命进化过程中。然而，生命的简单形式是有限的，持续进化的唯一方法就是让生命体变得更加复杂。于是，自然界出现了拥有更多器官、更高级的生命形式。自然界中的“新奇性搜索”创造了丰富多彩的生命形式，还包括“人类”这一智慧物种。 如果你心中仍然怀有成就事业的理想，可以尝试书中提供的这套方法。也许有一天，你将能够找到通向自己心中伟大之路的踏脚石。 |
|
|
