费曼大法与知识关联
Length: • 1 min
Annotated by Harry
理解的两个关键:知识砖块与知识关联。上文讨论了知识砖块,本文讨论知识关联。
我们先从围棋中的一个有趣概念——计算力——说起。
2016年AlphaGo横空出世之后,围棋进入了大众的视野,于是我们不可避免地关注到柯洁等人类顶级棋手,然后又接触到棋力、棋局等围棋领域的概念。
柯洁与AlphaGo在2017年对弈3局,柯洁三场全败,落泪赛场。柯洁本人是7 届世界冠军,在央视的记录片中[^ 柯洁聊职业选手的计算力 https://www.bilibili.com/video/BV1Ku4y1Y7dx],记者问柯洁相对于聂卫平、李世石、古力等前辈棋手,自己跟他们之间的差距在什么地方?柯洁的回答是:这个问题其实很尖锐。如果我说自己比他们下得好的话,肯定会有一片骂声。但是,比较各个棋手的巅峰时期的话,我觉得应该是强于他们的,明显强于他们。记者问,从哪儿看出是强于他们的?柯洁说,计算力,就是计算力。
柯洁一向以计算力惊人著称。多年研究死活题,并且以网棋为战场,柯洁这一代新棋手培养出了强大的计算力。
但是,在跟 AlphaGo 对战之后,柯洁感叹:“可能我太笨了,未来可能有战胜它的人类,但我这辈子是不可能了。” 柯洁的痛苦在于,“跟AI下棋,那个胜率的线就像一个股市跌停,然后一条横线......”。在事后复盘中,柯洁认为,自己在布局上并没有落后很多,但到中盘需要拼计算力的时候,发现自己感觉力不从心,算的远远没有 AI 远。
柯洁所说的围棋计算力,到底是什么?
作为一种智力游戏,围棋对战分为开局、中盘和收官三个阶段。开局是双方布局,围棋发展几千年来,开局策略已经基本定型,被总结为一系列“定式”。围棋开局,主要靠定式。高手对决,在开局走定式上差距不大;中盘是双方对杀,拼的是对棋局的计算推理。训练计算力主要靠死活题,大量的死活题。所以柯洁认为新一代棋手的巨大优势就是计算力;而收官则是对战之后打扫战场。中盘之后,基本不会有啥意外。收官就是巩固中盘打下来的战果,不犯低级错误的话,胜负在中盘就决定了。
问题来了:柯洁自认为自己远超前辈的,同时在AI面前感到力不从心的计算力,到底是什么?
在围棋游戏中,计算力可以视作棋手对棋局的思考能力:依据围棋比赛的规则、针对当下的棋局,推理决策的抽象思考能力。
一个人新学习围棋,肯定得从规则开始。围棋是极其简单的智力游戏:规则极简,只包括落子、禁入点、吃子、胜负判定等几条,任何人都可以用1个番茄的时间学会围棋的规则。但是,围棋又是极其复杂的智力游戏,每一步棋有上百种走法,每一步棋都可能影响整个棋局的走向,围棋的可能棋局数量超过宇宙中的原子数量。
但是,一旦入门之后,棋手的能力就不是关于规则了。归根结底,一个专业棋手的能力主要分为两大块:一个是棋感,一个是计算力。
认知科学家说顶级棋手都通过多年刻意练习积累了5 到 20 万个关于棋局的心理砖块,而棋感就可以视作在心理表征的积累上,对棋局模式识别的能力。在围棋中,每一手棋有数百上千种可能的落子点,如何推理决策,这就是靠计算力。
棋力取决于棋感和计算力这两大能力。用函数表示的话,棋力= f(心理表征,围棋计算力)。二者缺一不可,大脑中的数万棋局,这是棋手对棋局学习所积累出的心理表征,而计算力则是棋手在工作记忆中计算棋局的思考能力。
从棋力到理解力
围棋是一种特殊的人类智力活动,学习是普遍的人类智力活动。人类在围棋这件事上的智力,对人类学习也可以有很大启发。
如果把人类的理解能力称为一种叫“理解力”的东西[^“xx力”实在是一种语言的滥觞,知识付费大潮中,什么思考力思维力认知力写作力全都冒出来了。在学习领域,本书只采纳记忆力、理解力这两种古老且普遍的说法],那么,理解力也是关于知识表征和计算力的函数。前者是我们说过的“知识砖块”,后者是是我们正在讨论的“知识关联”。
用一个函数表示,理解力 = f(知识砖块,知识关联)。二者缺一不可,大脑中的数万知识砖块,这是学习者对人类知识所积累出的心理表征,而知识关联则是学习者在工作记忆中“计算”这些知识表征的思考能力。
本文的目标是把“知识之间的关联”这件事充分讨论,讨论清楚。我们先从定义开始。
关联的定义
什么是“知识关联”?顾名思义,就是学习者在不同知识砖块之间建立的丰富的有意义的联系。
知识关联很重要:在概念的层面,知识关联促进我们对概念的理解;在知识体系的层面,有关联才能建立体系。
“理解”问题,归根结底就是知识砖块与知识关联这两个问题。而知识关联的重要性,也恰恰是传统教育、应试教育中最不注重的地方:只关注学习“知识”,但是,忽视了在知识之间,不同学科之间,在知识与生活、解决问题之间的关联。
关联的分类
人人知道知识关联很重要,但是我们对此却缺乏思考:有哪些类型的知识关联?在什么东西之间建立关联?
我梳理了一个表格:
概念之间的关联:同一棵知识树之上,有关概念之间的联系。充分关联的知识,形成学习者在某一领域的个人知识体系。例如,ChatGPT这个概念,一定会与这些概念建立关联:GPT-4模型,GPT-3.5模型,OpenAI,Sam Altman,生成式 AI,大语言模型,深度学习,机器学习,AI...... 当你能费曼清楚这些概念及其关联,你不但理解了这些概念,同时也建立了自己的知识框架和体系。
跨学科的关联:不同科学、领域之间的知识关联。例如,ChatGPT是深度学习领域的概念,但是,它与数学领域的知识、概念之间也存在诸多关联,例如:向量,线性代数,概率论,统计学。跨学科的知识树之间的知识关联,带来的是多元的、跨学科个人知识体系。
领域知识与元认知的关联:本书的内容和方法不是面向某个领域,而是关于普遍的学习,也就是所谓的“元认识”。我把元认知分成两块,一个是关于如何学习的知识,包括如何学习的道法术器,一个是关于自我管理的知识,包括如何做到的道法术器。
元认知与任何具体领域的知识都是有关联的。例如,ChatGPT、GPT-4 是元学习中的概念;prompt技巧中的RTF结构(role-task-format)则是一个思维模型;而你的深度学习知识树,GPT大法,则是个人知识体系。
我们对元认知的掌握,我们的学习和自我管理能力,通过长时间的具体的领域知识学习和做到实践来逐渐夯实。所以,我认为领域知识与元认识的关联也是一种重要的知识关联。
通用知识与个人经验的关联:我们的学习,关键是要把通用知识(general knowledge)变成自己的知识(personal knowledge),把世界知识变成个人的知识和经验,所以,还需要在通用知识和个人经验之间建立关联。
例如,学了再多关于GPT的知识,你也需要用个人经验组织起来:你的 prompt 技巧,GPT 中文与英文对话的质量差异,你与 GPT 对话的个人经验......
多年以来,我习惯用名为“xx 大法”的大纲格式来系统整理个人经验。例如,我的 GPT 大法就是我对GPT 使用的知识和经验总结。例如,假如你买了一台理光 GR3 相机,要想驾驭这样的工具,你最好用一个“GR 大法”来整理你的学习和使用经验。
一个常见的问题,梳理某个领域的知识体系时,“xx 大法”和“xx 知识树”,这两者有何区别?是否重复?
我是两种都用的。个人经验:xx 大法是实践导向,通常用在工具和技能上,例如GPT 大法、git 大法。xx 知识树,更像上学时记笔记,是知识导向。例如,深度学习知识树,财务知识树。这没有标准答案,没有对错之分。你也可以完全不区分,把二者融合成一个东西。
理论与实践的关联:最后一种关联,是理论与实践之间的关联,我称为“做到”。“知道”是很容易的,真正“得到”是极其困难的,二者之间还差一个“做到”。
关联的认知原理
理解的关键在于知识砖块和知识关联,二者缺一不可。前文谈到认知心理学对记忆“编码”的研究,人脑编码信息的方式只有4种,而最有效的编码就是语义编码和结构编码。
知识砖块的认知原理,就是语义编码。用费曼的方式把知识表达出来,这是语义层面的做工。
而知识关联的认知原理,就是结构编码:根据信息的内在结构,关注提取并构建信息之间的关联,这是理解和记忆信息的关键之一。
如何建立知识之间的关联?
讨论完知识关联的定义与分类,我们来看看如何在知识之间建立关联?
关联的方向
知识关联是不同知识之间的联系。我们学到了一个新知识,例如ChatGPT,如何与其他知识砖块建立关联?这个过程自然涉及到方向问题。
在知识砖块间建立关联,有4个方向:
新知关联已知:把新知和已知建立关联,利用已知来理解新知。例如,ChatGPT 作为新知,就必须与大脑中对 AI 领域已有的知识关联起来;如果你在这个领域缺乏知识积累,理解新概念自然就更困难。
复杂关联简单:把复杂和简单建立关联,利用简单的语言来理解复杂知识。以ChatGPT为例,如果要用简单的语言来描述它,可以将其比喻为一个学习过无数书籍、文章的智能助手。这个助手不仅能够理解你的问题,还能够根据它所学到的知识给出回答。就像一个知识丰富的人类助手,无论你问什么问题,它都能从它的“记忆”中找到相关信息来帮助你。
抽象关联具体:把抽象和具体建立关联,利用具体的事物来理解抽象概念。以ChatGPT为例,它是一种生成式AI,但是,“生成式AI”仍然是一个抽象概念,如果你实际使用一下,让它帮你起草一封邮件、翻译一段英文、变成一个程序脚本,在具体的对话中,你就对ChatGPT 就会形成具体的直观的认识。
陌生关联熟悉:把陌生和熟悉建立关联,利用熟悉的事物来理解陌生的事物。以 ChatGPT 为例,除了前面的“人类助手”比喻,你还可以用大家更熟悉的搜索引擎来解释。我们早就习惯通过搜索引擎来获取信息,而ChatGPT则是全新的信息获取方式。传统的搜索引擎可以帮你找到信息,但只能提供一系列网页链接,不能直接回答问题,你还得点开一个个链接,亲自阅读,开动前额叶加工处理信息,整合信息,寻找答案。但是,ChatGPT能直接用自然语言给出答案。
这种区别就类似于你去图书馆找资料,有两个管理员。叫“搜索引擎”的管理员只能抱给你一摞子书,他没有读过这些事。但是叫”GPT“的管理员读过并记住了图书馆里的每一本书,除了能给你书,还能直接告诉你答案,而且能综合所有相关主题的书籍内容,给你一个整合过的全面的详细的答案。
我把费曼大法视为一种终极学习法。它除了让我们理解、构建并积累知识砖块,更能让我们在不知不觉中,在知识之间建立丰富、有意义的关联。
费曼大法中,为什么要“用自己的话说出来”?新知关联已知。
在本书中,当我谈学习时,为什么经常谈到财务、读书、英语、GPT、家庭教育?为什么我会举我自己的学习案例以及我孩子的学习案例?因为,一个人的知识结构,决定了他会在学习时建立怎样的知识关联。如果我的书里都是搬运来的道听途说的学习经验和真伪存疑的故事,那还有意义吗?市面上拼凑类的学习技巧书籍太多啦,阿猫阿狗都能在网上搜索一些技巧和案例,组装成一本学习书。实战派的终身学习者,必须使用有说服力的第一手经验。
费曼大法中,为什么要“用简单的话说出来”?复杂关联简单。
我们读过砖头一样的教科书,以及烧脑的学术论文。但是,如果我的目标是写一本面向终身学习者的“科学学习”教科书,我就不能使用教科书的语言,而是选择更简单的语言。要多简单?取决于你设定的用户。我设定的费曼等级是 L3,典型用户是有求知欲、有基本世界知识的大一学生,所以,也不用过度解释,过于简单。
费曼大法中,为什么要“举例子”? 抽象关联具体。
举例的时候,一定是某个领域的。例如,你费曼数学知识时,一定要举数学领域的具体例子。但是,元学习是超越某个领域的,适合所有领域。本书是我个人构建一个小能熊版本的“学习科学”的尝试,目标是提供“学会如何徐学习”的道法术器一揽子解决方案。虽然“元学习”是超越某个具体领域的,但是,必须谈到理解、记忆、知识体系的原理和方法时,必须结合来自具体学科领域的具体内容和具体案例,所以,你会很看很多财务、英语和AI等具体学习案例。
那么,本书为何频繁以“深度学习”、“GPT”举例?我思考过书籍案例选择的问题,也有热心学员给我提意见:懂AI 关注 AI 的人太少了,你这样举例子会影响到大家的阅读兴趣。跟编辑聊天时,专业的意见也是让作者举人人关心的学习案例。
道理我都懂。生活在自媒体、短视频在给大家集体“降智”的时代,难道是我不懂要“降低读者认知负荷”、减少读者知识背景需求的基本道理吗?
前一阵我重读了《动物农庄》,小树跟我一起读了几页,很感兴趣。于是我买一本纸书给她读,应她的要求买了英文版。昨晚收到后她就一直在读,早上起床后继续读。到吃早饭前,她已经读到第五章了。吃饭时我说这本书是世界上最好的书之一。小树说比cosmos还好吗?我说二者不一样,但是 animal farm 读的人更多,更有名。cosmos 读过的人太少。小树说,我知道。大家都喜欢读故事。cosmos 的信息量太大了,大家就不喜欢看。
8岁儿童都懂的道理,我自然是懂的。除非你想自绝于大众,否则你应该尽可能降低阅读的背景知识要求,你应该讲故事,降低信息密度。举例子的话,你应该举娱乐性强的、大众感兴趣的例子。看看热搜热榜,你就知道应该怎么做。
但是,我决意要违背认知原理,举深度学习和GPT的例子。原因有二:
一是我们正处于一场深度学习革命当中。机器学习对你我的影响之大,再怎么强调也不为过。即使很多人因为分心而忽视了AI的冲击,但是我认为我有责任让我的读者尽可能关注这场学习革命。
其次,机器学习对人类学习的启发,这个问题是比较前沿的,对跨学科知识背景的要求比较高。毫无意味,这一次深度学习革命会给人类习惯了几千年的学习和教育模式带来天翻地覆的变化,从小学教育到家庭教育到大学教育,都需要范式转换级别的改变。但是,学习和教育行业的供给侧改革是需要时间的。而我个人因为关注学习和 AI 多年,恰好自己对此有长期到终身级别的兴趣,我也有抛砖引玉的责任,让更多人参与到这个问题的研究中来。所以,本书对人类学习的讨论,是与机器学习的启发有机且密切交融的,当然会涉及到很多深度学习和 GPT 的案例。
当然,还可以有第三个解释:这是一种筛选机制。很多人一看到对自己的认知有挑战的事情就会自动放弃,读书时只愿意读故事,读不了有信息量的书。这样的人与这本书是不匹配的。而很多悲剧和痛苦都来自错配,一本书要找到适合的读者,一个人要找到适合的书和作者。如果不适合,就不必强求。
费曼大法中,为什么要“打比方”?陌生关联熟悉。
本书作者不但没有自暴自弃,反而是力求费曼清楚。例如,在信息输入篇中,我提出的“信息断舍离”的说法,把信息比喻成“大脑的食粮”,这都是打比方。
关联的结构
除了方向,关联还必然构建出结构。那么,知识关联的拓扑结构有哪些?
我用一个表格梳理来全部的信息结构,大概分为表、图、树、网这四大类。
表格结构(Tabular Structure)
表格结构,就是用表格来整理数据和信息。例如电脑办公软件三件套里的 excel。
表格结构的本质是用分类的方式来梳理数据和信息。作为前审计师,我多年和 excel 打交道,工作的开展和交付主要是通过 excel 进行的。在财务和审计领域的从业者也被开玩笑地称为“表哥表姐”。审计师们通常都会培养出这样一种观念:没有什么问题是不能用一张表说清楚的。如果不能,那就再来一张表。
本书中大量使用表格来整理信息。这一篇文章中,这段文字之前就已经用了两个表格了。
图形结构(chart & diagram Structure)
图形结构的种类很多,我大致分为以下几类:
数据图表(data chart):用于表示数据的图形,如条形图、折线图、饼图等,主要用于数据的可视化展示。例如,excel 中的图表功能,就是把表格数据转化为可视化的图表形式。
流程图(flowchart):过程和流程的可视化。例如,项目管理中的甘特图,梳理业务流程的流程图,公司的组织结构图等。使用 XMind、ProcessOn 等工具可以绘制这些图形。
图解(diagram):最通用的表示知识关联的方式,通过简化的图形和符号来展示概念、对象、过程或系统之间的关系,例如文氏图(venn diagram)、swot 分析图等。
图解是知识传递和理解中的重要工具,尤其适用于那些难以用文字描述或需要直观展示的信息。图解的目的是通过视觉元素简化复杂信息,不仅让抽象和复杂的信息更容易理解,也有助于提高思维和沟通的效率,所以通常用于教科书场景。本书中除了表格,也大量使用图解类图片。
本书的图解都使用开源且免费的excalidraw软件绘制,这个工具在Obsidian 和 logseq 中都有插件,可以和你的笔记系统无缝结合,强烈推荐。
excalidraw
树状结构(Hierarchical Structure) 是大家最熟悉的知识结构,书籍目录和文章结构都是典型的树状结构。本书推荐的logseq笔记工具就是把大纲作为基本的笔记结构,这类工具是一种专门的类型,叫大纲工具(outliner)。
一个常见的问题就是:思维导图与大纲的关系是什么?哪个更好?
在我看来,二者本质上是同一个东西,都是用来组织和展示层次化信息(hierarchical information)的工具。只不过二者在表现形式上有所不同,思维导图更图形化,更多人会觉得思维导图更“亲切”。但是,对于重度使用表格的人,例如审计师等,他们的思维方式经过多年训练,更加注重信息结构,更偏理性,所以会觉得大纲工具更“亲切”。
思维导图工具本质上也是大纲,只不过用了图的形式。他们在底层都使用了[[OPML标记语言]]。OPML(Outline Processor Markup Language)是一种基于XML[^HTML标记语言的一个亲戚,而所有的网页都是基于HTML的。又是一个知识关联的实例。]的标记语言,广泛用于大纲工具和思维导图工具之间的信息交换。例如,在 XMind 中,你可以把一键切换为大纲显示形式。在 logseq 中,只要安装 mindmap 插件,你也可以把大纲笔记一键切换为思维导图。因为二者是同一种信息组织结构。
网状结构(Network Structure):前面的表、图和树都是二维的,但是,网络结构是多维度的空间结构。例如 GPT 这样的人工神经网络,人脑中的生物神经网络。电脑和 AI 可以处理高维度的信息,但是人类并不可以,也没必要。所以,真正的网状结构是不在你我的操作层面的,认识到即可。
前文说过,人类的思考是网状的,但知识体系是树状的,语言表达是线性的。关键在于,把我们的纷繁复杂的网状的思想,用树状结构有序、全面、清晰地梳理出来,然后用线性的语言和文字进行清晰的表达,这就是费曼的真谛。
费曼大法与结构编码
作为一种发源于互联网的学习技巧,费曼技巧本身的内涵是单薄的,完全不涉及知识的组织结构问题。但是,在我的费曼大法中,知识关联以及背后的知识结构,是费曼的重要内容。
所以,在费曼的过程中,请充分利用表格、图表、树状等信息组织结构。就像本书所做的这样。想象一下,如果把本书的所有表格、图表全部去掉,如果我在写作的时候不先确定大纲,最终会是怎样的一个画面。
FAQ
一个常见的问题:为什么我学会了xxx方法(费曼技巧四步法,批判性思维方法论、阅读五步法、写作方法论),但是在实践中仍然xxx?
具体来说,知识关联不过就这么几种类型,建立关联不过就是这么几种结构,几种方向,道理很容易明白,方法很容易弄懂,但是,在实践中的时候,为什么我学到的知识仍然孤零零的,很难建立“丰富且有意义的关联”,建立跨学科的关联更是难上加难?
原因很简单,人的思考是无法脱离知识而独立运作的。有效的思考,是在工作记忆中,把各种来源的知识砖块加工处理,建立关联的过程。建立知识关联、形成深度的知识理解,这不是一种方法,也不是某种技巧,必须基于实实在在的知识砖块的积累,更多是长期的知识积累和理解能力训练之后,你的大脑所涌现出来的一种能力。
同理,批判性思维的方法、阅读和写作的方法都很好学,但是,真正的能力养成必须依靠长期积累。
举例:马斯克吃药减肥
前两天,我在《费曼日报》的推荐文章下面出了一个批判性思维的练习题。阅读内容是关于“减肥神药”的。
2023年,减肥神药GLP-1 横空出世,竟然力压 ChatGPT,位列《科学》杂志2023 年度科学突破之首。同时,2023 年多位明星人物成功瘦身,马斯克30 天瘦了18斤。有人问马斯克你的秘诀是什么?为什么看起来这么健壮健康?是靠举重?靠健康饮食?马斯克的大实话:禁食,和减肥神药。
我提的批判性思维练习题是:
像马斯克这样的公众人物,是否有责任公开自己靠吃药减肥?普通人呢?
我觉得这个实例很好地展现了深度思考和知识理解的过程。
首先,这个问题涉及到这些知识砖块:个人隐私权、普通人 vs 公众人物、社会议题的公众监督,公众人物的社会责任,虚假宣传的法律界定,法律问题 vs 道德问题,侵害用户利益 vs 未侵害用户利益
思考这个问题,涉及到这些知识砖块之间的如下知识关联:
1、公众人物也是人,和普通人一样有隐私权:别人问他,他有权不说。 2、但是,如果马斯克这样的公众人物在公众空间(社交媒体)发言并成为社会议题,他还有权利隐瞒吃药的事实吗? 3、如果马斯克不说吃药,只说自己靠禁食和举铁成功瘦身30磅,大谈特谈自己作为钢铁侠原型的强大意志力和高尚品德,谈自己如何顶着凌晨4点的太阳健身锻炼,从而达到立人设、美化公众形象的目的,这种情况是个人隐私权的合法使用还是欺骗公众? 4、如果马斯克立完人设之后转手带货,开始卖健身房会员卡、减肥知识付费课程、代餐食品,公众蜂拥下单,遭受损失,这时候隐瞒吃药减肥,是个人隐私权,还是虚假宣传? 5、如果马斯克树人设之后推销的是自己的传记,公众蜂拥下单,书本身不错,和减肥无关,用户没有实际损失,这时候隐瞒吃药减肥,是个人隐私权,还是虚假宣传? 6、如果马斯克隐瞒减肥吃药的信息,给用户造成损失或没造成损失的不同情况下,这分别是法律问题还是道德问题?
事实上,2023 年同样成功减肥的还有女明星奥普拉。多年来她一直困扰于肥胖问题,后来靠锻炼起到一定效果,同时给健身公司做了商业代言。但是,她在 2023 年公开承认自己用了减肥药,这里面就涉及到公众人物在商业领域和私人生活中的个人隐私以及信息公开问题。
从这个例子可以看出来:深度思考和理解是基于知识砖块和知识关联的。深度的、理性的、明辨的思考,就是在清晰准确的知识砖块之间建立有意义的符合逻辑的知识关联。
对比之下,人们在面对这类问题时,更多的情况是:“生成”一个观点,“我觉得这我以为我认为”,而且这些观点往往是基于自己的个人信念和情绪的。人们往往被自媒体文章等外部信息“带节奏”,看哪种分析都觉得很有道理。
说到底,知识之间的关联,不是能“学会”的。首先得有知识砖块的积累,其次得练习,只有练习,只有足够多的练习,才能锻炼出强大的建立关联的能力,类似柯洁的围棋计算力,类似人类学习的思考力。
知识是基于关联的。所谓理解,一手抓知识砖块,一手抓知识关联。
从小的层面讲,知识关联让学习变得“有意义”。所谓“有意义的学习”(meaningful learning),就是指知识的关联。在知识理解层面,知识关联让我们真正理解知识,克服机械学习的问题。
从大的层面讲,知识关联让个人知识呈现出网络效应的效果。
从互联网的网络效应到知识的网络效应
在本文开头,我们说过:理解力是以知识砖块和知识关联为变量的函数。理解力 = f(知识砖块,知识关联)。
结合个人经验,我们可以发现:知识砖块增加,学习能力线性增加;如果我们没有特别注重知识的关联,知识孤立,不成体系,学习的情况确实如此。
但是,随着知识关联的增加,我们的理解能力呈现指数式增长。这种关系,类似于
这个公式。所以,可以假设理解力呈现这样的关系:
作为人类的重大发明,互联网给我们的一大启发是互联网的网络效应:一个产品或服务的价值随着使用它的人数增加而指数增加。例如,微信这样的网络平台,其价值就在于它庞大的用户基数。一旦建立巨大的网络效应,威力巨大,建立的市场壁垒几乎不可逾越。
这也就是为什么资本追求网络效应。从打车到共享单车到共享充电宝,资本的目标就是在行业中建立占据垄断地位的平台,前期哪怕烧钱百亿倒贴用户也在所不惜。因为,网络效应的力量实在是太诱人了。
资本追求的网络效应是个人无力追求的,但是,知识的网络效应却是个人可控且可追求的。知识的网络效应并非“打造个人IP”语境下的“复利效应”,一个人在网上到处发布东拼西凑的低质量内容,这不叫网络效应,只能叫网络牛皮癣,最终不但没法享受复利,反而会被大家屏蔽。但是,一个终身学习者,通过严肃耐心不妥协的学习和做到,积累清晰准确的知识砖块,在知识砖块之间建立丰富有意义的知识关联,最终就会得到网络效应的庇护和奖励。
记住这个公式:
END -
小能熊科学学习
进店逛逛
- 相关推荐
