如何【系统性学习】——从“媒介形态”聊到“DIKW 模型”

2019-10-31 原文 #编程随想 的其它文章

如何【系统性学习】——从“媒介形态”聊到“DIKW 模型”

距离上一篇博文超过2周,可能某些读者会有点担心俺是不是出事了。
不过捏,俺上周还在评论区回复过读者留言;所以,这只是正常的【线上静默】。
再次重申:
俺有时候会随机性地静默一段时间。只要静默的时间跨度【不】超过2周(14天),都是很正常滴。
通过这种做法,可以让俺的“在线活动”尽量随机化——这有助于身份的隐匿性(如果你不理解这种做法的原因,请看 这个系列 的第9篇)



在6年前(2013),俺写过一篇《 如何完善自己的知识结构 》。今天这篇是对当年那篇的补充。
这两篇的【切入点】不同——当年那篇是从“知识结构”的角度来谈,而今天这篇是从“系统性学习”的角度来谈。


★何为“系统性学习”?


在本文的开篇,首先要简单介绍一下:什么是“系统性学习”。

◇举例:软件开发


俺曾经是一只“程序猿”,首先拿自己的老本行来举例。
当你想用某个编程语言来写软件,就需要【系统性】学习。
一般而言,你需要先掌握该编程语言的【语法】,然后还需要掌握该语言的【标准库】以及【第三方库】。
每个编程语言都有一大堆语法。如果你只掌握其中的某一个语法,是【不可能】用它来开发软件滴!
即使你完整掌握了编程语言的“语法”,如果不懂任何“标准库”或“第三方库”,你依然【无法】用它来开发软件。
即使你掌握了上述三样东西(语法、标准库、第三方库),要想写出比较优秀的软件,你还需要掌握“软件工程”相关的一些知识。

从这个例子可以看出——
要具备“软件开发”这个技能,你需要掌握某个【完整的】体系。而这就需要用到“系统性学习”。

◇“系统性学习”的两个特点——【广度】与【深度】


“系统性学习”与其它学习方式的差别,就体现在这两个特点。只有同时具备了【广度】与【深度】,才有资格说你【系统性】掌握了这个领域。
关于这两个维度,俺在《 如何完善自己的知识结构 》一文中已经详细聊过过,此处不再重复。

◇最终目标——真正的理解与运用


“广度”与“深度”只是“系统性学习”的表观特征。“系统性学习”的最终目的是【真正的理解】。只有当你理解了某个领域,你才有可能去运用它。


★【媒介形态】的选择


◇“媒介形态”及其【重要性】


当你要进行“学习”,必定要依赖某种【媒介】。比如“书籍”、“电视”、“报刊杂志”、“不同形式的网站”,这些都属于【媒介】。
俺在博客上不止一次提到某个重要的思想家 马歇尔·麦克卢汉 ,以及他的代表作《 理解媒介——论人的延伸 》(Understanding Media——The Extensions of Man)。此书是传播学领域【划时代】的经典著作,贯穿此书的核心观点是【媒介即信息】(The medium is the message)。
在麦克卢汉之前,传播学的学者只是关注媒介【内容】对受众的影响;麦克卢汉这个大牛率先指出:媒介的【形式】非常重要(甚至可能比内容更重要)。

这个观点,俺已经在博文中聊过不止一次了。最详细的一次讨论是如下这篇博文,其中有一个章节叫做: ★如何提升思维能力——【媒介】的重要性 ,专门谈这个话题。
为什么独立思考这么难?——谈谈心理学的成因,并分享俺的经验

由于媒介的【形态】会直接影响你的认知,所以,在“系统化学习”的时候,你一定要选取【合适的】媒介。
一般而言,你想要掌握的领域越复杂、越艰深,则媒介【形态】的重要性就越明显。

◇对于“系统化学习”,书籍是【最好的】媒介形态


为了说明书籍的【优势】,俺拿几种不同类型的网站(网络媒介)来对比

百科类网站
针对某个具体领域,这类网站具有“广度”的优势,但【不】具备“深度”。
举例:
俺的网盘 上分享了 纳西姆·塔勒布 所写的“不确定性三部曲”(《随机致富的傻瓜》、《黑天鹅》、《反脆弱》)。这是三个大部头的著作。作者从“不确定性”这个主题进行展开,讨论了非常多的内涵。
但如果你去百科类网站查阅“不确定性”相关的条目,哪怕你查的是内容最丰富的“英文维基百科”,也只能看到一个简单的页面(其内容的丰富程度,当然比不上三个大部头著作)

问答类网站
这类网站与百科类相反。
某些问题的回答虽然可以写得非常深入,而且问题也可以遍及某个领域的各个分支。
但在问答类网站上,你【无法】把某个领域所有分支涉及的问题全都系统性地【汇总】出来。因此,(从实际操作而言)无法具备“广度”。
另外,虽然“问答类网站”在【深度】方面比“百科类网站”更强,但远远比不上书籍——某个问题的回答,哪怕写得再详尽,也无法与书籍相提并论。

社交类网站(SNS)
(注:此处所说的 SNS 包括“microblog & IM”)
SNS 既没有广度,也没有深度。而且碎片化还很严重,信噪比也很差。
对【学习】而言,SNS 简直称得上一无是处 :(

论坛类网站
(类似 SNS)

视频类网站
最近几年开始流行“教学视频”,很多人拿它与书籍相提并论。
某些优秀的教学视频,确实可以兼具“广度”与“深度”。但“教学视频”本质上依然属于“视频”,因此必然带有视频的【缺点】。
关于【视频的缺点】,在《 为什么独立思考这么难?——谈谈心理学的成因,并分享俺的经验 》一文中详细讨论过。另外,俺在2年前(2017)还专门写过一篇《 为啥俺很少看视频?——兼谈“视频”与“文本”在媒介方面的差异 》。

◇小结


基于上述的讨论——对于“系统化学习”,【书籍】是最好的媒介形态(没有之一)。
接下来的章节,俺只从【书籍】这个形态作进一步讨论。


★三种类型的读物:通俗性、入门性、专题性


对于“系统性学习”所涉及的读物,俺分为三类。

◇通俗性读物


顾名思义,这类读物是针对【外行】。
为了达到【通俗】这个目标,这类读物【不会】包含专业术语,而且也【不】要求读者具备其它被依赖领域的知识。
举例——理论物理:
理论物理这个领域是高度依赖数学滴——比如在量子力学中处于核心地位的“薛定谔方程”属于数学中的“偏微分方程”;再比如“广义相对论”大量依赖“黎曼空间、微分几何、张量分析”这些数学工具......
但那些写得好的理论物理通俗读物,【不】需要读者具备相关的数学背景(也就是说,任何一个【门外汉】都能看懂通俗读物)

由于上述特点,“通俗性读物”【难以】具备深度。大部分的这类读物,既无“广度”也无“深度”;少数写得好的通俗性读物,可以做到一定的“广度”。

举例:
在俺分享的 电子书清单 中,对“心理学”、“经济学”、“哲学”分类之下,都单独开了一个【通俗读物】的子分类,里面放的就是这类书籍。
另外,
俺想推荐一下【牛津通识读本】这套书(相关的维基百科页面在“ 这里 ”)
该系列的洋文名称叫“Very Short Introductions series”(简称 VSI 系列),是牛津大学出版社(OUP)自1995年开始出版的一套【权威的】系列丛书。这套书的每一本都会对某个特定的主题进行【简洁而精炼】的介绍。每本书都由该领域公认的专家撰写,篇幅为100~150页,并包括进一步深度阅读的建议。
截止到目前(2019年3季度),VSI 已经出了600多本。在 俺的网盘 上已经分享了其中的几十本(有中文版,也有英文版)

◇入门性读物


一般而言,“初级教材”属于这类。
“入门性读物”与(刚才所说的)“通俗性读物”,一个很重要的区别就在于——“入门性读物”假定你已经具备了某些被依赖的其它领域的知识。
还以刚才的“理论物理”举例:
一本理论物理的入门读物(比如说教材),作者假定你已经具备了相应的数学基础。它的“入门”是针对“理论物理”而言,而【不】是针对“数学”而言。作者没有义务再去重新解释书中用到的那些数学工具。因此,缺乏数学基础的读者,如果去看理论物理的入门读物,看不了几页就要晕过去。
通过上述介绍,你可以看出——“通俗性读物”与“入门性读物”对知识结构的要求有很大不同。从而导致这两者的【门槛】有很大的不同。

“通俗性读物”与“入门性读物”的另一个差别在于“广度”(系统性)。
“通俗性读物”一般不具有“广度”(只有少数写得好的,才能具备一定的“广度”)。而“入门性读物”(尤其是教材)通常会具有【足够的】“广度”。
严格来讲,一本教材如果在“广度”方面阐述得不够,那这本教材就是失败滴。

◇专题性读物


“入门性读物”在“广度”方面是 OK 滴;但在“深度”方面,通常【不会】太深。
如果你希望在该领域的某个分支具备足够的深度,这时候需要去看“专题性读物”。
顾名思义,这类读物只针对某个很具体的分支。其追求的是“深度”而【不是】“广度”。
一般而言,“学术论文”通常属于此类;除了论文,还有一些专业书籍也属于这类。

◇小结


为了直观,用一个表格汇总一下:

类型 广度 深度 门槛
通俗性读物 通常没啥广度;
少数优秀的,
有一定的广度
没啥深度 很低
入门性读物 足够广 深度适中 取决于学科的类型
专题性读物 很窄 足够深 通常较高


★如何选择书籍?


◇基于【二八原理】的考虑


在俺开博的第一年,写过一个系列叫做《 无处不在的二八原理 》。【二八原理】这个玩意儿真的非常具有普遍性,反映到书籍上也是如此。
任何一个领域的书籍,真正能称作【精品】的只占非常小的比例。实际上,这个比例远远低于 20%!在一些比较大众化的领域,这个比例甚至可能会低于千分之一。
为了进行“系统性学习”,你在挑选书籍时,一定要尽量确保自己看的书是【精品】。
那么,如何才能更有效地找到【精品】捏?
俺猜测很多读者会对这个问题感兴趣。但这是一个很大的话题,深入讨论的话需另写一篇单独的博文。

◇基于【多样化】的考虑


某些领域存在不同的“流派/学派”。
当你刚开始接触这个领域时,应该对主要的那几个“流派/学派”都有所了解。这样可以防止【以偏概全】。
另外,很多不同的“流派/学派”,会存在互相对立的观点/立场。你应该去了解双方的对立与分歧,然后就可以思考:为啥会有这些分歧?哪一边更有道理?......无形中帮你提升了【批判性思维】的能力。请注意:这个能力很重要。

顺便吐槽一下:
咱们天朝的政治教科书,基本上只谈“马列主义”;而欧美的政治教科书(比如俺分享了罗斯金的那本《 政治科学 》),就会介绍几种不同的意识形态流派,其中也包括“马列主义”。
为啥会有这样的差异捏?说到底,天朝的教育本质上就是【灌输式】,最终目的是为了【洗脑】。
(关于这点,俺已经吐槽过好几次了)

◇基于【写作风格】的考虑


不同的作者,会有不同的写作风格。
如果你碰到某个比较难的领域,看了某一本“入门性读物”之后,还是一直没搞懂。俺建议你:去看【另一个】作者写的相同题材的书。

举例——计算机算法:
如果你去看俺汇总的 电子书清单 ,在【IT类 / 软件开发 / 算法与数据结构】这个分类目录下,俺同时分享了如下几本:
《算法导论》(Introduction to Algorithms)
《算法概论》(Algorithms)
《算法设计手册》(The Algorithm Design Manual)

这三本书都很经典,而且都是系统地介绍算法;但在“写作风格”及“内容组织”等方面,依然有很大差别。有的人看其中一本觉得很吃力,但看另一本就茅塞顿开。


★【费曼学习法】的应用


◇啥是“费曼学习法”?


这个学习法出自著名的理论物理学家 理查德·费曼 (洋名叫做“Richard Feynman”)。
所谓的“费曼学习法”,如果用一个词来概括,就是【以教促学】。
假设你正在学习某个领域,为了运用该方法,你不妨假想:要把该领域传授给另一个人,并且此人在该领域的基础很差(属于该领域的菜鸟)。
前面俺已经提到了:系统性学习涉及到【三种读物】。要运用“费曼学习法”,相当于强迫自己去写该领域某个分支的【通俗性读物】。

◇运用及反馈


在【理想情况】下,如果你已经对某个领域某个分支达到【完全掌握】的程度,那么你就可以比较轻松地写出该领域某个分支的【通俗性读物】,并且确实能让【外行人】看懂。

反之,如果你的掌握程度还不够,可能会出现如下几种状况:
状况1
完全不知道从何写起。
(注:这种情况最糟糕,多半说明你对这个领域还缺乏【系统性】的了解)

状况2
你在写这个【通俗性读物】的过程中,会经常地碰到“卡壳”。
(注:说明你已经具备一定的系统性了解,“卡壳”是因为你还没完全【理顺】整个体系)。

状况3
你虽然很顺利地写出来,但【外行人】看不懂。
(注:也就是说,你还无法做到足够的【深入浅出】)。

出现上述这些状况之后,你需要采用相应的反馈措施:

状况1的反馈
前面说了,这种情况最糟糕。
应对措施是:你需要把【入门性读物】重新再看一遍。

状况2的反馈
“卡壳”的环节,也就是你之前学习过程中【缺失】的环节(你的盲点)。
显然,你需要重新强化这个环节。

状况3的反馈
如果外行看不懂你写的“通俗读物”,你需要问对方,到底是哪个环节没搞明白。
那个环节就是你的盲点。

◇俺本人的例子


看到这里,某些读者已经猜到——俺一直在践行这种“费曼学习法”。某些更聪明的读者,在俺还没写今天这篇的时候,就已经猜到了这点。
比如前几个月写了《 扫盲“货币经济学”基本概念——从“利率”到“央行货币政策” 》。然后某个读者就在这篇的评论区与俺聊起了“费曼学习法”。

作为一个喜欢写【原创】的博主,这种学习法带来的另一个好处是【双赢】——俺利用该学习法提升了个人能力,而众多的读者也能受益。何乐而不为 :)
引申阅读:
为啥俺要写这个博客——动机的自我分析

◇“费曼学习法”的额外好处——【换位思考】


俺发觉:很多聊“费曼学习法”的文章都【没有】提及这个好处。
为了实践这种学习法,你需要把自己的视角切换到【菜鸟视角】。久而久之,你无形中强化了【换位思考】的能力。
【换位思考】这个能力很重要!有空的话,俺另写一篇博文聊这个话题。


★入门之后,如何在【不同分支】安排你的时间与精力?


有些领域比较复杂——在它的内部包含【很多】分支(子领域);还有一些领域,虽然分支不多,但每个分支都具有很大的深度。
对上述这两种情况,如果你企图掌握【全部】分支,可能你的时间/精力不允许。这时候就需要作出某种【取舍】。
那么,该如何取舍捏?下面俺从两个角度进行分析。

◇基础性


某个领域的不同分支,可能会存在相互的【依赖关系】。
在这种情况下,【被】依赖的分支处于更加基础、更加核心的地位。
举例——编程:
本文开头提到:写程序【至少】需要掌握:编程语言的语法、标准库、第三方库。一般而言,“标准库 & 第三方库”都要依赖“语法”;并且“第三方库”会依赖“标准库”。所以,从【基础性】的角度考察,“语法”比“标准库”更基础,“标准库”比“第三方库”更基础。

越是基础性的分支,你就越应该【重视】,以确保对它具有足够的掌握程度(理解程度)。
这其中的道理就如同“盖楼房”。对于多层的建筑物,上层的重量需要依靠下层来承载。越下面的楼层,对其“结构力学”的要求就会越高。

◇实用性


这个比较好理解。
如果某个分支属于【不】那么基础的“边缘性分支”,你是否需要投入足够时间/精力,取决于这个分支对你而言是否实用。

另外,【兴趣】也可以视作某种特殊的“实用”。
如果你真正理解“兴趣”的奥妙及其带来的快乐,你就会明白——“基于兴趣的实用”比“基于功利的实用”更加实用 :)
关于“兴趣”这个话题的进一步讨论,参见:《 什么是【真正的】兴趣爱好?以及它有啥好处?

◇基础性【重于】实用性


如今的社会风气太过于【急功近利】。导致很多人(尤其是年轻人)在学习的时候,只看“实用性”,而忽略了“基础性”。
表面上看,这些人好像节省了一些学习时间,但他们因为基本功欠缺,反而【难以】在该领域达到足够高的 level。套用咱们天朝的一个成语就是——【 欲速则不达 】。
在前一个章节,俺提到了“费曼学习法”。那些只注重“实用性”而忽视“基础性”的家伙,在运用这个“费曼学习法”的时候,就容易卡壳。

注重【基础性】的另一个好处在于——越是基础的东西,越有可能【跨领域】。关于这点,俺在后面的两个章节会细谈。


★DIKW 模型(Data Information Knowledge Wisdom)


◇概述


这个模型,首先是作为【知识管理】的理论被提出来滴。后来经历了一些演变,衍生出一些略有不同的解读。本章节的讨论,更侧重于俺本人的解读。
先看下面这张示意图,然后俺分别说明:相邻层次之间的差异。

不见图 请翻墙

◇Data(数据)与 Information(信息)的区别


为了说明这两者的差别,俺以“气象站”举例。
一般而言,每个城市的不同区域都会架设百叶箱,里面的温度计会定期记录温度数值——每一个数值就是一个 data。
如果你把某个时间段所有的温度数值进行汇总,并进行一定的处理(比如:加权平均),就可以得到这个时间段的温度——这就是 information。
单个的 data 其实没啥意义,information 才具有意义。当你在气象网站上查到当前的气温,这是 information 而不是 data。

◇Information(信息)与 Knowledge(知识)的区别


如果你汇总了某个城市连续多年的“每日气温”,那么你就可以大致得出一个结论:这个城市的气温是炎热还是寒冷,是否适宜居住。这个结论就可以算是 knowledge 啦。
这两者的差别在于——

生命周期的长短
information 的生命周期很短(短命),而 knowledge 的生命周期会比较长(长命)。
类似“当日气温”这种 information,很快就会被淡忘(除了专门研究气象的人,谁还会去关心多年前某一天的具体温度?)

碎片化的程度
information 不光是短命滴,而且是高度【碎片化】滴。相比之下,knowledge 就不那么碎片,而且 knowledge 还可以形成某种【体系】。
关于 knowledge 的【体系】,可以参见《 如何完善自己的知识结构 》一文中提到的【知识树】。

在本文开头谈【媒介形态】的时候,俺把 SNS(社交网络)说得很烂。根源在于——SNS 上的内容,绝大部分只是 information(短命且碎片)。很多人终日泡在 SNS 上,除了白白浪费时间,其实没啥收获。

◇Knowledge(知识)与 Wisdom(智慧)的区别


对于“DIKW 模型”前三者的差别,俺单纯拿“气象站”就能说得很清楚,但要说清楚 knowledge 与 wisdom 的差别,就需要多费点口水啦。

WHAT、HOW、WHY 三部曲

讨论 knowledge 与 wisdom 的差异,需要引出俺经常唠叨的【WHAT、HOW、WHY 三部曲】。
【有】技术背景的读者,可以看2009年初写的:
学习技术的三部曲:WHAT、HOW、WHY
(注:上述这篇写于开博之后第2个月,距今超过十年,但依然有很多读者去看这篇。这也就是刚才所说的“【长】生命周期”)
【没】技术背景的读者,可以看如下这篇:
用提问来促进思维——兼谈【非】技术领域的 WHAT HOW WHY 三部曲























WHAT

HOW

WHY









某些关于 DIKW 的理论认为:information 对应“WHAT 型问题”;knowledge 对应“HOW 型问题”;wisdom 对应“WHY 型问题”。英文维基百科关于 DIKW 的页面上(链接在“ 这里 ”),有一张图就是这么对应滴。
但俺本人的理解,稍微有所不同(有点小分歧)。差别在于:(俺认为)knowledge 既包含 HOW 也包含 WHAT。比如上述关于气温的例子。“某城市的气温是否宜人”,这显然属于“WHAT 型”,但又属于 knowledge 层面。
如果“WHAT 型”既可以是 knowledge,也可以是 information,那么如何区分捏?(俺认为)差别在于“问题的生命周期”。如前所述,information 的生命周期很短,因此只能回答“短命的 WHAT 型问题”;而 knowledge 可以回答“长命的 WHAT 型问题”以及“所有的 HOW 型问题”。

费了一番口水,终于聊到 wisdom 了。wisdom 对应于“WHY 型问题”。
“WHY 型问题”的档次明显要【高于】另外两种类型的问题。如果你能回答某个领域某个分支的“WHY 型问题”,说明你【真正理解】了这个分支。

说到这里,顺便分享一个经验:
俺干了十多年的管理工作,面试过很多程序员。在考察应聘者的技术能力时,通常喜欢问“WHY 型问题”。有时候俺会故意先抛出一两个“WHAT 型”或“HOW 型”的问题,但最终是为了引出一个“WHY 型问题”。
为啥俺如此偏爱这类问题捏?除了刚才提到的好处——对 WHY 型问题的回答,能看出对方是否【真正理解】某个领域;另一个好处是——“WHY 型问题”通常【没有】标准答案(所以,这类问题比较难作弊)。

单一领域 VS 跨领域

关于 knowledge 与 wisdom 的差异,还有一个就是“领域相关性”。
通常而言,knowledge 附属于某个特定领域;而 wisdom 则不然——有些 wisdom 属于单一领域,还有一些则跨领域。显然,后一种 wisdom 比前一种更重要(更有价值)。
对于这类【跨领域】的 wisdom,下面单独开一个章节。


★【跨领域】的智慧(Wisdom)


为了说明【跨领域】的智慧,俺举几个例子:

◇举例:间接路线战略


著名的军事理论家 李德·哈特 写了一本《 战略论——间接路线 》。这位老兄被誉为“军事理论教皇”,其影响力堪比卡尔·冯·克劳塞维茨。而此书又是他的【代表作】。所以,这本书显然符合俺前面章节提到了【二八原理】。
作者在书中介绍并分析了很多军事史的案例/战例——这些例子属于前面所说的 knowledge;
最终,作者从这些历史上的例子,总结出【间接路线战略】的运用——这就属于前面所说 wisdom。

从表面上看,这个玩意儿属于“军事领域”。但实际上能运用到很多其它领域。比如前几个月,俺在博客评论区与读者聊到“中美贸易战”,就谈到了贸易战背后的“间接路线战略”。
如果你觉得“贸易战”与“军事”还是很相近,俺再举一些更【远】的领域作为例子:
比如在下面这篇博文中,俺聊到了“间接路线战略”在【投资/投机、企业竞争、个人职业生涯】等诸多方面的运用。
为啥急功近利反而赚不到钱——给拜金主义者的忠告

◇举例:熵


【熵】这个玩意儿,洋文叫做“entropy”。他是一个很典型的【跨领域】的例子。
什么是熵?通俗地说,就是指系统的无序程度(紊乱程度)。

热力学的熵
【熵】的概念最早出自于“热力学第二定律”。该定理有两种表述方式,分别出自两位科学大牛——
克劳修斯(Rudolf Clausius)指出:对于某个【孤立】系统,热不能自发地从低温物体传到高温物体。
开尔文勋爵(Lord Kelvin)指出:对于某个【孤立】系统,不可能从单一热源吸热使之全部转化为做功,而不产生其它影响。
后来又出了一个科学大牛玻尔兹曼(Ludwig Boltzmann),他指出了热力学第二定律的【本质】是:对于孤立系统,其微观层面(微观粒子)的无序程度在不断增大。
可能某些同学会纳闷:俺为啥要花这么多口水聊“热力学第二定律”?
从上面这三只大牛的不同表述,你会发现——前面两只大牛,他们的表述只停留在【表象】,而第三只大牛才真正道出了“熵”的【本质】。
一般来说,越接近【本质】,也就越接近 wisdom 层面。
(俺费了很多口水聊热力学,就是为了引出上面 加粗体 的这句话)

信息论的熵
【熵】是“信息论”最核心的几个概念之一。最早是数学大牛香农(Claude Shannon)建立了“信息熵”的理论——香农因此被誉为“信息论它爹”。
对“信息熵”的理解,有助于你理解 IT 领域的很多东东。
比如说:理解了熵,可以帮你理解“数据压缩”的原理。而理解了“数据压缩”的原理,你就能明白——真正随机的数据是【不可能】压缩滴。无论未来出现多么牛逼的压缩算法,也无法压缩完全随机的数据(关于这点,可以从数学上给出证明)。

密码学的熵——关于密钥生成
【熵】在密码学中也占据重要地位。
比如说:密码学中的“密钥生成函数”需要引入【足够高】的熵,从而使得攻击者难以预测密钥的分布。
在密码学的这个分支,熵成为某种【好】东西 :)

管理学的熵——大企业的僵化
有很多优秀的初创公司,当它们发展到一定规模之后,就会出现这样那样的问题(弊端),变得僵化、失去活力。
这里面当然有很多原因,而其中一个原因可以归咎于【熵增大】。
当一家公司规模较小(只有几十个人)的时候,你要想让公司整体保持在【低熵】水平,还比较容易;但在规模扩张到几万人之后,再想保持原有的【低熵】水平就变得非常非常困难。
从理论上讲,公司可以通过“换血”的方式,降低整体的熵。这很类似于热力学系统中,把“高熵”的物质移出系统,并移入“低熵”物质,以此来降低系统整体的熵。可惜的是——很多事情,从理论上讲很简单;而一旦应用到【实践】层面,就很难操作。聊到这儿,想起某个 IT 大牛说过的名言:
In theory, there is no difference between theory and practice. But in practice, there is.

政治学的熵——官僚体制的僵化
每一个政治实体,其政权都对应一个“体制”(官僚系统)。如同“公司”的情况——越庞大的官僚系统,要让整个系统保持在“低熵”水平就越困难。
所以,越庞大的官僚系统,通常也就越僵化、越低效。

历史学的熵——治乱循环
天朝的古代史,大体上是朝代的循环史。史学家称之为“治乱循环”。
导致这种“治乱循环”的原因当然有很多,而其中一个原因在于“体制本身的崩溃”。
官僚系统一旦变得庞大,就会倾向于变得更加庞大。就如同掌握权力的人,通常就会渴望更多的权力。请注意: 权力是很容易上瘾滴! 关于这点,已经被无数的历史故事所验证。
一方面,官僚系统越大,就会越僵化、越低效;另一方面,官僚系统越大,消耗的社会资源就越多(请注意:官僚本身是【不】直接创造社会财富滴) 到了每个朝代末年,“体制”被自身的重量压跨了。

宇宙学的熵——热寂
宇宙本身可以视作【孤立】系统,因此也符合热力学第二定律。用某些物理学家或宇宙学家的话说——宇宙最终也将归于【热寂】。
考虑到“宇宙学”是一个很小众的领域,感兴趣的读者应该很少。所以俺就不展开讨论啦,在这里只推荐科幻大师 阿西莫夫 的一个短篇《最后的问题》(注:阿西莫夫自己认为——这是他最好的一个短篇)
用这个短篇作为本文的结尾,还是蛮贴切滴 :)
顺便补充一下:
很多人只知道阿西莫夫是科幻小说大师,但其实这家伙是【全才】——(根据维基百科的介绍)他一生出的书超过500本,涵盖的学科极为广泛。尤其是,他写了很多【科普读物】(“科普”属于俺前面提到的“通俗性读物”)。显然,他很善于【系统性学习】。


俺博客上,和本文相关的帖子(需翻墙)
如何完善自己的知识结构
为什么独立思考这么难?——谈谈心理学的成因,并分享俺的经验
时间与人生——跨入本世纪20年代的随想
德鲁克谈【自我管理】——<哈佛商业评论>史上最受欢迎的文章
学习技术的三部曲:WHAT、HOW、WHY
用提问来促进思维——兼谈【非】技术领域的 WHAT HOW WHY 三部曲
什么是【真正的】兴趣爱好?以及它有啥好处?
为啥俺要写这个博客——动机的自我分析
为啥急功近利反而赚不到钱——给拜金主义者的忠告
版权声明
本博客所有的原创文章,作者皆保留版权。转载必须包含本声明,保持本文完整,并以超链接形式注明作者 编程随想 和本文原始地址:
https://program-think.blogspot.com/2019/10/Systematic-Learning.html

文章版权归原作者所有。
二维码分享本站