跨界怪咖的自我修养（三）：那些机器教我的事
什么是机器？
《禅与摩托车维修技术》里面有一句话极富洞察力：
机器是零部件、是各种关系、是分析、是组合、是明了事物的原委，但它并不真的在此处。它总是在别处，我们都以为别处即此处，但是实际上它却远在千里之外，这就是机器的本质。
封装
从机器身上，我学到的第一个概念是封装。
作为一个新手，我在设计电路板的时候，经常会碰到一些以前从未见过的芯片。每次看芯片的英文资料时我一般会从头到尾看一遍，然而，看完之后仍然云里雾里，不得要领。而当我下定决心，誓要将整个芯片的原理弄懂时，又不得不花费大量的时间琢磨每一个细节。
直到某一天，老师跟我说，「你是芯片的使用者，你只要弄清楚，这个芯片的输入、输出、算法以及关键限制因素。比如输入一个正弦信号得到一个方波信号，然后你知道它的电压和电流的范围。你就可以用好这个芯片了。」
这个就是电气工程中经常会提到的「封装」的概念，无论是多么复杂的系统，都可以简化为一个黑箱。我们只关心如何使用，而不用管它具体是怎样实现的。
封装的概念，不仅可以用于工程方面。只要是系统，尤其是一些你不怎么熟悉的系统，都可以通过「封装化」的视角来进行简化。
举个例子：
- 假如要你去种田，你应该如何来考虑这个问题。
这个农田系统的输入是什么？肥料、水分、阳光。
输出是什么？农作物产量。
那么现在的重点就是要找到算法和关键的限制因素。比如，肥料的配比和用量对农作物生长的影响等等。
这样，将农田系统封装化，你只需要把握好关键限制因素、让输入处于限制范围之内，那么剩下的事就交给系统自己去处理吧。
库兹韦尔曾经说过一句话
「模型即一切」。
实际上，模型就是一个小系统，它的基本要素就是：输入，输出，限制条件和算法。
比如，一个质量体，你输入推力，这个力学系统就会输出加速度，输入力和时间，就会输出速度和能量。系统的算法很简单，就是牛顿力学，学过中学物理的都知道。然而，容易忽视的是它的限制条件。牛顿力学确实很强大，但是也有它的适用范围。
一个世纪前爱因斯坦说了句“上帝从来不掷骰子”，大致的意思就是，很多我们认为随机的事件实际上并不是随机的。
比如我们认为抛硬币的是随机的，50%的概率正面、50%概率反面。
但这只不过是因为我们还没有掌握理论和数据而已——实际上，一旦硬币被抛，它的受力大小、受力位置、空气阻力、重力、旋转方向等都是确定的，如果我们能够知道决定这些力的理论（比如流体力学）以及具体的数据（比如空气流动速度大小），实际上能精准控制硬币的着落。
由此可见，与物理学强耦合的系统，它们的算法无论多么复杂总归是有迹可循，而且在工程应用中往往可以采取简化的方法。
难的是物理学以外的世界。这个世界存在诸多的非线性关系、高阶方程、多变量、噪声。
比如宏观经济的走势。你就没有办法像物理系统那样，给齐所有的输入条件就能输出确切的结果。
在如此复杂的世界面前，我们是否只能束手就擒？
当然不是，正如我在跨界系列第一篇中写，有效应对复杂世界的方法之一就是要掌握多学科模型。这些学科模型虽然无法帮你从现状正向推出未来。但是我们可以像做选择题使用排除法那样决策，这个时候你就能看到多学科模型的价值。
如果你没有办法计算出正确的结果，那么就排除所有的错误结果，选择最终留下来的那个选项。
除了排除法之外，我现在逐渐发现，人工智能给出了一个全新的答案。
机器学习
这就是机器教我的第二个概念——机器学习。
2016年被称为人工智能元年，其中一个标志性事件就是阿尔法狗战胜了人类最厉害的棋手。
可能在很多人的心目中，人工智能就是要通过计算机仿造出一个人类的大脑，使其拥有超越人类或者至少等同于人类的智能。其实，这只是人工智能的众多研究方向之一。
现在人工智能比较热门的一个方向是机器学习，它的核心是神经网络算法。简单而言，当我们输入数据到神经元就会得到输出，数量众多的神经元构成神经网络。机器赋予不同的神经元以不同的权重，通过大量数据训练，使得权重不断改变，直至代价函数越来越小，使得在给定输入下能够得到我们想要的输出。
这种算法对于我们普通人有什么启示呢？
别急，我先介绍另一个概念——高智学习与低智学习。
经济学家马奇在《经验的疆界》一书中总结了人类的两种获取智慧的模式：
一种是低智学习，是指在不求理解因果结构的情况下，直接复制与成功相连的行为。
另一类是高智学习，是指在努力理解因果结构并用其指导以后的行动。
我以前经常做的一件事就是在网上收集书单。每当我发现了一个很厉害的人，我就会想方设法弄清楚他以前看过哪些书。我以为和大神看一样的书，就能获得相同的能力了。这就是一种低智学习，直接复制别人的行为。
要知道，所有的人在高中时候用的都是同一套书单，有的人能考上清华，有的人只能去蓝翔。
看起来，我们都应该追求高智学习，应该尽力去理解因果结构。
然而，正如上一节所说。现实世界中很多变量之间的关系如同雾里看花，根本没有办法看到因果结构。
这个时候，机器学习的威力就显现出来了。
低智学习的弊病在于，由于没有掌握因果关系，上一次的经验对下一次的行动没有很强的指导意义。不过机器可不在乎这个，机器和人不一样的地方在于：
- 机器可以接受成吨的数据
- 机器可以进行无监督的学习
- 机器的计算速度快
只要有效数据足够多，即便是低智学习，也能训练出一个比较可靠的模型。（当然，明确的因果关系越多，建立的模型也就越好）。这给了我们一种可能——用大量的低智学习去逼近高智学习。
当李世石下赢了阿尔法狗一局之后，阿尔法狗用了一晚上时间又自己和自己下了几万把棋，第二天变成了与之前截然不同的阿尔法狗，这个时候还有可能输给李世石吗？
这就是传说中的比你有才华的人又比你努力……
是啊，论努力程度，人类又怎么比得过机器。
好在，我们已经能够预见到人工智能在未来将会嵌入人脑，届时，人类将会进化到我们祖祖辈辈无法企及的高度。
中断
机器教我的第三个概念——中断。
首先解释一下什么是中断。中断是很多计算设备执行命令的一种方式。最基本的计算机由CPU、存储器和其他外设组成。本来CPU是在执行自己的任务，当其他外设有任务需求时，它们就会向CPU发出中断请求。这个时候CPU就会停下手头的事，把中断任务处理完，再回过头来做完刚刚的事。
这是不是有点像现代人的生活？
本来我们是在做着自己手头上的工作的，当微信消息出现时，我们就忍不住中断手中的活，去刷一下微信。
那么，回到之前的那个问题，这对我们而言到底是好事还是坏事？
我认为，除非我们有能有效的管控注意力，智能设备才是一件好事。
用机器的中断概念来反观人类，人类现在面临两个严重的问题：
1.中断源太多了
李叫兽曾经在他的公众号中说过一句很有洞见的话，现在的营销人争夺的是顾客的注意力资源。
你眼见的所有头条、朋友圈爆火的文章、咪蒙、papi酱们无一不是深谙此道。
比起枯燥无味的学习资料和一条看起来十分吸引眼球的朋友圈热文。你会不由自主的把注意力投资到后者。
2.人类的爬行脑无法对中断的优先等级进行有效的划分
人类的大脑在很早以前就停止进化了。以至于在某些方面还保留着一些原始人的习惯，时时刻刻关注身边所有可以被关注的东西，而且非常害怕自己会错过。
这有点像什么？
几乎所有的低级动物的双眼都是长在两侧的，它们没有视觉盲区，它们可以同时看到上下左右前后……这确实是一种极为安全的配置。可这样的配置有什么局限呢？这样的配置副作用在于它们没办法把自己的目光集中在某一处，没有办法仔细、长期观察任何一个点，不能深入长期的思考。
它们实际上没有过去、没有未来、也不知道可以有过去，可以有将来。它们只有现在，一个没有前后对比的现在——于是，它们等于被困在永恒的当下。
那么，要如何解决这两个问题？
到现在为止我也没有想到太好的答案。因为它们和人类的底层代码有关。
算了，不想了。我似乎操心太多。
比起观察机器，我更愿意去林间看看松树冠，或者去海边看看浅灰的天空和深蓝的海水。
那样还能让我的内心感到一丝平静。
机器有什么意思， 机器的目的应该是使人类获得自由。
