文章转自：https://www.geekpanshi.com/archives/fbec9a26.html

如何进行一个领域知识的“系统性学习”

从系统性学习的角度，来谈一谈如何扩展和学习一门新的知识。

★ 什么是系统性学习

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

我是一只“程序员”，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“用它来开发软件的！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“完整的知识体系“。而这就需要进行“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。

所谓的“广度“，就是指你的知识结构中，包含了多少领域。

即使是“写博客”这么简单的一桩小事，牵涉的领域也不少：HTML、CSS、JS，SEO，WordPrees，PHP 等。所以，想要在某个领域做到足够深入，必然要了解很多相关的“辅助性领域“的知识。

所谓的“深度“，就是你对具体的每一个领域是否具有深入的了解和研究。

深度的重要性，如果某人的知识结构只有广度而没有深度，就会导致——其个人能力没有突出的亮点——这种人往往没有太强的竞争力。

深度和广度的平衡

虽然“深度“和“广度“都很重要，但每个人的时间、精力、天赋都是“非常有限“的。因此，你不可能在所需要的“每一个“领域都做到足够深入。那么如何平衡这两者呢？我的观点是：借鉴正态分布。

这幅图中，横坐标表示不同的领域，纵坐标表示你在该领域的深度

尖峰的顶点周围（红色部分）对应的就是你的主攻领域。你需要在这个领域做到足够的深入（越深入越好）。

和主攻方向的关系比较密切的领域（黄色部分），你需要比较深入，但深入的程度不需要跟主攻方向一样。

和主攻方向关系比较疏远的领域（绿色部分），只需浅尝即止。

主攻方向的选择

如果你运气比较好，自己的工作正好就是自己的兴趣所在，那毫无疑问，这就是你的主攻方向。万一你的兴趣和工作不一致，怎么办？我的建议是，以自己的兴趣作为主攻方向。然后把工作仅仅当作是谋生手段。

◇ 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。

★ 如何进行媒介形态的选择

◇ 大脑的处理机制

大脑有两种截然不同的处理机制。心理学家称之为“系统1”和“系统2”。

“系统1”解决问题的速度很快，但它只能处理少数类型的问题；对于“系统1”无法解决的问题，会转交给“系统2”去处理。“系统2”能处理的问题，领域更广，但“系统2”的运作非常慢且非常吃力（相比“系统1”而言）。“系统1”可以解决“人脸识别”，但是无法解决“复杂四则运算”。

◇ 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“。

在如今的这个互联网时代，很多人都知道“信息的重要性“。可惜的是，大多数人忽略了““媒介“的重要性”。

媒介的“形式“非常重要（甚至可能比内容更重要）。有的媒介“形式“会促进你的思考，有的媒介“形式“会抑制你的思考。

“被动“的媒介形式，有什么弊端？

假设同一本书，采用两种“形式“来呈现 —— 其一是“纸版书或电子书”；其二是“有声读物”。对于前者，你用“肉眼“阅读它；对于后者，你用“耳朵“听它朗读。这时候，差别就体现出来啦！

在“肉眼阅读“的时候，你是“主动“滴。因此，当你出现理解上的困难，或者当你需要作进一步的思考，可以调整阅读速度。

而使用“有声读物“，你是“被动“滴。为了跟上阅读节奏，大脑会“抑制““系统2”的启动（前面说了，它启动比较慢）。所以，对于“有声读物“这种媒介，你很难在“听的过程中”进行“深入“思考。最多只能进行一些肤浅的思考。

估计某些人会反驳说：在听“有声读物”时，也可以按“暂停键”。我解释一下：

1. 每个人对信息的处理速度会有差异。甚至同一人对不同内容的处理速度也有差异。这个速度差异，靠“暂停键”“无法“解决；

2. 如果你时刻保持警惕，准备随时按下“暂停键”，此时你已经分摊了一部分注意力。再次强调：“自控力/意志力”是一项“宝贵资源“（尤其当你需要复杂思维时）。

说完“有声读物”，再来说“视频”。某些聪明的人在看前面一段时，应该已经联想到了 —— “视频“这种媒介与“有声读物“是类似的 —— 观看视频时，你也处于“被动“状态。除了“被动“导致的弊端，“视频”这种媒介形式还有其它很多弊端：

1. 如果根据视频的“内容“划分，至少可以有如下几类：影视类（指的是“具有一定情节”的，比如：电影、电视剧）、娱乐类（比如：综艺、歌舞）、报道类（主要是指新闻报道）、教学类（比如：在线教育的视频）、访谈类、其它。

2. “视频”这种媒介形式，其关键性特点有两个（为了加深印象，拿“文字媒介”来对比）：相对文字而言，视频这种媒介形式是“形象“的。“视频”是按照固定的速率播放的，因此，“视频的受众“必须“被动地“去适应其播放的速率；相对而言，阅读文字的时候，读者是“主动的“。因为阅读者可以自由且灵活地控制阅读的速率。

3. “更少“的思考：前面说了，观看视频是“被动“的过程——你需要跟上视频播放的节奏。在这个过程中，你“没有“足够的时间来进行“深入“思考。或许有“极少数人“能够在需要思考时立即按“暂停“键；但大多数人做不到这点。不信的话，你可以观察周围的人是如何看视频的。海绵式思维，这种方式相对容易，只需要运用“记忆力”——说白了就是把外来的东西“简单复制“到脑袋里。淘金式思维，这种方式相对困难，不光需要运用“记忆力”，还需要其它思维能力（分析、推理、归纳、总结…）——需要把外来的东西变成你自己的东西。在观看视频的过程中，为了跟上视频播放的节奏，你只能采用“海绵式”。这是“最根本性“的缺点 —— 该缺点引出了后续的其它缺点。

4. 内容的“浅薄化“：观看视频的时候“难以深入思考“。这必然导致：（大多数）视频的制作者会让视频的内容变得更肤浅 —— 这才能吸引到足够多的受众。并不是说，内容深刻的视频就绝迹了。深刻的视频还是有的，但比例注定很低。假设某个视频具有深刻的思想性。但即便是爱思考的观众，也只能在“看完之后“才有可能深入思考。这种形式就决定了：哪怕是一部深刻的视频，能引起深思的切入点也是“比较少“的。假设某个深刻的视频包含了“很多个“能引发深思的切入点，但因为受众只有在看完之后才能去回味，其中某些切入点可能被遗漏了。以书籍来对比：一本思想性深刻的书，可以在每一个篇章都引发读者深入思考 —— 因为阅读是“主动“的过程，读者可以自主控制阅读节奏，碰到需要深入思考的地方，可以减低阅读速率或暂停阅读（这就避免了遗漏）。

5. 内容的“娱乐化“：新闻报道充满娱乐化。千万不要以为：只有“娱乐类”的视频才是“娱乐化”的。在如今这个时代，“影视类、报道类、访谈类”也充满了娱乐气氛。从“商业动机”入手，很容易就可以找到原因：

任何一种媒介，只要足够大众化，就可以跟经济效益挂钩（比如“广告”就是这种场景衍生出的商业模式）
在任何一个社会中，感性的人总是“大大超过“理性的人。
感性的人更容易沉迷于“娱乐化的媒介”（关于这点，本文下面的章节会谈）

以上几点就决定了 —— 大众化的媒介必定也是娱乐化的。所以，从传统的“电影和电视”，到如今的“网红直播”，都在不断强化“娱乐“的气氛。

6. “浅薄化”和“娱乐化”是“不同“的：虽然大部分时候，“浅薄化”和“娱乐化”会同时体现在某个事物，但是总能找到某些反例：“娱乐”但是“不浅薄” —— 比如王小波的很多作品都挺搞笑的，但同时也能引发深入的思考（不浅薄）；“浅薄”但是“不娱乐” —— 比如某些鼓吹狭隘民族主义的文章，很浅薄，并且是用来煽动仇恨的（不娱乐）。

7. “浅薄化/娱乐化”的结果 —— 纵容你停留在“心理舒适区“：说完了“浅薄化/娱乐化”的差异，顺着这个思路再来说说“心理舒适区”。

如果你经常看视频，（由于观看时不用深度思考）你的大脑会处于非常放松的状态——也就是说：“停留在心理舒适区“。看的视频越多，停留在心理舒适区的时间就越长。

每个人都是有惰性的。你“越少“离开心理舒适区，你就“越难“离开它。这种现象可以通俗地称之为：针对“心理舒适区”的“成瘾性“。

更糟糕的是：总是停留在心理舒适区会“强化“你的“惰性“。于是你就更加沉迷于观看浅薄化/娱乐化的视频。这就变为某种“恶性循环“（恶性的正反馈）。发展到一定程度之后，即使你的主观愿望想要打破这个恶性循环，你的意志力也难以做到（因为惰性已经太强了）

8. 更高的大脑“切换成本“：稍微看过关于“脑科学”的资料/文章，应该至少了解如下几点：
   大脑由不同的区域来处理“抽象内容”与“形象内容”。

大脑难以实现高并发（所谓的“高并发”指的是：多个任务同时进行）

大脑的切换成本很高

在观看视频的过程中，大脑既要处理图像信息，还要处理语言信息和文字信息（字幕）。这本身就已经导致了某种程度的“切换成本“。这时候，你就不能指望大脑还能进行深入的思考。

9. 更低的“时间效率“：平常看的视频很少，而且主要集中在“影视类”。也就是说：其它几类视频，我基本不接触。下面简单说一下：
   “娱乐类”我肯定是不看的 —— 因为毫无价值，而且纵容自己停留在心理舒适区（关于这点，前面刚提过）。

“报道类、访谈类、教学类”，如果我确实要看，通常会去找对应的“文字版本“。因为阅读“文字版本”的效率“大大高于“观看“视频版本”。

“文字版本效率高”，其根本原因在于：同一段文字，用眼睛看完所需的时间“明显少于“用嘴巴念完的时间；“视频版本”会有很多“空白时间”（无对话的时间）；整理成“文字版本”就可以规避这些“空白时间”。

提醒一下：对于“报道类、访谈类、教学类”的视频，其主要的信息量都包含在语言/文字中，偶尔再加上少量图片/照片。所以，这几类视频可以用文字版本（电子书）来替代，以提升效率。但对于“影视类”视频，就“没法“这么干了。所以，碰到优秀的影视类作品，还是得老老实实去看视频。

10. 更多的“误导因素“：看视频时，我们会受到视频里面人的形象、声音、口音、语调的影响，这就是一部分的视觉形象，这会导致我们无法更客观的评价，依赖于“文字媒介“ —— 把辩论双方的话语汇总成文字。这种做法可以彻底去掉“视觉和听觉”的误导因素。
    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。

◇ 对于系统性学习，书籍是最好的媒介形态

为了说明书籍的“优势“，这里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”。比如：

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）：博客、公众号、微博、聊天工具，以上既没有广度，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“。

◇ 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，我只从“书籍“这个形态作进一步讨论。

★ 系统性学习书籍的三种类型

对于“系统性学习”所涉及的读物，我分为三类：通俗性、入门性、专题性。

◇ 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的 —— 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”。

◇ 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：

★ 如何选择书籍

◇ 基于二八原理的考虑

“二八原理“就是“因果的不对称“。20% 的原因导致了 80% 的结果；而其它 80% 的原因只产生 20% 的结果。当然，这里提到的“二八开”的比例不是绝对的，从“三七开”到“一九开”都有可能。

“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“。

◇ 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。

◇ 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。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：《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。

★ 如何使用费曼学习法

◇ 什么是费曼学习法

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）。

前面我们已经提到了：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。

◇ 费曼学习法的额外好处 —— 换位思考

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“这个能力是很重要能力之一！

★ 如何在入门后进行不同分支的时间和精力分配

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？下面我们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

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。

◇ 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，在后面的两个章节会细谈。

★ DIKW 模型（Data Information Knowledge Wisdom）

◇ DIKW 概述

DIKW 模型（Data Information Knowledge Wisdom），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，然后我的分别说明：相邻层次之间的差异。

DIKW 模型

◇ Data（数据）与 Information（信息）的区别

为了说明这两者的差别，我们以“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“，我们可以认为是“知识树“，假如把某个领域想象成一棵树，那么分支领域就如同树枝（树枝上还可以再有树枝），而主题如同树叶。俺把这称为该领域的“知识树”。

在本文开头谈“媒介形态“的时候，我把 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，其实没有什么收获。

◇ Knowledge（知识）与 Wisdom（智慧）的区别

对于“DIKW 模型”前三者的差别，我单纯拿“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“WHAT、HOW、WHY 三部曲“

认知的过程

稍微了解“认知心理学”的网友应该知道：我们对某个事物的认识，总是“由浅到深”。虽然同样是由浅到深，但每个人思考的深度却千差万别。不幸的是，大多数人在看待某个东西（事物、问题、现象）的时候，都仅仅停留在浅层次。

为啥会这样呢？一个很重要的原因就是：大多数人不善于提问。如何才能掌握提问的窍门捏？如何才能在提问中加深思考捏？我总结了一个比较简单的提问三部曲：WHAT、HOW、WHY。通过这个三部曲，你可以一步步地从事物的表象深入到事物的本质。

WHAT HOW WHY 的步骤 —— WHAT

当我们开始了解某个事物的时候，总是先从 WHAT 类型的问题开始入手。而所谓的“WHAT“也就是“What is it?”

在这个层面，你首先要了解的，就是某个事物所涉及的：时间、地点、当事人以及该事件的大致经过。要了解这些，其实比较容易 —— 通过跟别人交流，或阅读各类媒体（网络、电视、报刊），就可以对某个事物有一个初步的、肤浅的、表面的认识。

在 WHAT HOW WHY 这3个层次中，这个层次是最简单的 —— 因为你只需运用“记忆力“即可解决。对大多数人而言，只要智力没啥缺陷，都能达到这个层次。达到这个层次虽然很简单，但你千万要记住：从 WHAT 类型的问题得到的答案，通常只反映出事情的表面现象。而表象跟本质，往往是不同的，甚至是相反的。如果你仅仅停留在 WHAT 层面，很可能会被“表象“所误导。

WHAT HOW WHY 的步骤 —— HOW

所谓的“HOW“就是“How to do?”。

“人”往往是关键因素。所以，你首先要思考的就是：当事人是“如何“参与某个事件的？（此处所说的“当事人”，可以是某个具体的人，也可以是某个群体）

当然啦，很多事物的发展，除了有“当事人”的因素，还有其它一些因素（比如：文化因素、法律因素、经济因素、科技因素等等）。所以，你还要问：除了当事人，其它因素是如何起作用的？

最后，你还要继续问：在各种因素的作用下，事件是“如何“一步步发展的？该事件内部是如何运作的？……

和 WHAT 层次不同的是，HOW 层次光靠记忆力是远远不够滴。你还需要具备一定的分析推理能力，还需要懂得查阅相关资料，才能搞明白上述 HOW 类型的问题。

WHAT HOW WHY 的步骤 —— WHY

当你能够比较透彻地厘清 HOW 层面的各类问题，就可以开始思考 WHY 类型的问题了。

所谓的“WHY“类型问题，我举几个简单的例子：某个当事人“为什么“会这么干而不是那么干、“为什么“是这个因素起作用而不是那个因素起作用、事件“为什么“会朝着这个方向发展而不是朝着另外的方向发展……

WHY 类型的问题有个特点：这类问题很发散且数量很多。因此，对于某个具体的事物，总可以提出几十个（甚至上百个） WHY 类型的问题。在这么多个问题中，只有少数几个是“切中要害“的。所谓“切中要害”的问题，就是那些会把你引向该事物“本质“的问题。

肯定有人要问，如何才能直接提出切中要害的问题？老实说，这没有捷径。只有经常思考的人，才能逐渐掌握这种“直接命中要害”的思维能力。

一旦提出 WHY 问题，接下来自然就是寻找答案。

显然，WHY 类型的问题比 HOW 类型的问题更难回答 —— 在回答 WHY 类型问题的过程中，你不但需要动用分析、推理、归纳、总结等各种思维能力，可能还要运用到跨领域、跨学科的知识。但是收获也是很大的。一旦把这些 WHY 类型的问题想明白，你就对整个事件有一个既宏观又深刻的认识。

能达到这个境界，看问题通常会比较深刻。可惜这样的人比例太低了。

WHY“之后“可以做什么？

可能有人会问：达到 WHY 境界之后，又该如何？所以我们补充一小节

当你经历了 WHY 层次之后，你可以回过头，再用 WHAT 方式“重新审视“这个事物。这时候看到的信息同你一开始用 WHAT 方式看到的信息，已经“迥然不同“啦。因为你一开始看到的是“表象“，而现在你已经能看到“本质“了。

如果你愿意的话，你还可以开始思考解决之道。

人类之所以能够从众多动物中脱颖而出，关键在于人类更擅长于思考；同样的，某个人之所以能从社会中脱颖而出，善于思考往往是重要因素（但不是唯一因素）。所以，我们不要仅仅满足于快餐文化，经常多动脑子，看问题千万不要流于表面！

DIKW 的 Data、Information、Knowledge 和 Wisdom 的转化

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”。

我自己的理解，稍微有所不同（有点小分歧）。差别在于：

（我怕认为）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，那么如何区分呢？（我认为）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”。

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。

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）。

★ 什么是跨领域的智慧

为了说明“跨领域“的智慧，我举几个例子

◇ 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》。他被誉为“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，这本书显然符合我前面章节提到了“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。

这本书通篇都在强调“间接路线“的重要性，并举出历史上很多重大战役作例证。从表面看，这个理论属于“军事领域”。但实际上能运用到很多其它领域。

MySpace VS Facebook

在 2006 年之前，MySpace 还是社交网络的老大，而 Facebook 只是新来的小弟。但是情况在 2006 年开始逆转——现在的 Facebook 如日中天，而 MySpace 已经彻底废掉了。造成这种逆转有很多原因，其中一个重要原因是，MySpace 在2005年底被默多克的新闻集团（News Corporation）收购。

收购 MySpace 之后，默多克急于从它身上赚到钱，定下了很高的盈利指标。为了达成盈利指标，MySpace 页面上开始充斥大量的广告，使得用户体验显著恶化；与之对比，当时的 Facebook 老板扎克伯格（Mark Zuckerberg）强调“不急于赚钱”，Facebook 的广告策略比较收敛。

默多克急于赚钱，采用“直接路线”，结果把前途大好的 MySpace 葬送了。他事后承认：收购 MySpace 并没有买错，只是没有管理好。

易趣 VS 淘宝

前面说的是“直接路线”失败的例子。再来说说“间接路线”成功的例子。2004 年的时候，易趣占有 C2C 90% 的市场，处于垄断地位，而淘宝只是 2003 年刚刚成立，尚不成气候。

马云的狡猾之处在于，他没有急于让淘宝赚钱。当时淘宝的运作属于赔本赚吆喝 —— 不但要砸进去很多市场推广费用，而且不收交易手续费。列位看官可别小看了这个“免交易费”，这可是淘宝的杀手锏。当年的易趣要收交易费，所以这个杀手锏直接导致易趣的用户大量转移到淘宝。等到淘宝垄断了市场之后，单单支付宝的“浮存金”就让马云赚翻了。

假设马云急于赚钱，也像易趣那样收取交易费，淘宝多半还没做大就死掉了。

为啥间接路线更有效？

在军事领域，假设你是进攻方，选择直接路线（走直线、走近路、走康庄大道），表面上似乎占了便宜，其实不然；不妨换位思考一下，防御方又不傻，也会在直接路线上设置更强的防御力量。所以在军事史上，直接路线的失败案例反而更多；相反，历史上那些传奇般的战例，几乎全都是采用“间接路线”达成。

在经济领域，一个很容易想到的点子，你想到了，别人也想到了。所以在直接路线上，你会碰到非常多的竞争者。于是，人满为患的康庄大道反而变成羊肠小道，而人迹罕至的羊肠小道却如同康庄大道。

◇ 举例：熵

“熵“，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。

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。

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：为什么要花这么多口水聊“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。

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。

政治学的熵 —— 系统的僵化

每一个政治实体，对应一个“系统”。如同“公司”的情况 —— 越庞大的系统，要让整个系统保持在“低熵”水平就越困难。

所以，越庞大的系统，通常也就越僵化、越低效。

历史学的熵 —— 治乱循环

中国的古代史，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”。

系统一旦变得庞大，就会倾向于变得更加庞大。

一方面，系统越大，就会越僵化、越低效；另一方面，系统越大，消耗的社会资源就越多。到每个朝代末年，“系统”被自身的重量压跨了。

end