曾经人们以为大脑发育到青春期后期和成年早期就结束了，大脑在成年之后就基本定型，然后就开始走下坡路了。现在科学家知道，大脑在成年之后依旧保留着巨大变化的潜力。

这种能力叫做“神经可塑性”，指的是神经连接生成和修改的能力。我们的大脑终身都保有神经可塑性。

神经可塑性体现在大脑被外界刺激影响而随时可以产生变化。当你长期练习某一种大脑功能，就可以让负责这个功能脑区的神经连接生成和巩固。

当你每天坚持练习弹钢琴，大脑中负责手指活动的脑区就会长出更多的神经纤连接，手指在大脑中的“地盘”也会随之变大；当你每天学英语，你的大脑语言皮层中负责英语读写的区域也会越来越大。

但是如果你偶尔偷懒，几天没练钢琴，或者几天不学英语，大脑中刚刚建立起来的“钢琴神经网络“或”英语神经网络“的巩固过程就会罢工，变得日渐虚弱，一些微弱的神经连接甚至会被修剪掉，几天后当你重拾钢琴和英语的时候，就会觉得生疏许多。

总而言之，我们的大脑在一生中都是可以改变的，而且对环境有着积极的适应。

你在出生时就拥有了你一生中能拥有的几乎所有神经元。神经元会长出很多“小手”和别的神经元连接在一起，这些小手叫做“神经突触”。

在你生命的头15个月左右，大脑神经元之间的神经突触连接数量就已经达到最大了。在这个过程中，会有大量的神经元因为没事可做“郁郁而终”——大约有一半的胚胎神经元最终将因为没有能够和其他的神经元建立有效连接而最终凋亡了。

另外那些因为有用武之地而幸存下来的神经元，它们的轴突（比较长的神经突触）外面会被胶质细胞包裹上，这个过程叫做髓鞘化。

为什么神经元轴突外面要包裹上髓鞘呢？因为大脑的神经元需要远距离传输信息，比如从位于额头后方的前额叶传到位于大脑正中间的内侧颞叶，或者从位于后脑勺的枕叶传递到耳朵边上的颞叶。

神经纤维的髓鞘化就像是电线周围包了一层橡胶绝缘层一样，可以让神经信号在大脑中的传输速度和质量都大大提高。

在这之后，大脑又会大幅修剪发育得错综复杂的神经连接，就像修建新长出的小树苗一样，把用得很少的神经连接修剪掉，只留下重要的、反复使用的神经连接，让大脑的能量和物质得到高效使用。

对神经纤维“分叉”的大幅修剪过程会一直持续到青春期结束。

距离遥远的神经元是怎么样互相连接在一起的呢？这看起来是一个非常不可思议的现象，科学家其实到现在为止也说不出个所以然来。

到目前为止一个流行的理论认为，距离遥远的神经元通过共同产生同步的放电活动来了解到对方的存在，向对方伸出友谊的小手——神经突触，最终连接在一起。

不过，科学家至今为止还没能够理解神经连接形成具体的过程是怎么样的。

不仅大脑网络终生都可以被修改，积极地适应环境，大脑中还有一个重要的区域终身可以产生新的神经元。这个神奇的区域就是海马体。

海马体是人类大脑中终身会产生新的神经元的区域。这个区域也是空间记忆形成的中心。比如当你在一个新的环境中学习认路的时候，大脑中的海马体就会被激发而产生新的神经元。

新的海马体神经元和突触一旦整合到大脑原有的神经网络中去，就可以提高大脑的空间记忆能力，甚至促进海马体之后的进一步成长。

英国曾经有个研究测量了伦敦的士司机的大脑，研究结果发现他们的海马体平均来看比一般人的海马体明显更大——这都得益于伦敦复杂道路的训练。

虽然大脑终身都有可塑性，都可以根据环境变化随时作出修改，但是很多人还是会觉得学习新技能、新知识是件有点痛苦的事。这是为什么呢？

我们的大脑在做任何一件事的时候，几乎都不是单个神经元可以完成的，而是需要成群结队的神经元群落表现出周期性的活动来完成。这个效果类似于足球场观众席上波浪形传播的人潮。

而记忆的形成过程在微观上也是不同区域的神经元群周期性地同步激活形成的。

具体来说，大脑里距离遥远的神经元之间同步激活，这种同步性因为一些科学家还没弄懂的原因使得两个地方的神经元向着对方长出新的神经突触，最终彼此神奇地连接在一起，完成记忆的编码和巩固。记忆巩固的这个过程通常需要反复的激活才能达成。

比如说学习英语单词，我们通常都做不到过目不忘，而是需要反复地去背一个单词，背上十遍八遍才可能记住。

如果你觉得学习某个知识技能对你来说毫无吸引力，甚至有点痛苦，很可能是因为你尝试学习的知识和你的实际能力，或者你对知识的期望相距甚远。

就像学英语，当你一开始学习英语的时候，每一个单词和语法都是从无到有的过程，需要在大脑中建立全新的回路。

新回路的建立是一个艰难的过程，并且学了之后还经常会忘。每次忘了单词或者语法你就很容易觉得沮丧，所以学英语的时候很容易三天打鱼两天晒网，比较难以坚持下去。

但是当你英语学到比较不错的时候，大脑的英语回路变得比较稳固，再往上添砖加瓦就会变得相对简单。这时学英语的难度就降低了，感觉就没那么痛苦了。

大脑可塑性的确会随年龄增长而有所下降，不过直到老年，大脑仍然保有一部分可塑性。随着年纪变大，虽然我们学习新知识、适应新环境的能力会有所下降，但是因为大脑可塑性会一直存在，所以学习能力也会一直存在，活到老学到老是完全可行的。

大脑神经可塑性的十大原则

神经可塑性表明大脑在生命的过程中可以不断改变，比如，完成某一特定任务的神经回路可以从一个地方移到另一个地方；灰质的厚度可以变厚或变薄；神经突触连接可以变强或变弱。

神经可塑性是大脑原生的能力，目的是适应个体的发育成长过程，或者是在大脑损伤之后通过可塑性重建连接。发育中的大脑比成年人的大脑具有更好的可塑性。即使是成年人的大脑，也是有可塑性的。

1， 用进废退 — “Use It Or Lose It”

长时间不积极参与任务的神经回路（神经连接）会退化。这样的例子数不胜数。有些音乐家在一段时间停止练习后，负责音乐的神经回路会因为缺乏使用而退化。当再次弹奏音乐时，他们会有生疏的感觉，需要额外的时间和尝试来重新强化神经回路。

2， 越用越好 — “Use It and Improve It”

增强特定大脑功能的训练可以提高这种功能。例如一个中风的病人身体一侧的功能被削弱以后，他很可能会减少对这一侧身体的使用。这里所说的身体功能的障碍来源于人脑中控制这一侧的神经元损伤的结果，而不是这一侧的肌肉，韧带或骨骼造成的结果。

为了恢复这一侧的身体功能，常常使用一种称为约束诱导运动疗法(Cimt)。这种方法通过限制健康的手臂，迫使患者尽可能地使用瘫痪的手臂。这种训练可以帮助恢复因为中风受伤的一侧人脑的功能。

3， 针对性 — “Specificity”

神经可塑性和大脑接受的训练性质直接相关。从治疗的角度来看，有针对性的特定的活动或运动模式对于形成特定神经回路非常重要。例如，加强吞咽的练习也可能与产生语言的脑区和神经回路有关，但是加强吞咽的练习不一定能产生语言。

4， 不断重复是巩固神经回路最好的方式 — “Repetition Matters”

通过训练达到神经网络的整形需要足够多的重复。在康复环境中，治疗师面临的挑战往往是量化患者需要多少时间或多少疗程才能恢复某些技能。不论是病人自己，亲人，还是保险公司，都想知道，“病人要练多久才能好起来？”医生虽然不知道确切的时间，但是他们知道，要产生这些变化，需要成千上万次重复的训练。

5， 强度要大 — “Intensity Matters”

诱发可塑性需要足够的强度。有时候，强度和重复是同一个概念。有研究还表明，治疗计划越密集，一个人越有可能取得成果，而且随着时间的推移，这些改善也就越有可能延续下去。

6， 越早越容易 — “Timing Matters”

以康复为例，在恢复的过程中，不同的时间点有不同的可塑性。这里的假设是，在大脑受到创伤的初期，大脑自己要求恢复的欲望最强。所以越早通过训练引发神经性改变，康复的机会就越好。

相反，如果错过早期恢复的机会，大脑会用它自己的方法来适应创伤。而这种适应可能不是我们想要的苟且的办法。

7， 显着性 — “Salience Matters”

训练最好有足够显着的可见的效果，可以加强可塑性。病人从训练中得到了什么？对他意味着什么？这些问题的答案会影响他们的训练效果。

对治疗师来说，要知道什么对病人很重要，因为情绪可以改变训练的实际强度，也会巩固记忆。如果训练效果对病人很明显也很重要，他们更容易坚持，也更容易记住学习的技能。

8， 年龄 — “Age Matters”

训练引发的可塑性更容易发生在年轻的大脑中。年轻的大脑已经比衰老的大脑更具可塑性和适应性。

9， 可转移 — “Transference and Generalization”

虽然说训练在一般情况下是有针对性的，但是针对一种任务的训练产生的神经网络的塑性可以提高完成类似任务的能力。在培训过程中，治疗师需要关注一项特定的技能或活动如何被推广或转移到现实世界的活动中。

例如，短期记忆和导航寻路处于同一个脑区。对短期记忆的训练也可能会影响到导航的能力。

10， 补偿和干扰 — “Interference”

大脑补偿所形成的可塑性，会阻碍训练想要达到的效果。例如，当病人能够进行神经治疗，而没有进行治疗时，他们会对一些缺陷的机能采取补偿。补偿也是一种大脑可塑性的反应。

一旦他们学会一种不同的补偿方式，就很难更改。即使补偿方法不是最好的方法。补偿本身也是神经可塑性的一种表现。只是新的变化不一定是我们想得到的。

“神经可塑性打破了人们固有的观念，在康复，学习和成长等各个方面带给人新的启发，过去科学家往往认为在婴儿关键期后，大脑结构往往不发生变化。事实上，大脑由神经元细胞和神经胶质细胞构成，这些细胞互相连接，通过加强或削弱这些连接，大脑的结构因此发生改变。”

神经元会一直生长变化，也说明我们的人生有无限的可能性。

所以“改变”显得至关重要了，只有改变自己，神经元才会焕发新生，长出新的神经元，加以巩固后就是不一样的自己了。

如果不去改变，就只能一遍一遍地重复旧有的神经回路，过着重复的人生，而且随着一次次重复而因循守旧。

只要不断增进对人的一生中大脑可塑性机制和自我修复能力的理解，我们就能不断增加扩大和丰富人类的心智生活。

——END——

愿你在探索智慧的路上走的更远！

人活着就是在对抗熵增定律，生命以负熵为生。

——薛定谔《生命是什么》

如果物理学只能留一条定律，我会留熵增定律。说这句话的人叫吴国盛，清华大学的科学史系主任。虽然你可能会反驳这个观点，难道不是牛顿的力学和吧 爱因斯坦的相对论吗？

刚开始我也很迷惑，但是吴教授能说出这番话绝对不是无的放矢，不管对与不对，都可见熵增定律的分量。

无独有偶，吴军也说过类似的话。如果地球毁灭了，我们怎么能够在一张名片上写下地球文明的全部精髓，让其它文明知道我们曾有过这个文明呢？

吴军老师给出的答案是三个公式：

• 1+1=2（代表了数学文明）
• E=mc²（爱因斯坦的质能方程）
• S=-∑ P ln P(熵的定义)

薛定谔在《生命是什么》中也说过类似的话「人活着就是在对抗熵增定律，生命以负熵为生。」

爱丁顿爵士也曾说：“我认为，熵增原则是自然界所有定律中至高无上的。如果有人指出你的宇宙理论与麦克斯韦方程不符，那么麦克斯韦方程可能有不对；如果你的宇宙理论与观测相矛盾，嗯，观测的人有时也会把事情搞错；但是如果你的理论违背了热力学第二定律，我就敢说你没有指望了，你的理论只有丢尽脸、垮台。”

那么什么是熵增定律？为什么它如此重要？它到底对我们有什么巨大影响？以至于能成为许多问题的终极解释。

一
为什么熵增定律有如此的伟力？

因为它揭示了宇宙演化的终极规律。这个规律包括我们所有生命和非生命的演化规律，生命里又包含着个人和群体的演化规律。

非生命：比如物质总是向着熵增演化，屋子不收拾会变乱，手机会越来越卡，耳机线会凌乱，热水会慢慢变凉，太阳会不断燃烧衰变……直到宇宙的尽头——热寂。

生命与个人：比如自律总是比懒散痛苦，放弃总是比坚持轻松，变坏总是比变好容易。只有少部分意志坚定的人能做到自我管理，大多数人都是作息不规律，饮食不规律，学习不规律。

生命与群体：比如大公司的组织架构会变得臃肿，员工会变得官僚化，整体效率和创新能力也会下降；封闭的国家会被世界淘汰。这些所有的现象都可以用一个定律来解释——熵增定律。

因为事物总是向着熵增的方向发展，所以一切符合熵增的，都非常的容易和舒适，比如懒散。

《少有人走的路》在最后一章也用熵增来解释自律。

因为所有事物都在向着无规律，向着无序和混乱发展，如果你要变得自律，你就得逆着熵增做功，这个过程会非常痛苦。

记得也曾有人问过我“人为什么要自律”的问题，我哑口无言，不知如何作答。因为每个人都有选择自己生活方式的权利，可以散漫也可以自律。

现在我想我找到答案了，生命本身就是自律的过程，即熵减的过程。

二
熵增定律的定义

定义：在一个孤立系统里，如果没有外力做功，其总混乱度（熵）会不断增大。这里面有三个词非常重要：孤立系统、无外力做功、总混乱度（熵）。首先我们来解释什么是熵。

熵（Entropy），最早在1865年由德国物理学家克劳修斯提出，用以度量一个系统“内在的混乱程度”。你可以理解为，系统中的无效能量。

比如你打开煤气灶煮开一锅水，这个过程中天然气的能量并没有100%被转化，而是大部分耗散掉了。这部分能量不可逆，无法被再利用，且永远在增加。从这里你就可以推出，恒星终将熄灭，生命终将消失，宇宙将变成一片死寂，沦为熵。

这个状态，也被称为热寂。

那么什么是熵增定律呢？就是这种熵在不断增加的过程。但这是针对整个宇宙而言的，如果要针对地球，针对一个国家，针对一个企业，针对某一个人，则要加上两个限制条件——封闭系统＋无外力做功。

任何一个系统，只要满足封闭系统，而且无外力维持，它就会趋于混乱和无序。生命亦是如此。

三
如何对抗熵增，实现超越

熵增定律被称为最让人沮丧的定律。它不仅预示了宇宙终将归于热寂，生命终将消失。而且，从小的方面来说：

• 它左右着国家和企业的发展规律，让组织变得臃肿，缺乏效率和创新；
• 它左右着个人的方方面面，让我们安于懒散、难以坚持、难以自律……

那么这还有办法可解吗？从定义来说，熵增的条件有两个：封闭系统＋无外力做功。只要打破这两个条件，我们就有可能实现熵减。

听起来好抽象，怎么理解？也许我们可以从生命里得到启示，整个生命的发展就是一部负熵的历史。当人类从无机生命进化到有机生命那一刻起，就注定了这会是一部艰辛与精彩共存的史诗。人类进化之初只是一种“蛋白质＋RNA”的聚合体微生物，科学家将她命名为LUCA。

LUCA通过吸收能量来大量复制，但是问题来了，宇宙的熵总的来说是增加的，所以LUCA的减熵会导致环境的急剧熵增。环境恶化，LUCA无奈只能进化，变得更高级以适应环境的变化，于是DNA聚合体诞生了。

DNA比RNA更稳定，也更加智能。但是这样一来，消耗的能量更大，吸收的物质更多，导致环境的熵增比以往更大。

所以DNA聚合体被逼着向单细胞演化，同样，环境的熵增再次增加，于是单细胞又向更高级的多细胞进化，于是寒武纪生命大爆发诞生了。

然后又因为孤立系统无法获取足够的能量，所以多细胞开始移动，并且产生了感知能力，比如视觉、嗅觉、听觉等等。

从此，生命走上了智能的进化之路。

生命诞生——从外界获取能量——环境熵增——增大与外界的能量交换——更智能——环境熵增……….

这个过程，王东岳将其整合为一个哲学概念——递弱代偿。
即生命的熵减过程，会加剧环境的熵增，于是环境会变得越来越恶劣，生命为了生存，为了获得足够的能量和物质，必须变得更加智能……

好了，现在我们来总结一下，生命的减熵过程中，其实一直在做三件事。

第一，努力保证能量的供给。比如，从化学作用到光合作用和呼吸作用；到光合作用＋呼吸作用的结合体；到多细胞生物。

第二，努力开放系统。细胞从无法移动，到进化出游动能力、爬行能力、行走能力、飞行能力。

第三，努力变得更加智能。生命为了花更少的能量来获取更多物质和能量，进化出了感知能力，比如当时的霸主奇虾，就有很大一对眼睛。知道的信息越多，就能减少更多熵的耗散。
这三点正好也是企业和个人的进化必要条件。

一、企业层面

1、主动做功

许多公司在创业初期非常努力，每天花大量的精力进行各种战略和组织的进化。但是随着企业的做大和成熟，员工就会慢慢懈怠下来，组织会变得臃肿，制度会腐旧脱节。所以，作为领导要不断努力保证企业的活力。比如采取扁平化的结构，让团队更灵活高效，回归创业初期的热情。

记住，舒适圈是熵增定律的第一大特性，任何时候你都不能松懈。一旦你减少了能量的投入，企业的熵增就会立马回来。

2、打造开放系统

关于开放系统，有一个伟大的发现，叫做耗散结构，它给我们带去了一丝希望。什么是耗散结构？它有三个特征：

①开放性

怎么理解？你可以理解为，系统把无用的熵排出去，然后吸收新的可用物质、能量和信息。（注：熵有三种，物质熵、能量熵、信息熵，在相对论里物质和能量是一回事，但是为了理解，这里我们把它分开。）

比如你每天的新陈代谢，比如你通过锻炼减去一身的赘肉，比如你看一本好书。基于此，企业也可以得到启示。

企业要想对抗熵增，就必须开放，把那些衰败为熵的东西全部排出系统。

比如腐败的制度、无产出的员工、落后的信息等等；然后吸收新鲜血液，比如先进的理念、新的人才、最前沿信息等等。

华为就是最推崇这一理念的，任正非老爷子把这个耗散结构作为华为的底层逻辑。
任正非说：“我们一定要避免封闭系统。我们一定要建立一个开放的体系，特别是硬件体系更要开放，不开放就是死亡。”
与此同时，华为每年淘汰干部10%，员工淘汰5%。每年18万人会淘汰5千人到9千人来激活这个团队。

②远离平衡态

当熵逐渐增大，虽然系统会变得越来越混乱无序，但是这种结构却更趋稳定，这种稳定就是平衡态，你要远离这种平衡态。

比如一个企业做大了，企业内部就会形成一种非常稳固的结构，这种结构很可能就是官僚体系。企业想要推行新的理念，引进新的人才，吸收新的信息，都会非常困难。解决办法就是，打破这种平衡态，让系统内部流动起来。

这方面最值得学习的是韩都衣舍，他们采取阿米巴小团队模式，每个团队4-5人，包括设计师、页面制作专员、货品管理专员。员工自己可以自由选择任何团队，也可以自己组建团队。通过分成、授权、竞争、淘汰等一系列机制，来进行充分的内部流动。

最后无能的员工（熵）被淘汰出局，剩下的精英继续流动、重组，变得更加强大。

③临界值

怎么理解临界值？你可以理解为，一个微小的变化也有可能导致一个巨大的突变。
比如在一个标准大气压下，你给一壶水加热，前面99°都没有沸腾，可是你再加热1°它就沸腾了，这就是非线性。

同样企业也如此，可能你前面做了很多努力，效果甚微，但是不要气馁，打破熵增的要素是非线性的，总有一天，你一个微小的投入就会带来巨大的突变。

比如亚马逊，它可能是这个世界上失败最多的企业了，但他们对失败非常包容，因为他们不断在赌“每次小的努力和尝试，都有可能引发意想不到的超额惊喜”。

二、个人层面

也许你会觉得自己还达不到在企业里运用熵增定律的高度，没关系，熵增定律也同样适用于个人的发展。

比如工作、生活、学习、心情、成长、人际关系等等都与此相关。

就拿生活来说，每天会有各种各样的琐事涌来，如果我们任由其发展，那我们的生活就会变得越来越混乱。之后我们要想恢复到有秩序的状态，就不得不花非常大的代价才行。

这样的例子身边比比皆是，生活一团乱麻，不知道自己要什么，想改变现状也不知道如何入手，只能浑浑噩噩，得过且过。

这种状态就是生活陷入了极度的熵增状态，被无数的混乱的事情牵着走，丧失了生活的掌控权。
除此之外还有很多，比如情绪。很多时候，我们感到难过、烦躁、焦虑，其实是因为情绪太过混乱，很多感情交织在一起，让你无从下手。心理学称为情绪颗粒度。

再比如专注这件事，好像大学之后我们就很难专注了。原因是因为，大脑里面整天要想的事情太多，一会要做这个，一会要做那个，一会这种情感，一会那种情感。

这些杂七杂八的东西堆积在一起，就会扰乱我们的注意力，让我们无法的专注的做一件事情。类似的还有作息不规律、饮食不规律、懒散等等，都是因为事情总趋于熵增。

如果我们不主动投入能量做熵减，生活就会慢慢脱离我们的掌控。

那要怎么办呢？解决办法仍然是：

1、主动做功

你不能等到生活脱离了你的掌控，才开始介入。你要每天都保持清晰的思绪，主动投入时间和精力，去理清你的情绪，理清你每天所做之事，运用清单思维让工作高度有序。

把当下所有情绪和事件都清空，然后把它们都记在一个备忘录里，你可以叫它追踪系统，然后脑子里永远都只装3件事。

比如，今天定下的3件事是写文章、看书、建立写作系统。

其他的还有洗衣服、取快递、回复邮件等各种事情，就都先全部放到追踪系统里。
如果还有一些突发的情绪，比如突然想起某件尴尬的事，都统统丢进去。或者突发的事，比如某人发来的微信消息，你感觉不是一两分钟就能解决，也丢进去。

这样做有一个好处，首先你的大脑里永远只会有3件最重要的事，不会因分心而虚耗能量。
而且你还放心，因为你已经把事情记下来了，你不用为此担心，做完之后你会有时间来处理的。

再比如学习这件事，当我写这篇文章时，大脑是一片浆糊，怎么办呢？

画思维导图，思维导图的第一性原理就是降低信息的混乱度。

但是这个过程真的极其痛苦，我需要不断对信息进行分类归纳，有的地方要反复改。
痛苦着痛苦着，突然「熵增定律」闯进了我的脑海，让知识变得有序的过程不正是熵减的过程吗？所以痛苦是必然的，舒服是留给死人的。

虽然很痛苦，但还是得主动去做这件事。

2、开放系统

这里也用耗散结构来分析，但是前面企业里讲了，所以这里略讲一下。

①开放性

你要一直保持与外界交流的状态，把过去的熵埋葬，然后拥抱新的明天。
什么是过去的熵？比如打翻的牛奶，腐旧的认知，回不去的人。
什么是拥抱新的明天？比如去新的环境（旅行），获取新的认知（读书），结交新的人（社交）。

②远离舒适圈

我们极容易陷入平衡态，即使你尝试了一件新的事情，认识了一个新的人，你也会很快熟悉，并待在这种状态之下，认知里面叫“舒适圈”。如果你发现你的生活很久没有波澜了，想必你已经掉进舒适圈了。

比如我写作两年了，写作水平很大一段时间都没有进步 ，这就是能力舒适圈，这是不好的。
人要不断超越自己，给自己新的目标，新的计划。

③非线性曲线

非线性，其实就是复利效应。
也许你此刻做的很多努力，看起来杯水车薪，学习、生活都没有改变多少。
但是请不要灰心，继续坚持熵减，等到有一天，你只需要一丁点努力，就会开启你开挂的人生。

3、智能化

最后，还想谈一点，也是所有熵减方法里面最强大的一个东西。它不仅适合任何组织的进化，也契合我们个人的进化。这正是我们前面提到，生命的演化里面的第三点——智能化。

整个生命的减熵史，就是一个不断变得智能的历史。

为什么生物非得需要智能化呢？难道外力做功和开放系统都不足够我们生存的吗？虽然不敢说100%需要智能化，但是从生命的演化来看，似乎都是在朝着这条路发展。

因为一旦你熵减了，那么你的环境就会加剧熵增，也就是说环境会变得越来越恶劣。
如果生物要生存，就需要更强的熵减能力。这种更强的熵减能力从何而来呢？显然光靠光合作用和呼吸作用，以及开放系统是远远不够的。

明白了这一点，你就明白了为什么一个RNA聚合体会进化成单细胞，进化成多细胞，进化成有限生殖，进化成猿人，进化成智人，进化成今天的我们。

这种智能化的过程是必然的。只是人类非常有幸，成为了进化的幸运儿，也许在某个外星球，是类似海豚这样的生物最具智慧。

生命减熵——环境熵增——环境恶化——逼迫生命更智能

当我们的生存环境很变得越来越艰难，为了生存我们就需要更强大的生存能力。

比如从农耕时代到工业时代，到现在的互联网时代，到未来的人工智能时代。「这也是为什么我们今天的竞争力会越来越大的原因，也是为什么我们变得越来越焦虑的原因，因为环境熵增了。」好了，现在我们懂了，减熵的终极方向是智能化。

那么如何智能化呢？答案是降低信息熵。

什么是信息熵？它被用来度量信息的不确定度，信息熵越大，不确定性就越大。在你变得越来越智能的过程中，就获取了更多信息，消除了一些不确定性，所以熵减少。

前面提到熵有两种，热力学熵和信息熵。其实这两种熵是可以用公式做等号的，因为获取信息需要能量。

1bit 信息熵＝kln2（J/K）热力学熵

当你信息有局限的时候，要做成一件事，你就需要更多的能量，产生更多的熵。比如做同一套试卷，学霸跟学渣做题所需的时间和能量肯定是不同的，学霸一个小时就做出来了，学渣可能做了三四个小时还做不完。

比如炼钢厂，小炼钢厂要花很多时间和能量，而且材料利用率低，而大企业因为掌握更多信息，不仅耗能更少，效率也更高。

这也是为什么历来伟大的企业家都博览群书的原因。想起查理芒格的一句话：

“我这辈子遇到的聪明人，没有不每天阅读的，没有，一个都没有。巴菲特读书之多，我读书之多，可能会让你感到吃惊。”

智能充当的角色，就是从无序中发现有序，这样会减少大量的无用功。不论是企业还是个人，如果你想站在更高的维度俯视世界，光做功和开放是不够的，你还必须在信息上，上升一个维度，做到四两拨千斤的效果。

这个过程其实就是我们一直在努力的——提升眼界和认知。如果你想在此生有所建树的话，那么努力提升自己的眼界和认知，让自己变得更智能吧。

【最后补充】

一、熵增并无好坏之分

看起来，整篇文章都在避免怎么熵增，似乎熵增是一个十恶不赦的坏蛋。但是须知道，对于宇宙而言，熵增只是一个法则，没有好坏之分。好坏只是人类视角上的道德定性，这个定性对于宇宙来说，没有意义。

二、无序只是概率事件

看起来，事物从有序到 无序是必然事件。其实不是，它是一个概率事件，只是无序的概率非常大，大到有序的概率几乎可以忽略不计。

而在数学里面，概率无限大就被称作必然事件。比如让猴子在键盘上随意打字，打出这篇文章被称为有序，而其他被称为无序。那么有序的概率就是可以忽略的，我们可以说事物的倾向是从有序到无序。

以上，就是我对熵增定律的所有认知。

愿你在探索智慧的路上走得更远~

人类往往有将事情复杂化的倾向，但是查理·芒格先生却相反：我们热衷于把事情简单化，如果事情太麻烦了，我们就跳过去换一个，还有什么比做到这一点更简单吗？真正的强者是最简单的。巴菲特同意这一说法：“失败的原因是因为我们拥有了那些‘伟大’和复杂的系统，或者是运用了神奇的准则等，但我们要做的仅仅是回归简单。”

做事必须简化程序

把复杂问题简单化，一切从便于解决问题的角度入手，去除杂芜，留下本质。把问题拆成几个组成要素，但综合而又全面地思考问题。先勾勒出主要问题，在纸上列出主要因素，分析各个因素之间的关系。正如查理·芒格所说的，处理棘手任务时，我通常会先从最容易的决策着手。

从问题本身出发，而非从解决问题出发

只采取最有效的方法，因为重要的是结果而非解决的方法。寻找能够解决当前问题的好方法，而非完美和漂亮的方法。决策要少，也要好，因为它迫使我们对每一个决策更为决策更为专注，同时也减少错误的几率。

巴菲特给出一个充足的理由：“我跟查理很早以前就明白，在一个人的投资生涯中，做出上百个聪明的小投资决策是件很辛苦的事。这种想法随着伯克希尔资金规模日益扩大而越加成熟，因此我们决定，只要在仅有的几次时机中采取英明的决策就够了，而非次次聪明，所以我们现在只要求每年出现一次好的投资想法就满足了。”

避开噪音或不相关因素，纵观全局

威廉·詹姆斯说，聪明的诀窍在于辨别主次，知道哪些是重点，也知道哪些该忽略。查理·芒格则告诉我们去伪存精的重要性：“我认为，（有真知灼见）部分归功于区分愚蠢和智慧的能力。踢除了愚蠢的行为，大脑变得清明，这样才会干点明智的事情。”

有时，可以获取的信息常常泛滥成灾，其中包括有误的信息或不能帮助我们解释和预测的信息。有时，我们还会过度关注细节和那些无关的和不可知的东西。有时，我们还会忽略显而易见的事实。关注重点将让我们做到主次清晰。有时，有限的几个行动步骤就可以达成大效果。所以，真正重要的决策只有几个。

更多的信息不代表更丰富的知识或者更成功的决策

今天我们获取的信息量更多了，但同时接触错误的信息的机会也更多了。查理·芒格说，有时干活越卖力，信心越膨胀，但你努力的方向可能是错的。在柯南·道尔的《赖格特之谜》中，歇洛克·福尔摩斯说，侦探最重要的艺术体现在从众多线索中区别出哪些是巧合，哪些是关键。

我们必须了解生活中必须回避的东西。与其不断探索成功之道，还不如首先了解自己必须回避的领域、状况和人，将有助于减少错误，也能更有效的利用时间。此外，事前预防比事后治理更简单。查理·芒格将“坚决不碰”的东西都放在“太棘手”的“篮子”里，因为这样的东西让人“生厌”。

巴菲特这样阐述他和查理·芒格的做法：“在经历25年企业管理与经营各种不同事业的岁月之后，我跟查理还是没能学会如何去解决难题，不过我们倒学会如何去避免它们。在这点上，我们倒做得相当成功。我们专攻那种一尺的低栏，而避免碰到七尺的跳高。这个发现看起来似乎不太公平，但不管是在经营企业或是投资领域，坚持在让你容易掌握又透明的公司会比死守在你难以把握的公司获得的利润要更丰厚。我们一贯的态度是，你不可能和一个品德恶劣的人做好生意，但我们不会以契约和应有的审慎来保护自己——这些都不需要。我们可以多多跟自己喜欢、欣赏和信任的人合作。”

查理·芒格接着说：“沃伦很早之前就讲过，好企业和坏企业的差别在于前者总能让你很容易的做出一个又一个的决定，而后者总带来许多难题——很难的决定：‘它有用吗？”值这么多钱吗？’所以，这是一种区分好企业和坏企业的方法：是否总是给管理层带来大难题——还是总是带来一些让人满意、不需要动脑子的决定。”

塞缪尔·约翰逊说，卓越的成就一般靠一生孜孜不倦的追求，因为它并不能靠轻轻松松取得。大脑在同一时间内专注于许多事情是不可能的，更不要指望它能够轻松自如的完成这些任务。大脑在不同任务之间转换耗时耗力，特别是在比较复杂和生疏的任务之间转换。

如果在一段时间内只专注一件事，那我们的行动和决策将显得更为简单。同时做两件事，相当于一件事没做。如果我们只抓住一件事来做，那将做得更好，也更能增长才干。对于企业管理来说，专注力相当重要。有一些原本很不错的公司，由于经营方向的偏差将原本扎实的基础业务弃之不顾，反而跑去购买那些业绩普通甚至糟糕的公司。

盖可保险就是一个案例。盖可保险在20世纪80年代到处插手各种业务，几乎没有一个业务成功，为此付出了巨大的代价。巴菲特跟查理·芒格先生在思考是否投资一些看起来非常不错的公司时，最关心的是这样做是否让他们失去重心。巴菲特说：“我想，傲慢或不甘寂寞使得一些经理人胡思乱想，进而导致企业价值的停滞不前，这样这种情形屡见不鲜。我喜欢焦点突出的管理……”

在解决问题之前，不妨问自己：这个问题是否值得自己费时费力去解决。巴菲特对于自己和查理·芒格生活和经营的成功之道解释说：“确定决定前，有两个问题必须问自己：

1、它是可知的吗？
2、它重要吗？

如果是不可知的，则一带而过，因为我们知道世界上有许多重要但未知的事情。此外，它如果不重要，不管它是可知还是不可知，都没有区别，我们同样一带而过。”确实，一些重要的事情我们无法得知，比如股市的走势，但有时我们知道的东西却并不重要。

爱因斯坦说，提出一个问题往往比解决一个问题更为重要，因为解决一个问题也许仅是一个数学上或实验上的技能而已。有时候，理解一个问题的难度要甚于解决一个问题。

提出基本的问题很有帮助：它是什么意思？最简单的例子是什么？首要的问题是什么？我是否能难辨别出正确的答案？能否举出一些例子让问题更清晰？提出问题的正确还不够，还应该找准正确的方向和问对正确的人。不要过度依赖自己的假设，因为我们并不能肯定其他人的假设与我们一样，所以需要给他人机会作出解释。

在没有压力、时间限制、威胁或者别人评判的情况下，才能思考的尽善尽美。思考需要时间，在我们三心二意的时候，简单质朴的真理常常视而不见。如果能够让把问题冷却一会儿，让潜意识开始活动起来，常常能够更好地解决某个问题，也能够获得更多的启发。

自从柯南·道尔为我们创造那些引人入胜的故事以来，现在基本上每本侦探的小说都会出现这样一个时刻：调查人搜集了到所有的事实，起码能够解决一部分问题。这些事实看起来有些奇怪，前后不衔接，彼此毫不相关。但伟大的侦探家知道这些调查工作已经足够了，现在只剩下一些纯思考活动，能够把搜集的资料组织起来。所以，爱因斯坦会拉拉小提琴，或者懒洋洋地陷在沙发里抽烟，突然间，柳暗花明，他就找到了答案。

罗杰·罗文斯坦在《巴菲特传：一个美国资本家的成长》中这样形容巴菲特：“巴菲特的天才主要体现在品格上——耐心、有纪律和理智……他的才干源于他无可比拟的独立心智，能够排除外界一切干扰专注地工作。”

等待机遇来临必须要有足够的耐心，诱惑面前要敢于拒绝，仓促时会做出错误的判断，这就是投资的诀窍。

巴菲特说：“在资本分配方面，活动并不与所取的成绩成正比，其实在投资和收购领域，狂躁的行为只会让你事倍功半。如果你每天都感到有投资的迫切需要，肯定会犯许多错误。投资不是这样，必须要等待适合出手的好机会。”

查理·芒格先生补充道：“像这样几次重要的机遇总会降临在一直耐心等待和寻找的人的身上，他们好奇心旺盛，仔细地分析着众多的变量。一旦大好机会来临，他们所需要的只是下重大赌注，发挥一直以来的谨慎和耐心，然后利用手边的资源。”

怎样做才有助于避免问题或引导决策行为？

本杰明·富兰克林提出一条原则：埋头专攻手头的任务，全神贯注，不要有一夜暴富的愚蠢想法，勤奋和耐心是智慧的第一必要手段。

查理·芒格也提出一条规则并佐以例证：“任何时候任何人给你推荐一本200页的说明书，还需要支付一大笔佣金的时候，千万别上当。如果采取这个‘芒格规则’，偶尔可能会走错。但长远来看，一生中你将永远走在别人前头——同时也减少了些不愉快的经验，这些经验可能会磨损你对周围人的爱。”

巴菲特给我们提供了如何在保险业成功的指导方法，同样也可以运用在其他领域。真正成功的公司必须坚守以下三项重要原则：

1、只接受能够妥善衡量的风险，在谨慎评估所有相关因素，包括把最小的损失可能计算在内，然后得出期望的获利值。这些公司从来不以市场占有率为目标，同时在看到同业为抢夺客户而杀价竞争或提供不合理的理赔条件时，也不会跃跃欲试。

2、要严格限制承接的业务内容，以确保公司不会因为单一意外及其连带世界而累计理赔损失，导致公司的清偿能力受损，同时不遗余力地寻找看似不相关的风险，彼此可能潜在的观点。

3、避免涉入可能引发道德风险的业务，不管其保险费率多么诱人，不要妄想在坏人身上占到任何便宜，大部分客户的诚信都值得信赖，所以不必与有道德顾虑的人打交道，事后证明通常其成本远比想象中的高。

“就像是我们在投资时一样，保险业者想要有优异的长期绩效，靠的不是少数的成功个案，而是如何避免做出愚蠢的决定。”巴菲特如是说。

筛选能够让重点突出，并集中在有意义的事情上

在了解自己的目标后，需要一些标准来衡量各种选择的方案。问自己：要达成目标或避开问题的最主要和可知的因素是哪些？判断的标准应该基于事实，同时具有适当的预期性，即我们可以适当依赖它们。

判断事物时所运用的标准必须是最必要和最精简的，然后依据重要性的先后来排列它们，并作为过滤器。设定决策门槛，减少错误预报和损失的可能性，考虑决策错误的后果，有了过滤器，我们就能对90%的东西在10秒钟内说“不”。

在2001年的记者招待会上，有人问巴菲特如何评价一个新的经营理念，他回答说是将4个标准作为筛选的过滤器：我能理解吗？如果能，接下面；它是不是具有可持续的竞争优势，如果是，接下面；管理层是不是聚集了许多能干和诚实的人，如果是，接下面；价位合理吗？如果最终能通过这个过滤器，那我们就开始写支票吧。

巴菲特所谓的“理解”是可预测的能力。

巴菲特对“理解”的定义是，能够有相当的把握回答10年内企业走向的问题。“我们赚钱的唯一渠道是能否对一家企业作出评价。如果无法评价一家碳钢公司，我们就不会购买。但这并不意味着它不是一个好买卖，也并不意味着它卖不到自身的价值，只意味着我们不知道如何评价。”

再举个可以把规则和过滤器结合起来的例子。现实的经验常常告诉我们，与品德不好的人打交道常常给自己带来麻烦。所以，一个原则是：“避免与品德恶劣的人打交道。”一个过滤器是：“保持良好的业绩记录和品格。”如果对该原则了然于胸，可以提出相关问题：“这个人品行如何？”

剔除的过程意味着蓄积努力的过程。

比如说，对那些与基本科学观点相矛盾的观点，有必要找出证明来佐证。跳过那些能够带来巨大痛苦的、不重要或未知的、不可能发生的或者无法实现的、无法用来预期或解释的、无法验证的、已被否定的、过于简单决定、错误的假设，以及我们无能为力的或者不在我们能力范围内的问题。

科学领域同样需要排除法。为了避免在信息不完全的观察或实验中周旋，科学家在观察和实验之前就考虑什么样的实验最重要和最令人信服：我们想要得到什么或证明什么？如何才能达到目标？不能发生什么样的情况？通过提出这些问题，他们就缩小了可能性。这类似于巴菲特提倡的——剔除一些可能性，然后集中在少数有可能的几点。

使用清单程序，可以同其他工具一起为我们减少损失，集中于关键点

如果不好好检查这些关键点，可能会给我们带来伤害。查理·芒格建议我们应该通过清单形式来使用模型：一般说来我们应该掌握一些智力模型，有必要花时间列个清单，并从头到尾检查有没有遗漏这项，有没有遗漏那项。如果有两三个重要的项目没有出现在清单中——假设你是一名飞行员，很可能会坠机。同样，如果分析一家公司时没有使用完整的项目清单，很可能会做一项错误的投资。

在设计清单时应考虑如下问题：不同的问题需要不同的清单；一个清单应当囊括每个确保安全、避免事故的关键项目；实用简单方便；与现实相符。但是，切勿过分依赖清单。它们有时会给我们一种虚假安全感。

清单奏效的前提是每件事都是可以预见的，但有时会发现发生一些出乎意料的事情，而被人忽略的事情可能是造成问题的主要原因。

根据我们预先的原则、过滤器和清单来行动常常会比凭激情做事更合理，但不宜制定太多的规则、过滤器或不费脑筋的东西，必须时刻了解我们最终的目标。

愿你在探索智慧的路上走得更远~

这篇文章是根据塔勒布的反脆弱引申到“复杂系统” 学科所得到的。 今天我就在之前很多思考基础上再谈谈这个主题。

风险和不确定性来自于不可预测，如果一切容易预测， 何“险”之有？

那么一个很自然的问题就是这种不可预测性是否无可避免， 我么要走进它的根源， 也就是我们刚刚讲到的复杂性来认识它。 如果用一句话来总结复杂性， 我会说是“ 世界由网络组成， 网络带来的非线性作用， 毁灭了可预测性，却带来了世界的所有精彩， 从生命，到智能， 到我们的文明本身” 。

那么我们就把两句话依次展开：

一、复杂性导致预测失败的本质

预测是人类最古老的主题， 从一个人的命运生老病死， 到一个国家国势的兴衰。 这都包含在预测这个庞大的主题里。 想象一下，如果你能预测你的人生， 或者某个人能够预测一个国家甚至人类的兴衰， 那将是何等意义的事。

阿西莫夫的小说基地里的故事说，一个叫哈里谢顿的人发明了一个叫心理史学的学问能够预测整个银河帝国的兴衰，便是这类故事的一种形式。

如果粗略把这个世界的东西分个类， 那一定会被分成两个大类，一类可以叫做”死物“ ， 比如宇宙里的星体， 固体， 液体， 各类分子原子， 亚原子 。  另一类就是”活物“  ， 包括所有和生命有关的东西，从各类生物学的细胞过程， 到我们大脑里的神经运动，再到社会经济。

对于第一类事物，人类已经无比成功的做到了预测， 而第二类事物则不是。

二、物理模型 

物理预测的故事一类围绕那些确定性的， 周期性的事物， 如单摆或行星， 一类围绕那些微观的随机的不确定的东西， 而中间有一个叫统计物理的东西把它们连起来。

确定性的东西具经典的莫过于行星运动模型的进化史。 从托勒密 (Ptolemy) 的宇宙模型系统， 他的模型里说日月星辰的运动可以分解为一系列互相嵌套的圆周运动，到哥白尼的日心说， 直到开普勒把之前的圆形轨道变成椭圆轨道。

最终椭圆轨道起到了牛顿力学， 模糊被经典的微分方程抽象化， 我们也可以称之为定理。 它们可以预测各类事物的变化，而又可以通过实验检验。 从此苹果落地的抛物线，到日月星辰的运动， 被统一在一起。

这种对现象进行分解，抽象出最一般性的因素的方法就是物理的思维。 很快， 这种思维开始进入微观世界。 这些微小的例子由于测不准原理具有根深蒂固的不确定性，却可以描述， 而之后被实验证实。  没错， 物理预测的力量正在于每一次我们都在实验发生前就知道了将要发生什么。

差不多同时，我们开始构建微观到宏观的桥梁。 如果原子是随机的， 那么它们组成了所有宏观物质，它们有温度，有软硬，有形状，有化学性质，为什么却是确定的呢？我们能否从微观预测宏观？  我们又一次的成功了， 而这在常识里， 可以被看成不可能的任务。

这不得不归功于统计物理。 统计物理的最重要的观点是， 微观尺度上的大量粒子运动是随机的，通过统计的方法，我们在宏观尺度上得到的东西却可以如磁铁般稳固， 且可以预测的特性。

比如我们可以计算磁铁的磁性，水的沸点。 这种随机到宏观精确的可预测性背后的保证， 正是大数定律。 大数定律的关键观点是你有无数的随机且独立的变量不停加和， 你就会得到一个更大尺度上确定性的个体。  所谓多而不同。

一个典型的例子是掉入水里的花粉颗粒像一个醉汉一样做布朗运动， 而一个巨大的台球掉进去就是扑通一下从加速到减速的确定轨迹。 两者有何不同？体积也。

三、社会与人类心理预测的失败

在20世纪以后， 在所有之前工业革命基础上出现了计算机， 以至于后面的互联网， 使得人类积累数据， 以及用数学来预测的能力又一次空前提高， 迎来了信息爆炸的时代。

我们依然按照之前的思路继续建模，因循着这样的思路，人开始思考社会本身也存在类似牛顿原则一样的第一性原理，是否可以由统计物理来预测。

而在心理学领域，我们也开始认识到人类的心智也如同一台动力学机器， 在客观的受力法则下思考和运行。 对于这一类愿望的典型描述在阿西莫夫的基地里淋漓尽致， 它借哈里谢顿教授的口说出：

人类社会的每个成员如同气体里的分子，他们的运动可能是随机的不可预测， 但是其组成的人类社会确是高度可以预测的。因此它预测了整个“基地“ 的没落， 从而展开了整个它的改变人类历史的计划。 这简直就是对统计物理的观点重演，每个人随机的不可预测， 但是很多人加总在一起， 一个国家，一个民族的兴衰确是高度精确可测的。

但是这些幻想很快落空， 这条路走不下去了。 我们发现， 凡是跟社会和人类有关的领域，我们几乎输的精光。 你想应用大数定律， 你却总在失败。

一个典型的预测失效的例子在于经济金融危机和股市，大家都想预测股票价格，一群最天才的数学物理加发现了black-scholes 方程， 我们想象股市的价格是大量的进入交易所买入和卖出的交易者决定的， 股市价格的本质是人们对公司未来总价值的预期。

如果这些交易者， 就像组成物质实体的粒子一样， 虽然随机， 统计上却可以预测， 市场总体会符合一个经典的随机微分方程。 然而事实逐步违背了天才们的初衷， 这么多的聪明人进入到股市交易搏杀， 却没有几个人能预测2009年的金融危机。

事实上金融市场的背后推手往往有社会层面的突发事件，这些事件更加难以预测。 比如特朗普的当选， 或者英国的脱欧。

而另一个角度， 我们对自己的大脑的预测更是知之甚少， 比如目前几乎还没有什么仪器能够预测你老了会不会得老年痴呆，或者你今晚会不会失眠。我们并不能用受力分析的方法把人脑分解为细胞，然后找到一组方程， 或者用统计的方法， 解出心智运行的模型。

四、预测失败的元凶 – 网络复杂性

到底是什么， 破坏了我们建造预测性模型的目标？

我们先前的理论一个根本缺陷是一个最重要的假设是不成立的， 它就是独立性假设。 当组成整体的每个个体之间的相互作用可忽略， 我们称为独立假设成立， 这时候，如果每一个个体的行为是随机的， 但是组成总体的特性确实可以确定的。

最致命的是， 人的大脑或人类社会， 独立性假设不成立。 显然你的成长无法忽略周围的某些特定个体对你的影响， 同样的你的大脑里的某个神经元离开周围神经元的信号传递一无是处，几乎就是一个比较大的电阻电容电路而已。

所有这些问题的背后， 隐藏了一个新的问题范式 – 网络。 如果个体和个体不独立，意味着它们的互相影响无法忽略， 这个互相影响， 导致之前的预测范式无法很好的起作用， 有效的理解个体已经不再是理解总体的基础。 这个网络，会引入如下几个效应：

五、世界是非线性的

整体不再是部分的加和我们管它叫非线性，这个整体的特性变得特别难以预测。  这个你可以理解当下的互联网使得个人的作用已经远远不是加法。非线性的基本类型包含负反馈和正反馈，它使得整体的相加的结果更大或者更小于部分之和。

这样的例子在你身边也很多， 两个很优秀组成的家庭可能非常不幸福， 而一群乌合之众在某个清晰聪明的规则下， 可以其力断金。

非线性带来机会， 由于连续的正反馈， 一个单个节点有时可以改变整个网络， 你可以想象某个小人物有时候突然改变了历史的进程， 无论是遇雨失期的陈胜， 还是一战里那个艺术气质的失落士兵希特勒。非线性对应普通个体意味着机会。

混沌：

气象预测一直以来是农业生产的重要课题，曾经有一段时间， 物理学家认为只要能够合理的解出气体运动的流体力学方程， 那么一个月后的天气无非是大量模拟可以解决。

然而气象学家试图对大气建模（当然是牛顿力学了）的过程里，发现了一个不可思议的现象，它们算出来的天气一会儿晴天一会儿下雨：完全相同的一份数据，多保留小数点后一位数，计算出来的就是晴天；少保留一位小数，计算出来的就是下雨。这是机器的问题吗，比如说这是程序员都遇见过的计算机浮点误差导致的？最后这为我们揭示了叫做混沌的物理现象。

有本书叫《三体》， 事实上牛顿力学里三体问题的时候就已经很难预测了， 三个物体之间只要有复杂的相互预测，在一定时间后， 得到的解都已经极不稳定， 假设计算机程序出那么一丁点的误差， 都会使得我们最终的解与之前完全不同。 这里的不确定性来自于我们无法控制所研究系统的所有信息，而每一丁点的不同都导致结果完全不同。

只要个体数大于等于三， 系统内的非线性连接足够强， 就会发生混沌， 非线性网络大部分都处在混沌成立的条件区间，这使得确定性逐步远离了我们的视野。

相变与涌现：

混沌绝不仅是不可知的混乱， 它的另一面恰恰是我们说的秩序（order）。 我们说非线性网络中的正反馈达到一定程度， 会从比较稳定的结构过度到混沌， 这个混沌边缘的点或者说相变点。恰是所有复杂结构（秩序）诞生的基础， 比如智能的载体神经网络就是在这个混沌边缘的点工作的。  

复杂网络间的耦合：

社会，历史，经济问题恰是两个不同尺度的复杂非线性网络的耦合， 一个是社会网络， 一个是大脑网络 。 两个网络都符合前面的所有特征。 而恰恰是两个网络纠缠在一起。

社会网络的节点， 其实是一个个超级复杂的脑网络， 它们的某个情绪风暴， 会引起下一级社会网络的一个革命风暴， 尤其是当两个网络都处于相变点， 这种级联效应更加可怕， 也使得它们构成的整体彻底的逃离了预测性的边界。

我们要意识到虽然非线性网络在毁灭预测性，但来了世界的丰富多彩，生命本身来自于这样的网络， 以至于智能物种的产生，直道文明和社会，直到你自己，这些事情都是不可思议，也非确定发生的， 它，也是我们生活的所有滋味所在。

我们既然存在于这张不确定的网中， 就要做到与它对抗， 而是共存。 因为在我们的生活， 还是创业中， 我们真正面临的不是精确的预测每个个体乃至社会的行为， 而是正确的决策， 即使无法预测， 依然可以英明决策。

下面我们就来说一下有关决策应对不确定性的问题：

一些系统的应对不确定性的思维方法可以称之为算法， 我们站在事物发展， 而非自身的层面去看问题。

进化算法：

其实整个生命进化史， 就是一套自然应对不确定性的方法论。  你要看到，从远古生命到现在， 自然环境发生的沧海桑田的变化已经有多少次？ 也许有无数次，你都可以假定生命已经毁灭了， 事实上发生的是，生命没有被毁灭，而是在这个过程里， 越来越复杂， 越来越高级。 这背后， 就是达尔文发生的进化论。

我想可以把这件事做如下总结：

1、生命不能预测未来， 但是它可以生成一套在各种条件下的一组行为策略。

比如摄入什么样的物质，向什么方向移动，这组策略被一套叫DNA的大分子固定， 也就是我们常常说的遗传编码 ，它通过一个复杂的化学反应， 制造RNA和特定的蛋白质，而一切生命现象都是由特定蛋白质实现的， 我们简单的说就是生命策略，比如在外界环境出现如何变化时候如何反应。

你可以把DNA的编码看成一系列的if else语句， 就是在某种条件下， 触发某个蛋白质， 实现某一个功能。

2、单组策略的存在时间有限，它会以繁殖的形式得到一个和自己一样的策略， 但是这个过程不是完全精确的， 它会以一定的方式出错或者说变化。 

这恰恰使得下一代的策略可以轻微的偏离上一代， 从而在一段时间里， 形成越来越多的策略，我们叫做基因池。

3、有的时候不同的基因会发生交叉。 

也就是说把两组策略把各自的一部分给对方， 然后形成新的策略组合。 这种重组产生新的基因的速度会比变异快的多， 也就是我们说的交配。  

4、环境会评估某个策略（DNA） 是不是适合自己， 这个通常由一个叫适应度函数的东西表达。  

适应度越高， 基因就是越适应当下环境。 经过一段时间， 适应环境的策略会比不适应的环境的策略得到更多的个体，因为它自身存活的概率更高， 这样， 最终环境里数量最多的， 是最适应环境的策略。这样的策略不一定有一个。

5、环境会变化。

当环境变化， 最适宜的策略发生变化， 这个时候最适合的策略也发生变化， 导致新的物种和生态系统的生成。

应该说，这样的一个算法具有一种天然的反脆弱性， 基因的变化是随机的无目的的， 恰恰对应环境的变化是不可预测的无方向的， 生命通过死亡，竞争和繁殖的游戏， 使得群体总有某些个体能够适应环境而延续， 即使对于每个个体这足够残酷， 但是在总体水平上， 却使得基因能最有效的调整自己。  即便不做任何预测， 也可以很好存留。

对于我们日常生活的启发性：

1，试错而非设计的方法论：

对不确定环境具有最高适应的策略 ， 是来自于自然进化和淘汰而非设计， 靠的是繁殖的速度能够跑赢环境变化。 因此， 对于产品设计， 最重要的是加快迭代速度， 远好于常开会。

2，迭代很重要：  

最好的东西不一定是目前看起来最优的， 而是在变化的环境中可以适应自己的。所谓杀不死的是最好的，也就是塔勒布的反脆弱。也许一个方案特别完美， 但是条件一旦出现变化， 它就不成立了， 这还不如找一个没有那么完美， 但是适应性更好的方案， 往往迭代试错来的方案具有这个特点。

3，冗余备份策略： 

自然进化的特点是对待个体是残酷的，而总体上获得进化的反脆弱性， 多子嗣，也就是多备份。 对于产品设计，或公司运营，我们要考虑环境变化时候的备选方案。

智能算法：  

进化算法最重要的里程碑是动物神经系统的产生， 或者说我们的大脑。 也就是在这个阶段， 生存策略的生成出现了质的飞跃， 此时的策略， 不再是单向的在环境有水的时候就去喝水这种， 而是出现了所谓的学习策略，你可以把它看成一个生成策略的策略，通过一个叫神经网络的东西， 你可以超越基因编码新的策略。

这里最重要的就是强化学习的出现，相比进化这种被动的随机的策略搜索， 强化学习更类似于一种主动有目标的调整， 从而使得策略更新的效率极大的加快。

那么，强化学习算法可以看作第二个更有效的面对不确定性的思维框架。

强化学习里最核心的思想是有效的探索策略， 以及探索和收益的平衡。 它包含如下要点：

1，强化学习分为几个要素，个体， 环境，行为，奖励，个体做出行动， 获得环境的奖励反馈，同时改变环境，个体为了让长期的奖励最大化，需要调整自己的行为。行为的规则的，也就是不同环境条件下的该做什么行为， 也就是策略，也就是我们学习的对象。

2， 未来是不确定的，但我们必须在此刻做出选择， 因此， 我们把未来所有可行的选项都考虑进去， 并给每个可行性估值， 它代表我所认为的潜在收益。

我们根据这个估值来做行动的决策， 我们倾向于选择那个估值最高的选项， 但是不要马上抛弃其它选项，而是给其它的选项一个较小的概率执行，这又称为探索。 最初的估值我们可以看作在初期更多就是凭直觉， 后面会迅速调整。

3，每个行动会带来有关结果的新的信息，这个信息可能对结果有害或者有益， 这时候我们要迅速的调整估值，然后基于新的估值决策。

更高级的强化学习包含了一个世界模型的部分， 也就是说， 在行动之初， 你不仅要设定可行选项， 还要尽可能的在平行宇宙里将不同选项导致的未来展开， 先在思维里战上100轮，减少那些不好的选项， 这就比最初凭直觉估值好的多了， 虽然我们无法精确预测， 但是有一个模糊的世界模型依然可以大大加强我们决策正确的概率， 阿法狗就是凭类似的思想战胜李世石的。

强化学习给我们的启示：

1、 未来不可预测， 但不等于我们可以没有清晰的目标：  

强化学习成立的根据在于一开始就有一个自定义的收益函数，  这个函数必须是行为体已知的， 而不是之前进化算法里来自环境的适应度。这里的收益， 就是目标， 一开始没有清晰的目标界定， 一切行动无从谈起。

2、只考虑可行边界之内的事， 无论目标有多宏大， 我们每一步只考虑可能做到的几个动作， 及这些动作对目标的影响。

这点的反面就是眼高手低， 很多人每天想来想去，事实上都在想自己的可行区间外的事情。

3、探索与收益是随时间调整的。

虽然我们始终要考虑探索与收益，但是强化学习过程里， 探索和收益的比值始终在不停减少。也就是说越到后期， 就越以收益为主， 探索，但一定要有限度，因为你的生命是有限的。

这里面直接的方法论就是我们年龄越大就越要保守，如果你20岁，失败只是打一个喷嚏， 30岁，还可以从头再来， 50岁，就很难了， 褚时健们毕竟是少数，已经取得了一定资历的人， 一定要把成功换成更稳定的，可以向下一代传递的东西。

4、无论任何时候， 尝试建立世界模型。

虽然预测是困难的， 你要把不同方案导致的未来，以及它们的结果， 尽量的建立一个世界模型， 就好像一个平行宇宙的展开。这个展开的方式， 一方面来自由你的经验模板塑造的直觉， 另一方面是关于世界运行的原理。

如果你的平行宇宙展开的足够好， 你就得到了一个可能世界的合理分布。 阿法狗其实是面对不确定性的最聪明的算法， 虽然我们不是阿法狗， 但是可以学习它的套路。  有时候， 你做了这件事， 会淘汰一些直觉看起来正确， 但是错误的选项。

曾经的我，思路更加接近于不断试错和迭代的进化算法， 而今天， 我的思维更接近强化学习的系统， 人生苦短， 试错有限，在结构目标非常清晰的时候， 极为高效的试错， 并且迅速的收敛于那个收益最高的解，再此基础上迭代， 是更有效的策略。

如何把这样的思维更精确的结合数据来使用我们会得到贝叶斯算法：

当下这个时代， 我们拥有越来越多帮助我们决策的数据， 谷歌，百度， 知乎， 都在帮助我们迅速的得到信息。 很多时候你会告诉我， 预测无非就是数数， 比如预测大选结果， 我可以做一个简单的假设， 在谷歌上被搜索更多的那位更有可能获胜 ， 然后你去查看谷歌的搜索结果， 你居然真的可以准确预测！。

但是这样的方法却不总是奏效， 几年前谷歌搞过一个预测流感的系统，它把流感出现的关键词，比如头痛，发烧，咳嗽， 呕吐都做成了特征。 这些关键词，构成了一组关键特征， 可以用来有效的预测流感是否发生， 只要我们搜索这些词汇， 应该就可以预测流感在一个地区是否会发生。

然而，这个问题虽然一开始的预测比较准确， 很快就完全的偏离了真实的数据， 问题出在什么地方？ 我们无法避免隐藏在数据里的大量噪声， 因为产生那些特征的原因非常多， 比如说头痛， 工作疲劳可以头痛， 失恋也可以头痛，感冒仅仅是原因之一。

而贝叶斯算法可以有效的剔除数据里的噪声，因为它可以通过加入先验信息， 把我们几千年积累的知识和大数据结合起来。

贝叶斯算法其实是一种非常中庸的态度， 一方面， 我们要保持一套对世界的预测模型， 虽然我们知道它不准确， 另外在不确定性面前， 我们最好的办法是保持一种理性的谦逊， 也就是赋予这种原始预测一个有限的概率， 然后我们设计实验收集数据， 如果这个数据支持这种模型假设， 我们就加强一点信息， 否则就减少一点， 这个根据数据调整信心（概率）的公式就是贝叶斯公式， 我更喜欢把它看成一个思维方法。

一个很好的运用贝叶斯的例子来自于对掉入海里的飞机的搜索， 比如之前的马航事件， 这几乎可以说是一个不确定性极大的例子，大海茫茫， 我们依据的信息却是非常稀少的。 但是并不需要特别担心，因为我们有贝叶斯的框架。

首先， 一组专家会对可能找到黑匣子的区域做出限定， 然后， 搜救人员会出动进入这个区域， 它们所做的事情大致是这样的， 我们把区域分成无数的小方格， 首先搜索那些根据专家开始估计的概率最大的区域， 如果没有黑匣子， 就降低这个区域的概率，同时提高那些没有搜救的概率， 这样每搜索一个格子， 这个概率就会变化一次， 最终经过几轮之后， 我们就会得到越来越小和精确的搜救区域， 根据这样的方法， 即使是大海捞针，我们也可以胜利。

在不确定面前，我们能够做的最蠢的事情是直接把某些选项的概率降为0，因为这样如果它们真的是成立的， 你就死无葬身之地了。

应对非线性的一些策略启示

相变营销：这里记录一些没有那么成系统的思想，我们知道非线性网络里相变的影响， 那么，我们也可以利用这种思想来营销。 我们都想爆发式增长， 在互联网世界，它就是你的客户网络里的一种相变，如何能够达到这样的产品？ 首先是时机，第一个发布的产品在用户的心理永远更容易占据位置。

然后是速度， 因为非线性的原理告诉我们， 速度决定了网络里传播的密度， 最终将影响动力学的稳定点， 只有速度超过一个阈值，我们才能推动这个产品的传播达到一个更高的稳定点，也就是占领整个市场。

关于搜索策略： 鲨鱼在寻找事物时候实行一种像随机游走的姿势， 它时而在一个小范围里不停翻滚改变方向， 时而做一系列极长的不改变方向的行动以达到更远的点， 这个策略事实上是在时间有限希望能够快速探索整个空间的方法 。

因为资源的分布是非线性的，要不是富集状态，要不一穷二白， 相对应的，当我们经过一个小的搜索得不到什么资源时候， 做个较大幅度的调整通常可以跳脱局部极小， 然后再进行比较密集的搜索。  这样往往可以更快的找到富矿。

关于认知偏差
一个很致命的影响我们应对不确定性的策略的因子是心态，很多人在不确定性面前容易犯以下几个错误：

1， 认知的锚定效应， 夸大或缩小一些可能， 而看不到真实的分布。

我们通常喜欢那些容易认知的东西， 而夸大那些可能性。 比如你天天在新闻联播里看到以色列发生了恐怖袭击， 你就会觉得耶路撒冷天天都在发生炸弹爆炸。

比如你很容易想象阴谋论里说的非典是美国人制造的病毒这种事， 因为脑补这样的画面非常容易， 我给你将一个更抽象但是成立概率更高的可能性， 但是由于脑补不成故事画面， 你就不会重视那个可能。 这点在应对不确定性时候是致命的， 因为你对概率的估计能力决定了你策略的准确性。

2，决策的后果不等于质量：

很多人是根据决策的后果来思考是否决策正确， 比如当年没有投资马爸爸， 没有买北京房子， 说自己当时有人劝自己做那些事而没有做， 或者差一点做了，然后特别后悔 。

其实这是一个非常常见的误区。 因为我刚刚讲过的一点， 我们的信息永远是不足的， 所谓的最优决策就是在有限信息下的最优决策。 即使你当年有钱投资马爸爸， 但是那时候的你的信息完全不足以支撑你买，这才是事实。  而你不买也不一定不对。

因为你只是看到了所有可能的后果中的一种。  有多少创业成功的人认为自己回到过去还会成功？ 100个平行宇宙， 只有一个马云是成为首富， 那99个世界没有投资的你可都做了正确的决定啊。 记住， 成功学鸡汤背后， 可能藏着的就是幸存者偏差。

3， 关于现实扭曲力场：最牛的人， 往往做的事不是预测， 而是改变。

虽然预测是不可能准确的， 但是如果你的行动足以改变它，那么世界就会向着你所预想的方向变化 。 也就是说， 正确的决策使得你所预想的未来成为现实， 那句鸡汤不是说， be the change you want to see 吗？  正是说， 与其无休止的预测， 不如让你的力量产生一个足够强大的现实扭曲力场。

学习资料补充~

复杂性科学是采用大数据、人工智能、复杂网络、统计物理等多学科交叉综合的方法，研究各类复杂系统（包括互联网、社会经济系统、生命生态系统、脑与认知系统、物理化学系统等）的一门新兴学科。

我们应该学习复杂性科学。复杂性科学是采用跨学科的手段，研究不同复杂系统之中共有的涌现行为和统一性规律，帮助我们寻找不确定世界背后的确定性，从复杂到简单，从无序到有序，从走入混沌到走出混沌。

那么，我们应该如何学习复杂性科学呢？复杂性科学如何提高我们的思维认知，帮助我们领先别人半步，了解世界的真相呢？

芒格学院你精心挑选了复杂性科学领域的科普、教材、专著读物，共 20 本，补全你的复杂性科学知识地图！ 带你走进复杂性科学，为你展示复杂系统的演化与升级。

复杂性科学入门+进阶书单，带你深入复杂性研究领域

书目一览：

1. 《复杂：一门诞生于秩序与混沌边缘的学科》
2. 《复杂》
3. 《规模：复杂世界的简单法则》
4. 《隐秩序：适应性造就复杂性》
5. 《链接：商业、科学与生活的新思维》
6. 《宇宙为家》
7. 《从存在到演化》
8. 《预知社会 : 群体行为的内在法则》
9. 《失控 : 全人类的最终命运和结局》
10. 《哥德尔、艾舍尔、巴赫：集异璧之大成 》
11. 《系统科学》
12. 《网络，群体与市场》
13. 《网络科学引论》
14. 《从抛物线谈起》
15. 《热力学与统计物理》
16. 《复杂性与临界现象》
17. 《信息论基础》
18. 《非线性动力学与混沌》
19. 《社会和生态科学的复杂性和韧性》
20. 《A New Kind of Science》

愿你在探索智慧的路上走得更远~

类比是思维的火花 ——佚名

一个温暖的午后，我正在郊外散步，突然，不远处一片环绕着白色装饰性栅栏的菜地吸引了我，我走近细心地观察，这片菜园被整齐分割为几大块，每块地被低矮的篱笆分隔开来，里面栽种着各式新鲜的蔬菜，透露着田园自然之美。

我一边看着这些栅栏，一边琢磨起思维模型来，不禁开始联想：

菜地的每小块如同一个知识领域，第一块心理学，第二块是物理学，靠里面是生物学，边上是经济学……等等。篱笆之间的路径可以看成学科之间的交叉部分，正如美味的菜肴需要摘取不同的蔬菜搭配一样，复杂世界的问题也需要将不同学科的基本模型组合起来思考，才能找到更好的解决方案。

为了追求更宽广的视角，一个爱思考的人会从每个学科中摘取最出色的思维模型，然后这些重要的模型相互借鉴，产生融会贯通的理解。在跨学科的道路上不断前进，就会逐步掌握普世智慧，反之，固执于某一学科的人，即便能够成功，也只是昙花一现而已。

真正的学习和持续的成功属于那些首先构建出格栅思维模式，然后运用整体性、多样性的方式思考的人。

当我们漫步格栅思维的花园时，往往会经历三个典型学习阶段：

第一阶段、努力学习最基本技能，包括快速阅读、数学、写作和记忆的方法等等。
第二阶段、系统学习各大学科的重要理论，获得知识的基本框架。
第三阶段、探索不同学科知识之间的联系，从现实问题出发养成跨学科的思考习惯。

从第二阶段开始，一个人就正式踏上了跨学科学习之旅，从各个学科中汲取知识，看上去是个难以完成的任务。幸运的是，你无需成为每个领域的专家。你只需要学习基本的原理—— 芒格称之为“最了不起的思想”，你要真正的掌握它们，让它们成为你思维里随时可以调用的工具。

难点在于第三阶段的学习

通过整合不同学科的思维模型建立起的思维格栅理论框架，刚开始，你需要改变以往的惯性思维方式，投入更多的耐心和精力去面对问题。

幸运的是，我们的大脑神经结构擅长于联结新事物，大脑有一种本能，喜欢把相关的联结串接成环，并将所学习的知识转移到相似的情境中去，这就是模式迁移，在学习的过程中不断运用类比思维，是提升联结不同领域能力的高效方式，本质上，智慧可以理解成一个人能够学习和掌握更多这种联结的能力。

类比思维及其益处

在学习中，我们常常通过与一个熟知的概念做比较来理解新概念，类比作为新旧知识之间的桥梁，传递着思想，往往也创造着新思想，格栅思维本身也是一种美妙的比喻，将复杂多元思维与生活中熟悉的格栅联系在一起，简单易懂。

类似地，如果我们在学习中不断运用类比去寻找知识的关联，无形中会加快学习速度，当养成这种思维习惯，你会经常感受到一加一大于二的思维体验，思维的深度和广度会如同临界物质一样爆炸性成长。

我们用查理芒格的一段话做一个总结。在回答斯坦福的学生关于学习格栅思维的方式提问时，他说道：

“普世智慧是非常、非常简单的。有一些相应的准则和真正的大智慧，在寻找它们的时候很有趣。重要的是，这种乐趣不会终止。更重要的是，我们从中可以获得很多世俗的财富，我已经尝试过了。”

类比思维正是探索普世智慧一把金钥匙，是构建多样性思维的有力工具。

—— end ——

愿你在探索智慧的路上走得更远。