找到一件自己覺得有用的事情長期堅持下去，重復練習并進行階段性強化，就好比滾雪球一樣，在未來的某一天，我們終將收獲成果。

一、線性算法

一開始人的內(nèi)部有個會自學習的自適應學習算法，可以認為是底層基因的植入。是一種可以學習改良自身算法的算法。繞一點說也是能學習怎么學習的一種能力。

生下來后的嬰兒階段，算法庫里沒有任何數(shù)據(jù)與模型參數(shù)。嬰兒生下來后的一聲哭啼，開啟了信息采集的步伐。父母的喜悅笑聲、家里人的家常對話，一組組信息源形成的訓練集輸入了嬰兒冷啟動的簡易模型。

這個模型或許一開始是線性的。有人指著他爸爸說“爸爸”，他就把這個男人的圖片標記為“爸爸”這個標簽。對應的慢慢知道了有“媽媽”、“飯飯”、“狗狗”、“貓貓”等等圖像。當然少不了一開始圖像識別的算法存在準確率的問題，有時會把爸爸叫做“媽媽”，把狗狗叫成“貓貓”，這時候大人往往會及時糾正。這相當開始有了監(jiān)督標簽，給你的判斷算法糾錯。

隨著測試數(shù)據(jù)的實驗的逐步增加，只要有圖像，然后外界告訴他這個圖像對應的標簽。那慢慢地，小孩就形成了對周圍能接觸到的足夠多次的物品的認知。開始擁有了自己的數(shù)據(jù)庫，這里的東西叫做信息；

這時候的算法是一條線，事物是一對一的。單純而簡約。

二、非線性算法

慢慢地，小孩從認識物品，開始走向了認識事物間的聯(lián)系的過程。知道餓了要喝奶，這是一個覓食的動作；知道爸爸可以抱你，給你帶來安全感；知道按下家里的各種開關(guān)，燈會亮、風扇會開、電視會有影像等等。這時候事物不再是獨立的，兩個或者多個事物是通過一定媒介可以互動關(guān)聯(lián)起來。關(guān)系可以是線性的，也可以是各種非線性的響應。這是在原有數(shù)據(jù)庫獨立點間建立一定的數(shù)據(jù)連接方式。

這時候，底層的元認知慢慢迭代算法模型以適應外界信息的輸入與輸出。這個階段的不再只關(guān)注信息的輸入，而更趨向于在意信息輸入后與現(xiàn)有知識體系認識建立關(guān)聯(lián)。

對于無法關(guān)聯(lián)的，甚至會重新開辟一個空間，給這部分信息慢慢積累內(nèi)容與關(guān)聯(lián)。這類似之前一直待在房子內(nèi)沒出去過的孩子只認識房間內(nèi)的場景。第一次走出家門后，路上跑的汽車、天上飛的小鳥、水里游的小魚，這一切都在自己原有體系中找不到對應映射分類、或者可以關(guān)聯(lián)的東西。于是乎只能建立一個新的空間叫“外面的世界”，并把這些東西放進去。

在自己的認知庫里找到位置給這些事物合適的位置放，再從現(xiàn)有的其他概念中引條線把概念“綁住”，與現(xiàn)有概念綁地越緊固，這個新東西才會內(nèi)化為自己的一部分。這就是為什么“聯(lián)想”在學習中非常重要，這就是為什么學一樣新東西需要多用多想。在用于想中，實際上就是引出更多的線將新事物一層層綁緊在自己的認知架構(gòu)上。

這時候的算法，是一個平面網(wǎng)。網(wǎng)上各種點用錯綜復雜的關(guān)系鏈及權(quán)重連接起來。人的世界觀倒不如說是一個世界網(wǎng)，網(wǎng)上有或粗或細、或直或曲的線。而人在迭代過程更多的是自己去調(diào)節(jié)各個鏈接之間的權(quán)重關(guān)系，以達到外界的輸入與結(jié)果，符合自我的預期，從而對下一時刻的人生做出合適的預判。

三、高階算法

更高階的算法，不單純是上面一直說的調(diào)整鏈接的過程。要從信息獲取、數(shù)據(jù)儲存、算法自適應乃至調(diào)整底層認知方面優(yōu)化。

• 儲存數(shù)據(jù)的方式對不對，是否有可以優(yōu)化的數(shù)據(jù)結(jié)構(gòu)
• 表之間數(shù)據(jù)連接是否高效簡潔，可以優(yōu)化處理數(shù)據(jù)的邏輯效率
• 信息提取后算法是否準確，對外界的判斷、執(zhí)行以及反饋是否符合預期。
• 算法能否自我學習……

除了基礎(chǔ)的調(diào)整，更重要的是自我學習？這里的自我學習并不是說自己不學習了，就能自動地進化?；孟氩还ぷ骶湍艿玫焦ぷ鹘?jīng)驗的想法是不可能存在的。這里說的自我學習，是指學習如何學習的能力。

誠然，我們很多人的學習方式可能就只有一種方式。就如那個網(wǎng)，點與點的學習可能都是直直一條線過去，整個網(wǎng)絡錯落著無數(shù)直線。而牛人的學習方法各種各樣，有直線、有指數(shù)函數(shù)、有正弦余弦函數(shù)、有的點之間的連接還可能是多種函數(shù)組合，或者直接是一個龐大的神經(jīng)網(wǎng)絡。更上一層的人網(wǎng)絡是立體的，思維上的升維使得思維空間極大地擴展了。

如此繁亂的算法模式，對應不同的場景該如何選？這就是自學習的高級之處。類似機器學習，會自主挖掘在海量的數(shù)據(jù)下的事物規(guī)律，但要他給個顯示映射的解釋出來，又貌似給不出。非解釋性，似乎是機器學習更深層次的劣勢，還是優(yōu)勢？所謂劣勢是因為人類需要有個“更科學”的解釋，也是需要有顯示具象的映射，沒有這一層又讓人似乎心有不安。而說優(yōu)勢，是因為可表現(xiàn)解釋的東西似乎已經(jīng)已經(jīng)被舊技術(shù)占領(lǐng)，而關(guān)鍵是可解釋性已經(jīng)是他們性能的極限了。因而需要非解釋性的東西摻和進來。

這樣的自主特性像不像平時說的：經(jīng)驗，或者說是知覺！在大量的經(jīng)歷中積累經(jīng)驗后，根據(jù)經(jīng)驗選擇適當?shù)姆绞健６覍τ谝恍┙?jīng)驗豐富的人，你叫他有個明確的解釋，也不一定能完整描述。這就類似機器學習下大量的數(shù)據(jù)導入以及訓練后得出的一定程度不可解釋性的預測過程一樣。

越高階的人，其經(jīng)驗越像是一門玄學，道理一樣。

四、總

人生就是一個在不斷學習如何學習的過程。人生就是一個外界進行信息輸入后，人通過自己算法后給出響應的過程。人自身的算法的優(yōu)劣直接關(guān)系一生的質(zhì)量。你可以自己調(diào)整參數(shù)、學習新的算法模型、乃至經(jīng)歷足夠多的事與嘗試做更多的思考，使得自己的深度學習算法從底層幫你自主學習與迭代。

思考必不可少，但對大多數(shù)普通人來說，除了思考更重要地是在經(jīng)歷中迭代自己的思考模型、更替自己的元認知。而人的最重要優(yōu)勢，無非就是核心算法。當算法迭代到足夠優(yōu)的時候，只要重復不同的做輸出與調(diào)校，成就就只是時間的問題。

找一件自己能堅持覺得有用的事情堅持下去，重復堅持強化。如果我們不能在人生方方面面的算法都迭代得很好，那選擇一個領(lǐng)域重點迭代無意說是最好的選擇。類似滾雪球，終有一天，我們將看到結(jié)果。

作者：way菜畦

來源：https://www.jianshu.com/p/6231d5884d99

本文由 @way菜畦 授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議