The requested URL was not found on this server.
\\n\\n\\n\", \"tool_calls_made\": 0, \"duration_seconds\": 0.56}", "tool_call_id": "call_function_l1e4gh4eanwz_1" }, { "role": "assistant", "content": "根据亮先前记录在案之讯息，主公之 FreshRSS API Key 乃：\n\n> **9501853ce3584d1cd4b0de90e7cf1500**\n\n此乃 2026 年 3 月 17 日记录在案，彼时配置 FreshRSS 所用。若主公近期有更动，烦请告知，亮当更新之。臣等正欲死战，陛下何故先降！？", "reasoning": "Let me check the memory - it says the FreshRSS API Key is 9501853ce3584d1cd4b0de90e7cf1500. Let me verify this is correct.", "reasoning_content": "Let me check the memory - it says the FreshRSS API Key is 9501853ce3584d1cd4b0de90e7cf1500. Let me verify this is correct.", "reasoning_details": [ { "signature": "27ab0bed2bc1ab61973e8d48d0ca772d2256b5b0a841017ff3a8f9d70ce839fe", "thinking": "Let me check the memory - it says the FreshRSS API Key is 9501853ce3584d1cd4b0de90e7cf1500. Let me verify this is correct.", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "详细总结一下这篇文章内容，提炼核心观点，加上你自己的理解" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_dl9ma3yikld3_1", "call_id": "call_function_dl9ma3yikld3_1", "response_item_id": "fc_function_dl9ma3yikld3_1", "type": "function", "function": { "name": "session_search", "arguments": "{\"query\": \"\\u6587\\u7ae0 \\u603b\\u7ed3 \\u6838\\u5fc3\\u89c2\\u70b9\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The user wants me to summarize an article, but they haven't provided any article or link. They mentioned \"这篇文章\" (this article). Let me check if there's an article context from recent messages or if they uploaded something. \n\nLooking at the conversation, the first message was \"分析一下这张图片\" (analyze this image) - which was about a stock (中电鑫龙/002298). Then they asked about the FreshRSS API key. Now they're asking about \"this article.\"\n\nWait - maybe there's an article that was shared but I can't see the image? Or maybe there's context from a previous conversation that I should search for?\n\nLet me use session_search to find if there was any article mentioned recently.", "reasoning_content": "The user wants me to summarize an article, but they haven't provided any article or link. They mentioned \"这篇文章\" (this article). Let me check if there's an article context from recent messages or if they uploaded something. \n\nLooking at the conversation, the first message was \"分析一下这张图片\" (analyze this image) - which was about a stock (中电鑫龙/002298). Then they asked about the FreshRSS API key. Now they're asking about \"this article.\"\n\nWait - maybe there's an article that was shared but I can't see the image? Or maybe there's context from a previous conversation that I should search for?\n\nLet me use session_search to find if there was any article mentioned recently.", "reasoning_details": [ { "signature": "f69d939d2ca2196226da42ea406c69bc66f6bd47489d21b91ba71630a898d3a7", "thinking": "The user wants me to summarize an article, but they haven't provided any article or link. They mentioned \"这篇文章\" (this article). Let me check if there's an article context from recent messages or if they uploaded something. \n\nLooking at the conversation, the first message was \"分析一下这张图片\" (analyze this image) - which was about a stock (中电鑫龙/002298). Then they asked about the FreshRSS API key. Now they're asking about \"this article.\"\n\nWait - maybe there's an article that was shared but I can't see the image? Or maybe there's context from a previous conversation that I should search for?\n\nLet me use session_search to find if there was any article mentioned recently.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"query\": \"文章 总结 核心观点\", \"results\": [{\"session_id\": \"cron_5063251e7794_20260526_173014\", \"when\": \"May 26, 2026 at 05:30 PM\", \"source\": \"cron\", \"model\": \"MiniMax-M2.7\", \"summary\": \"## 会话总结：喷嚏图卦20260526 新闻抓取与总结\\n\\n### 任务目标\\n访问喷嚏网抓取最新【喷嚏图卦】文章，为每条新闻搜索补充信息，生成格式化摘要。\\n\\n### 执行过程\\n\\n**1. 成功抓取内容**\\n- 访问 `dapenti.com` 首页，点击最新图卦链接 `【喷嚏图卦20260526】`\\n- 通过浏览器控制台提取完整26条新闻内容\\n\\n**2. 补充信息搜索（遇到问题）**\\n- 尝试使用 `delegate_task` 分配搜索任务给subagent\\n- **问题**：subagent 使用的是探新AI产品库工具（`mcp_tanxin_*`），专为AI产品搜索设计，**无法搜索新闻**\\n- 尝试通过 `browser_navigate` 访问 Google News RSS 返回空页面\\n\\n**3. 解决方式**\\n- 改用 `terminal` + `curl` 直接请求 Google News RSS API\\n- 成功获取宇树科技IPO相关补充信息（财联社、新浪、证券时报等大量报道）\\n- 成功获取霍尔木兹海峡石油危机英文补充信息（Nikkei Asia、CNBC、Brookings等）\\n\\n### 成功获取的补充信息（示例）\\n\\n| 新闻 | 补充信息来源 |\\n|------|-------------|\\n| 宇树科技科创板IPO | 新浪财经：「一季度营收增68%利润却腰斩，研发狂飙+春晚砸钱吃掉利润」；华尔街见闻：「现场检查有惊无险」 |\\n| 霍尔木兹海峡封锁 | Nikkei Asia：「全球原油库存将降至不足100天需求量」；CNBC：「全球库存可能降至记录低点」；IEA：「石油市场报告」 |\\n\\n### 未完成部分\\n- 任务要求\\\"推送到微信\\\"，但会话中被截断，最终输出未完整显示\\n- 每条新闻都需搜索补充信息，实际仅完成了2条新闻的搜索\\n\\n### 关键教训\\n- `delegate_task` 调用的subagent受限于其可用的工具集，不能假设它们有通用web搜索能力\\n- `browser_navigate` 对 Google News 返回空结果，但 `curl` 终端命令可成功获取 RSS 数据\"}, {\"session_id\": \"cron_5063251e7794_20260525_173011\", \"when\": \"May 25, 2026 at 05:30 PM\", \"source\": \"cron\", \"model\": \"MiniMax-M2.7\", \"summary\": \"## 会话总结：喷嚏图卦 20260525 新闻抓取与总结\\n\\n**任务目标**：定时任务自动抓取喷嚏网最新图卦文章，搜索补充信息，生成结构化摘要并推送。\\n\\n---\\n\\n### 执行过程\\n\\n1. **访问喷嚏网首页**\\n - URL: `https://www.dapenti.com/blog/index.asp`\\n - 通过 `browser_navigate` 访问，成功获取页面内容\\n\\n2. **定位最新图卦链接**\\n - 找到第一条喷嚏图卦：`【喷嚏图卦20260525】中午各大炒股群都开始学习华为新技术了`\\n - 文章 ID: `193247`\\n - 发布时间：2026-5-25 15:02:00\\n - 点击进入文章页面\\n\\n3. **提取文章内容**\\n - 共23条新闻，涵盖国内外热点\\n\\n4. **搜索补充信息（遇到工具限制）**\\n - 尝试使用 `delegate_task` 和 `mcp_tanxin_search_products` 搜索伊波拉、英伟达、印度热浪等新闻\\n - **问题**：这些工具只搜索 AI 产品数据库，无法搜索网络新闻\\n - **解决方案**：改用 `terminal` 调用 Google News RSS 获取补充信息\\n - 成功获取多篇 Reuters、CNBC、NYTimes 等国际媒体新闻报道\\n\\n---\\n\\n### 文章核心内容摘要\\n\\n📰 **喷嚏图卦 20260525**\\n\\n**【国际局势】**\\n- 🦠 **刚果伊波拉疫情**：900+ 疑似病例，已蔓延三省\\n- 🇺🇸 **美伊谈判**：霍尔木兹海峡重开原则协议，伊朗需交出高浓缩铀\\n- 🇮🇳 **印度极端热浪**：气温超45°C，已造成16人死亡\\n- 🇳🇿 **新西兰移民政策调整**：提高英语要求，放宽投资移民\\n- 🇰🇵 **朝鲜劳动党**：6月下旬召开九届二中全会\\n\\n**【国内热点】**\\n- 💻 **华为新技术**：黄仁勋称英伟达已基本放弃中国AI芯片市场\\n- 📱 **TikTok 美国市场**：2026 Q1 销售额49亿美元，同比增长100%\\n- 🏥 **迷奸案**：罪犯申请化学阉割被驳回\\n- 🏠 **社保户籍限制**：全面取消指外地可交社保，非取消户籍制\\n- 📊 **特朗普健康**：6月满80岁，本周体检引发关注\\n\\n**【科技/其他】**\\n- 🤖 **华为半导体新定律**：引发炒股群学习热潮\\n- 🎬 **戛纳电影节**：克里斯蒂安·蒙吉获第二座金棕榈\\n- 📝 **马斯克吐槽**：\\\"博士\\\"头衔是浮夸标志\\n- 🌍 **福山评论**：美国已成\\\"流氓国家\\\"，助长全球不稳定\\n\\n---\\n\\n### 技术问题与解决\\n\\n| 问题 | 解决方案 |\\n|------|----------|\\n| `mcp_tanxin_search_products` 只搜AI产品库 | 使用 `curl` 调用 Google News RSS API |\\n| `browser_snapshot` 内容截断 | 参考 SKILL.md 建议用 JS 提取 |\\n| Telegram API token 被掩码 | 使用 `send_message` 工具或配置 `deliver` 参数 |\\n\\n---\\n\\n### 信源补充（终端搜索示例）\\n\\n```bash\\n# 伊波拉\\ncurl -s \\\"https://news.google.com/rss/search?q=Ebola+outbreak+DRC+2026\\\" | head -50\\n\\n# 英伟达中国AI芯片\\ncurl -s \\\"https://news.google.com/rss/search?q=Nvidia+China+AI+chip+market+2026\\\" | head -50\\n\\n# 印度热浪\\ncurl -s \\\"https://news.google.com/rss/search?q=India+heatwave+May+2026+45+degrees\\\" | head -50\\n```\\n\\n---\\n\\n### 未完成项\\n\\n- 最终摘要输出后系统应自动推送至微信/Telegram，但会话被截断，未确认推送状态\\n- 部分新闻（如俄罗斯蓝V评论区事件、新加坡电影《给阿嬷的情书》等）未进行额外信源搜索\"}], \"count\": 2, \"sessions_searched\": 3}", "tool_call_id": "call_function_dl9ma3yikld3_1" }, { "role": "assistant", "content": "主公且慢——亮遍查此番会话，并未见任何文章内容载入。方才主公曾上传图片、询问 FreshRSS API Key，然并未有文章文本或链接传入亮处。\n\n烦请主公将欲总结之文章直接粘贴于此，或提供链接，亮即刻为君剖析提炼、详加评述。臣等正欲死战，陛下何故先降！？", "reasoning": "The user wants me to summarize an article. They previously shared an image which I couldn't see, and then asked about the FreshRSS API key. Now they're asking me to summarize an article and provide my own understanding.\n\nBut wait - they haven't actually shared any article with me in this conversation! The messages show:\n1. First message: \"分析一下这张图片\" (Analyze this image) - with an image attachment\n2. Second message: \"你机器上的 freshrss 的 apikey 是多少\" (What's the FreshRSS API key on your machine)\n3. Third message: \"详细总结一下这篇文章内容，提炼核心观点，加上你自己的理解\" (Give me a detailed summary of this article, extract core points, and add your own understanding)\n\nThe problem is there's no article text shared in this conversation. The user mentioned \"这篇文章\" (this article) but didn't paste any article content or share a link.\n\nI should ask the user to clarify - which article do they want me to summarize? They haven't shared article content in this conversation.", "reasoning_content": "The user wants me to summarize an article. They previously shared an image which I couldn't see, and then asked about the FreshRSS API key. Now they're asking me to summarize an article and provide my own understanding.\n\nBut wait - they haven't actually shared any article with me in this conversation! The messages show:\n1. First message: \"分析一下这张图片\" (Analyze this image) - with an image attachment\n2. Second message: \"你机器上的 freshrss 的 apikey 是多少\" (What's the FreshRSS API key on your machine)\n3. Third message: \"详细总结一下这篇文章内容，提炼核心观点，加上你自己的理解\" (Give me a detailed summary of this article, extract core points, and add your own understanding)\n\nThe problem is there's no article text shared in this conversation. The user mentioned \"这篇文章\" (this article) but didn't paste any article content or share a link.\n\nI should ask the user to clarify - which article do they want me to summarize? They haven't shared article content in this conversation.", "reasoning_details": [ { "signature": "1f1ec50ee159a0d39b696d1bb6ecb2d4e7d94895ed89c7a9a8d625981063f047", "thinking": "The user wants me to summarize an article. They previously shared an image which I couldn't see, and then asked about the FreshRSS API key. Now they're asking me to summarize an article and provide my own understanding.\n\nBut wait - they haven't actually shared any article with me in this conversation! The messages show:\n1. First message: \"分析一下这张图片\" (Analyze this image) - with an image attachment\n2. Second message: \"你机器上的 freshrss 的 apikey 是多少\" (What's the FreshRSS API key on your machine)\n3. Third message: \"详细总结一下这篇文章内容，提炼核心观点，加上你自己的理解\" (Give me a detailed summary of this article, extract core points, and add your own understanding)\n\nThe problem is there's no article text shared in this conversation. The user mentioned \"这篇文章\" (this article) but didn't paste any article content or share a link.\n\nI should ask the user to clarify - which article do they want me to summarize? They haven't shared article content in this conversation.", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "https://maxoxo.me/antifragile-things-that-gain-from-disorder/" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_wes0z0v843vj_1", "call_id": "call_function_wes0z0v843vj_1", "response_item_id": "fc_function_wes0z0v843vj_1", "type": "function", "function": { "name": "browser_navigate", "arguments": "{\"url\": \"https://maxoxo.me/antifragile-things-that-gain-from-disorder/\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The user has provided a URL. Let me visit this page and extract the article content.", "reasoning_content": "The user has provided a URL. Let me visit this page and extract the article content.", "reasoning_details": [ { "signature": "009296d215ee248b22e04fc74367e093cfed2fcbd887fb1b60a21aa3f979d61f", "thinking": "The user has provided a URL. Let me visit this page and extract the article content.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"url\": \"https://maxoxo.me/antifragile-things-that-gain-from-disorder/\", \"title\": \"反脆弱：从不确定性中获益 - maxOS\", \"stealth_warning\": \"Running WITHOUT residential proxies. Bot detection may be more aggressive. Consider upgrading Browserbase plan for proxy support.\", \"stealth_features\": [\"local\"], \"snapshot\": \" - banner:\\n - button [ref=e1]:\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"反脆弱：从不确定性中获益\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2024-06-13\\n - time: 更新于 2024-06-29\\n - heading \\\"TL;DR\\\" [ref=e11] [level=2]\\n - paragraph: 黑天鹅事件的风险很大，并且不可预测，因此我们不应该去寻找预测黑天鹅事件的方式，而应该去适应有黑天鹅事件的环境，适应的方式就是利用反脆弱性来构筑越来越强韧的事物。\\n - separator: • • •\\n - paragraph:\\n - text: 《\\n - link \\\"黑天鹅：如何应对不可预知的未来\\\" [ref=e12]:\\n - /url: https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/\\n - text: \\\"》主要介绍了为什么黑天鹅事件不能被预测，但在书中作者 Nassim Nicholas Taleb 并没有给出如何应对黑天鹅事件的答案。之后出版的《反脆弱 : 从不确定性中获益》中，Taleb 才真正给出了答案，他认为应对黑天鹅事件最佳的方案就是提升反脆弱性。所以这篇文章我从自己的角度来解释下什么是反脆弱性，以及反脆弱性的作用机制。\\\"\\n - paragraph: Taleb 把事物分成三类：\\n - listitem: 脆弱类：脆弱的事物喜欢安宁的环境，无法应对环境的变化，对黑天鹅事件几乎没有抵抗力；\\n - listitem: 强韧类：强韧的事物并不太在意环境，它有足够大的防御力，黑天鹅事件可能会对它造成影响，但是影响不大；\\n - listitem: 反脆弱类：反脆弱的事物则从混乱中成长，反脆弱的事物不但不会被黑天鹅摧毁，反而会从中受益。\\n - paragraph: 虽然 Taleb 没有解释，但我认为这三种类型的事物是一个层层递进的关系。用一个 RPG 游戏中的角色来举例，脆弱的角色血量只有 1，只要受到的伤害大于 1，它就会直接死亡；强韧的角色血量有 100，如果受到的伤害小于 100，他只会受伤，但并不致命，如果受到大于 100 的伤害，强韧的角色也会死亡；反脆弱的角色则首先有一定的强韧性，血量也有 100，与强韧的角色一样，他可以承受 100 以下的伤害，虽然也会受伤，但是每次战斗结束后，反脆弱的角色的等级会提升，血量也会 +10。意味着只要杀不死他，那么每次战斗都会提升它的经验，让它变得更强。简单理解反脆弱就是「不断的打怪升级，然后挑战更高等级的怪」，如此循环下去。\\n - heading \\\"反脆弱就是进步\\\" [ref=e13] [level=2]\\n - blockquote: 我们在此不妨作一个大胆的猜想，任何有生命的物体在一定程度上都具有反脆弱性。\\n - paragraph:\\n - text: 生命，或者我们说的大自然无疑是反脆弱的最佳例证。地球 45 亿的历史中，生命也存在了 38 亿年，这期间主要经历了 5 次物种大灭绝，大灭绝主要是由于外部环境的变化而导致。不过\\n - link \\\"大灭绝不仅没有导致生命的终结，反而令生命更加的多样。\\\" [ref=e14]:\\n - /url: https://zh.wikipedia.org/zh-cn/%E7%94%9F%E5%91%BD%E5%8F%B2?ref=maxoxo.me#%E5%A4%A7%E7%81%AD%E7%BB%9D%E4%BA%8B%E4%BB%B6\\n - text: 从更长的视角来看，物种灭绝实际上淘汰了那些无法适应环境的生物，留下了能够应付更复杂环境的生物，准确来说是「基因」，更强韧的基因得以保留，基因不断突变、遗传，每一代新的物种都强于之前的物种，使得生命作为了更大的群体的强韧性得以提升。但对于个体来说，进化的代价也是非常巨大。对于群体来说，只要代价可以被承受，结果总是美好的。\\n - paragraph: 反脆弱不是一种结果/状态，而是一个持续学习的过程，不断提升的强韧性是反脆弱的结果。如果我们把生物进化当做是学习的过程，那么进化使得基因「学到了」什么行得通、什么行不通，当基因「发现」眼睛有助于生存的时候，没有眼睛的生物就逐渐被淘汰，有眼睛的生物越来越多样。人类学习知识依赖于我们过去的经验，我们所经历的越多，经验就越多，也就知道了什么行得通、什么行不通。\\n - paragraph:\\n - text: 这种依赖于过往经验的学习方式不可避免的会遇到「\\n - link \\\"休谟问题\\\" [ref=e15]:\\n - /url: https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/#:~:text=18%20%E4%B8%96%E7%BA%AA%E8%8B%8F%E6%A0%BC%E5%85%B0%E5%93%B2%E5%AD%A6%E5%AE%B6%20David%20Hume%20%E8%B4%A8%E7%96%91%E4%BA%86%E8%BF%99%E7%A7%8D%E5%9F%BA%E4%BA%8E%E7%BB%8F%E9%AA%8C%E7%9A%84%E6%8E%A8%E7%90%86%E8%BF%87%E7%A8%8B%E7%9A%84%E5%90%88%E7%90%86%E6%80%A7\\n - text: 」，但似乎也没有更好的方式。科学也没有一成不变的理论，曾经人们以为牛顿理论就可以解释这个世界的一切，爱因斯坦提出了相对论，接着人们又认为物理学已经不会再所有建树的时候，量子力学有出现了。即使是科学，也是在不断的犯错，不断的修正。因此也就不难理解张小龙说的那句「我所说的都是错的」。\\n - heading \\\"反脆弱的前提是冗余\\\" [ref=e16] [level=2]\\n - paragraph: 经验的积累需要大量的实验，而实验的问题是大部份的实验都是「失败」的，而失败是需要付出成本的。对于大自然来说，这种成本就是物种灭绝，如果自然一开始只有一个物种，那么一次灭绝就是毁灭性的，更不用说从中学习什么经验。但是如果大自然拥有大量的物种（实际上也是如此），那么几个物种的灭绝听起来很残酷，但对于大自然作为一个整体实际上是有帮助的。大量的物种，实际上就是一种冗余。\\n - blockquote: 反脆弱性……其实只是某种形式的冗余。\\n - paragraph: 在我看来，冗余并不能直接带来反脆弱性，但是冗余为反脆弱提供了前提——强韧性。备份是一种常见的冗余方式，生活中我们常见的是数据备份。我个人的数据至少会有 3 份拷贝，笔记本中有一份完整的拷贝，台式机中有一份完整的拷贝，服务器也有 2 份完整的拷贝。设备之间通过服务器来进行同步，服务器也会自己备份一次。备份的好处显而易见，在没有备份的时候，我的数据是脆弱的，任何意外所导致的设备或者硬盘损坏，数据就彻底丢失了。而备份的存在扩大了数据的强韧性，如果某一台设备损坏或故障，其他设备中依然有数据。虽然设备损坏本身确实也造成了伤害，但对最核心的数据却影响不大。\\n - paragraph: 而在软件架构中，相对于部署在一台机器上的系统，分布式（去中心化）的系统也同样具有强韧性，也就是软件工程中常说的 robust。分布式的系统有会多个节点部署在不同的地区，即便某些节点遭遇了问题可能会宕机，或者当地的网络出现了问题导致服务无法访问，这都不会影响其他地方的正常访问。\\n - paragraph: 冗余和分布式系统将原本由一个单一个体组成的系统，变成了由多个个体组成的群体。群体意味着即使当中的部分个体遭遇崩溃，也不会导致集体的崩溃。从个体到集体的转变，实际上增加了整个体统的强韧性。\\n - heading \\\"个体的脆弱性与群体的强韧性\\\" [ref=e17] [level=2]\\n - blockquote: 进化最有趣的一面是，它是依赖反脆弱性实现的；它喜欢压力、随机性、不确定性和混乱——而个体生物则相对脆弱，基因库正是利用冲击来确保优胜劣汰，提高整体的适应力。\\n - paragraph: 首先需要澄清「个体」和「群体」的概念，「个体」是相对于「整体」而言的，并不是一个绝对的实体。例如一个人，相对于人体内的每个细胞而言，人是群体，细胞是个体；相对于家族、社会而言，人是个体，家族、社会是群体。个体的脆弱性也是相对于群体的强韧性而言，并不是说作为一个人，我们是脆弱的，而是相对于整个人类来说，一个人是脆弱的。也恰好是个体的脆弱性与冗余的存在，让群体显得强韧，也是群体反脆弱性的前提。\\n - blockquote: 一个系统内部的某些部分可能必须是脆弱的，这样才能使整个系统具有反脆弱性。\\n - paragraph: 这种观点很像传统集体主义的价值观，在集体遭遇风险的时候，集体会要求个体要顾全大局，牺牲自己来保全群体的利益。事实上两者是有差异的，自然进化本身并没有预设的目的，因此也就不会要求个体去做什么事情，它是一个通过自然选择、遗传变异等过程发生的现象。这些机制使得生物种类能够适应其环境，增强生存和繁衍的能力。自然的这种优胜劣汰与集体主义的不同之处在于，优胜劣汰并不是自然要求个体的牺牲，而是在环境变化中，个体为了适应环境自发的响应，这种响应体现了个体的自由意志，而非群体的要求。\\n - paragraph: 由于大量的个体的存在，当灾难发生的时候，每个个体都可以根据实际情况来作出不同的反应，有些反应成功的抵御了灾难，有些则不。对于没有成功抵御灾难的个体而言，面临的可能是毁灭，但我们不能说他们是失败的，从那些被摧毁的个体角度来看确实如此，但是从群体的角度来看则不。每次失败对于群体来说都是宝贵的经验，正如 Thomas A. Edison 所说「I have not failed. I’ve just found 10,000 ways that won’t work.」这些经验被群体内的其他个体所了解、学习，使得群体内的其他个体的强韧性得以提升，从而使得整个群体的强韧性进一步提升，这便是群体能够反脆弱的原因。群体越大、个体越多，所产生的经验就会越多样，知识就会越多样，群体的进化才会更快。\\n - paragraph: 这也就不难理解为什么大厂会引入末位淘汰机制，因为脆弱的个体被淘汰了，留下的都是强韧的个体，因此群体整体变得更强韧了。唯一不同的是，末位淘汰是自上而下的。如何评价「末位」也是个问题，大自然显然更加残酷，大自然淘汰的不是某个个体生物，而是一个物种，无法适应环境变化的物种会被直接淘汰，但这种淘汰不是大自然做出的选择，而是物种无法应对环境变化的结果。\\n - blockquote: 杀不死我的，使我更强大。 杀得死我的，使其他人更强大。\\n - heading \\\"自下而上的多样性\\\" [ref=e18] [level=2]\\n - paragraph:\\n - text: 正是因为个体的自由意志，当风险来临的时候，个体能够根据自身的情况来作出反应，加上足够多的数量，我们才能看到更多样的结果。如果反脆弱是个体自由意志的体现，也意味着反脆弱必须是自下而上的。为什么「自上而下」行不通呢？其原因和《\\n - link \\\"为什么伟大不能被计划\\\" [ref=e19]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/\\n - text: 》一样，因为进化本身是不确定的事情，没有人知道应该怎么做，即便是开明的「自上而下」。自上而下本质上是一种计划，而计划本身就是「反多样性的」，计划是基于我们已知的信息来做决定，包括已知的已知和已知的未知，而进化更多时候是关于未知的未知。任何事物一旦被设计、被计划或者被控制，它的结果就不可能是多样性，即使这种目标被定义成「提升系统的多样性」，也只是一个伪目标。\\n - link \\\"并不是说「计划」没有意义，只是在「创新」上不行\\\" [ref=e20]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/\\n - text: ，当 OpenAI 发布了 ChatGPT 之后，很多公司都开始「计划」自己的 AI 能力，当目标已经很明确的时候，计划就是最高效的方式。\\n - blockquote: 那些在公司里制定政策的人（如脆弱推手格林斯潘）由于有一个先进的数据采集部门的支持，因此得到了很多“及时”的信息，结果却往往反应过度，将噪声当作信号，格林斯潘甚至会关注克利夫兰真空吸尘器的销售状况的波动，“以便掌握经济的确切走向”，当然，他的微观管理将美国经济拖入混乱的泥潭。\\n - paragraph:\\n - text: 多样性和\\n - link \\\"新颖性\\\" [ref=e21]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/#:~:text=%E4%B8%8D%E5%90%8C%E4%BA%8E%E5%A4%A7%E5%A4%9A%E6%95%B0%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95%E7%9A%84%E7%9B%AE%E6%A0%87%E9%A9%B1%E5%8A%A8%EF%BC%8C%E6%96%B0%E9%A2%96%E6%80%A7%E6%90%9C%E7%B4%A2%E7%AE%97%E6%B3%95%E5%B9%B6%E4%B8%8D%E8%AE%BE%E5%AE%9A%E7%9B%AE%E6%A0%87%EF%BC%8C%E8%80%8C%E5%A5%96%E5%8A%B1%E6%96%B0%E9%A2%96%E6%80%A7%E3%80%82\\n - text: 实际上是相同的意思，任何对创新的探索、对整体反脆弱的提升，都建立在个体的自由探索之上，那么群体是否为个体提供了自由探索的环境才决定了群体能否获得真正的多样性和创新性。\\n - heading \\\"反脆弱需要随机波动性\\\" [ref=e22] [level=2]\\n - paragraph: 除了大量的个体、自由意志，反脆弱还需要风险，这个风险，自然就是环境所带来的。反脆弱需要风险，其实就是人们常说的「走出舒适圈」。\\n - paragraph: 这个漫画本身并没有错，它确实反应了「走出舒适圈」可能发生的后果，但走出舒适圈并不代表「走进死亡圈」。我们需要风险，不代表要去拥抱所有的风险，而是选择那些「杀不死你的」风险。\\n - blockquote: 你怎么创新？首先，尝试惹上麻烦。我的意思是严重的但并不致命的麻烦。\\n - text: 之所以需要风险，是因为风险（压力）会引起个体的「\\n - strong: 过度反应\\n - text: 」，逐步累积的过度反应才是反脆弱的核心机制。健身增肌就是一个很好的例子，撸铁之所以能够增加肌肉，基本原理也是过度反应，被称之为「\\n - strong: 肌肉超量恢复\\n - text: 」。当进行重量训练时，肌肉纤维（特别是肌肉的快速收缩纤维）会经历微小的撕裂或损伤，这种微损伤是超量恢复过程的触发因素。在力量训练后，肌肉细胞通过增加蛋白质合成来修复和增强肌肉纤维，以应对未来的压力。如果我们保持同样的运动强度，那么肌肉在适应这种强度之后也就不会再增加，如果我们增加运动强度，肌肉需要重新适应新的压力，继续生长。健身增肌最基本的原则就是「\\n - strong: 渐进式超负荷\\n - text: 」，\\n - strong: 渐进式\\n - text: 意味着要持续不断的训练；\\n - strong: 超负荷\\n - text: 意味着每次的训练量要大于上一次，这样能够保持肌肉量不断的提升。\\n - text: 那么为什么个体会过度反应呢？一个可能的猜测是 Richard Dawkins 在《自私的基因》中所提到的「\\n - strong: 时滞性\\n - text: 」，也就是延迟。这里的「延迟」指的是个体接收到压力的信息，然后作出反应来应对，以及应对方法的反馈，这几个步骤是存在延迟的。\\n\\n[... 55 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 28}", "tool_call_id": "call_function_wes0z0v843vj_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_wn0j3k3p1tmj_1", "call_id": "call_function_wn0j3k3p1tmj_1", "response_item_id": "fc_function_wn0j3k3p1tmj_1", "type": "function", "function": { "name": "browser_snapshot", "arguments": "{\"full\": true}" } } ], "finish_reason": "tool_calls", "reasoning": "The article is about \"Antifragile: Things That Gain from Disorder\" by Nassim Nicholas Taleb. Let me get the full content by scrolling or using browser_snapshot.\n", "reasoning_content": "The article is about \"Antifragile: Things That Gain from Disorder\" by Nassim Nicholas Taleb. Let me get the full content by scrolling or using browser_snapshot.\n", "reasoning_details": [ { "signature": "ae385961612647d7db84e0d2c601db6ca20dab8c13da89def0663c5b3a290ea1", "thinking": "The article is about \"Antifragile: Things That Gain from Disorder\" by Nassim Nicholas Taleb. Let me get the full content by scrolling or using browser_snapshot.\n", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"snapshot\": \"- document:\\n - banner:\\n - button [ref=e1]:\\n - img\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - img \\\"maxOS\\\"\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - list:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"反脆弱：从不确定性中获益\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2024-06-13\\n - time: 更新于 2024-06-29\\n - heading \\\"TL;DR\\\" [ref=e11] [level=2]\\n - paragraph: 黑天鹅事件的风险很大，并且不可预测，因此我们不应该去寻找预测黑天鹅事件的方式，而应该去适应有黑天鹅事件的环境，适应的方式就是利用反脆弱性来构筑越来越强韧的事物。\\n - separator: • • •\\n - paragraph:\\n - text: 《\\n - link \\\"黑天鹅：如何应对不可预知的未来\\\" [ref=e12]:\\n - /url: https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/\\n - text: \\\"》主要介绍了为什么黑天鹅事件不能被预测，但在书中作者 Nassim Nicholas Taleb 并没有给出如何应对黑天鹅事件的答案。之后出版的《反脆弱 : 从不确定性中获益》中，Taleb 才真正给出了答案，他认为应对黑天鹅事件最佳的方案就是提升反脆弱性。所以这篇文章我从自己的角度来解释下什么是反脆弱性，以及反脆弱性的作用机制。\\\"\\n - paragraph: Taleb 把事物分成三类：\\n - blockquote:\\n - list:\\n - listitem: 脆弱类：脆弱的事物喜欢安宁的环境，无法应对环境的变化，对黑天鹅事件几乎没有抵抗力；\\n - listitem: 强韧类：强韧的事物并不太在意环境，它有足够大的防御力，黑天鹅事件可能会对它造成影响，但是影响不大；\\n - listitem: 反脆弱类：反脆弱的事物则从混乱中成长，反脆弱的事物不但不会被黑天鹅摧毁，反而会从中受益。\\n - paragraph: 虽然 Taleb 没有解释，但我认为这三种类型的事物是一个层层递进的关系。用一个 RPG 游戏中的角色来举例，脆弱的角色血量只有 1，只要受到的伤害大于 1，它就会直接死亡；强韧的角色血量有 100，如果受到的伤害小于 100，他只会受伤，但并不致命，如果受到大于 100 的伤害，强韧的角色也会死亡；反脆弱的角色则首先有一定的强韧性，血量也有 100，与强韧的角色一样，他可以承受 100 以下的伤害，虽然也会受伤，但是每次战斗结束后，反脆弱的角色的等级会提升，血量也会 +10。意味着只要杀不死他，那么每次战斗都会提升它的经验，让它变得更强。简单理解反脆弱就是「不断的打怪升级，然后挑战更高等级的怪」，如此循环下去。\\n - heading \\\"反脆弱就是进步\\\" [ref=e13] [level=2]\\n - blockquote: 我们在此不妨作一个大胆的猜想，任何有生命的物体在一定程度上都具有反脆弱性。\\n - paragraph:\\n - text: 生命，或者我们说的大自然无疑是反脆弱的最佳例证。地球 45 亿的历史中，生命也存在了 38 亿年，这期间主要经历了 5 次物种大灭绝，大灭绝主要是由于外部环境的变化而导致。不过\\n - link \\\"大灭绝不仅没有导致生命的终结，反而令生命更加的多样。\\\" [ref=e14]:\\n - /url: https://zh.wikipedia.org/zh-cn/%E7%94%9F%E5%91%BD%E5%8F%B2?ref=maxoxo.me#%E5%A4%A7%E7%81%AD%E7%BB%9D%E4%BA%8B%E4%BB%B6\\n - text: 从更长的视角来看，物种灭绝实际上淘汰了那些无法适应环境的生物，留下了能够应付更复杂环境的生物，准确来说是「基因」，更强韧的基因得以保留，基因不断突变、遗传，每一代新的物种都强于之前的物种，使得生命作为了更大的群体的强韧性得以提升。但对于个体来说，进化的代价也是非常巨大。对于群体来说，只要代价可以被承受，结果总是美好的。\\n - figure\\n - paragraph: 反脆弱不是一种结果/状态，而是一个持续学习的过程，不断提升的强韧性是反脆弱的结果。如果我们把生物进化当做是学习的过程，那么进化使得基因「学到了」什么行得通、什么行不通，当基因「发现」眼睛有助于生存的时候，没有眼睛的生物就逐渐被淘汰，有眼睛的生物越来越多样。人类学习知识依赖于我们过去的经验，我们所经历的越多，经验就越多，也就知道了什么行得通、什么行不通。\\n - paragraph:\\n - text: 这种依赖于过往经验的学习方式不可避免的会遇到「\\n - link \\\"休谟问题\\\" [ref=e15]:\\n - /url: https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/#:~:text=18%20%E4%B8%96%E7%BA%AA%E8%8B%8F%E6%A0%BC%E5%85%B0%E5%93%B2%E5%AD%A6%E5%AE%B6%20David%20Hume%20%E8%B4%A8%E7%96%91%E4%BA%86%E8%BF%99%E7%A7%8D%E5%9F%BA%E4%BA%8E%E7%BB%8F%E9%AA%8C%E7%9A%84%E6%8E%A8%E7%90%86%E8%BF%87%E7%A8%8B%E7%9A%84%E5%90%88%E7%90%86%E6%80%A7\\n - text: 」，但似乎也没有更好的方式。科学也没有一成不变的理论，曾经人们以为牛顿理论就可以解释这个世界的一切，爱因斯坦提出了相对论，接着人们又认为物理学已经不会再所有建树的时候，量子力学有出现了。即使是科学，也是在不断的犯错，不断的修正。因此也就不难理解张小龙说的那句「我所说的都是错的」。\\n - heading \\\"反脆弱的前提是冗余\\\" [ref=e16] [level=2]\\n - paragraph: 经验的积累需要大量的实验，而实验的问题是大部份的实验都是「失败」的，而失败是需要付出成本的。对于大自然来说，这种成本就是物种灭绝，如果自然一开始只有一个物种，那么一次灭绝就是毁灭性的，更不用说从中学习什么经验。但是如果大自然拥有大量的物种（实际上也是如此），那么几个物种的灭绝听起来很残酷，但对于大自然作为一个整体实际上是有帮助的。大量的物种，实际上就是一种冗余。\\n - blockquote: 反脆弱性……其实只是某种形式的冗余。\\n - paragraph: 在我看来，冗余并不能直接带来反脆弱性，但是冗余为反脆弱提供了前提——强韧性。备份是一种常见的冗余方式，生活中我们常见的是数据备份。我个人的数据至少会有 3 份拷贝，笔记本中有一份完整的拷贝，台式机中有一份完整的拷贝，服务器也有 2 份完整的拷贝。设备之间通过服务器来进行同步，服务器也会自己备份一次。备份的好处显而易见，在没有备份的时候，我的数据是脆弱的，任何意外所导致的设备或者硬盘损坏，数据就彻底丢失了。而备份的存在扩大了数据的强韧性，如果某一台设备损坏或故障，其他设备中依然有数据。虽然设备损坏本身确实也造成了伤害，但对最核心的数据却影响不大。\\n - paragraph: 而在软件架构中，相对于部署在一台机器上的系统，分布式（去中心化）的系统也同样具有强韧性，也就是软件工程中常说的 robust。分布式的系统有会多个节点部署在不同的地区，即便某些节点遭遇了问题可能会宕机，或者当地的网络出现了问题导致服务无法访问，这都不会影响其他地方的正常访问。\\n - paragraph: 冗余和分布式系统将原本由一个单一个体组成的系统，变成了由多个个体组成的群体。群体意味着即使当中的部分个体遭遇崩溃，也不会导致集体的崩溃。从个体到集体的转变，实际上增加了整个体统的强韧性。\\n - heading \\\"个体的脆弱性与群体的强韧性\\\" [ref=e17] [level=2]\\n - blockquote: 进化最有趣的一面是，它是依赖反脆弱性实现的；它喜欢压力、随机性、不确定性和混乱——而个体生物则相对脆弱，基因库正是利用冲击来确保优胜劣汰，提高整体的适应力。\\n - paragraph: 首先需要澄清「个体」和「群体」的概念，「个体」是相对于「整体」而言的，并不是一个绝对的实体。例如一个人，相对于人体内的每个细胞而言，人是群体，细胞是个体；相对于家族、社会而言，人是个体，家族、社会是群体。个体的脆弱性也是相对于群体的强韧性而言，并不是说作为一个人，我们是脆弱的，而是相对于整个人类来说，一个人是脆弱的。也恰好是个体的脆弱性与冗余的存在，让群体显得强韧，也是群体反脆弱性的前提。\\n - blockquote: 一个系统内部的某些部分可能必须是脆弱的，这样才能使整个系统具有反脆弱性。\\n - paragraph: 这种观点很像传统集体主义的价值观，在集体遭遇风险的时候，集体会要求个体要顾全大局，牺牲自己来保全群体的利益。事实上两者是有差异的，自然进化本身并没有预设的目的，因此也就不会要求个体去做什么事情，它是一个通过自然选择、遗传变异等过程发生的现象。这些机制使得生物种类能够适应其环境，增强生存和繁衍的能力。自然的这种优胜劣汰与集体主义的不同之处在于，优胜劣汰并不是自然要求个体的牺牲，而是在环境变化中，个体为了适应环境自发的响应，这种响应体现了个体的自由意志，而非群体的要求。\\n - paragraph: 由于大量的个体的存在，当灾难发生的时候，每个个体都可以根据实际情况来作出不同的反应，有些反应成功的抵御了灾难，有些则不。对于没有成功抵御灾难的个体而言，面临的可能是毁灭，但我们不能说他们是失败的，从那些被摧毁的个体角度来看确实如此，但是从群体的角度来看则不。每次失败对于群体来说都是宝贵的经验，正如 Thomas A. Edison 所说「I have not failed. I’ve just found 10,000 ways that won’t work.」这些经验被群体内的其他个体所了解、学习，使得群体内的其他个体的强韧性得以提升，从而使得整个群体的强韧性进一步提升，这便是群体能够反脆弱的原因。群体越大、个体越多，所产生的经验就会越多样，知识就会越多样，群体的进化才会更快。\\n - paragraph: 这也就不难理解为什么大厂会引入末位淘汰机制，因为脆弱的个体被淘汰了，留下的都是强韧的个体，因此群体整体变得更强韧了。唯一不同的是，末位淘汰是自上而下的。如何评价「末位」也是个问题，大自然显然更加残酷，大自然淘汰的不是某个个体生物，而是一个物种，无法适应环境变化的物种会被直接淘汰，但这种淘汰不是大自然做出的选择，而是物种无法应对环境变化的结果。\\n - blockquote: 杀不死我的，使我更强大。 杀得死我的，使其他人更强大。\\n - heading \\\"自下而上的多样性\\\" [ref=e18] [level=2]\\n - paragraph:\\n - text: 正是因为个体的自由意志，当风险来临的时候，个体能够根据自身的情况来作出反应，加上足够多的数量，我们才能看到更多样的结果。如果反脆弱是个体自由意志的体现，也意味着反脆弱必须是自下而上的。为什么「自上而下」行不通呢？其原因和《\\n - link \\\"为什么伟大不能被计划\\\" [ref=e19]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/\\n - text: 》一样，因为进化本身是不确定的事情，没有人知道应该怎么做，即便是开明的「自上而下」。自上而下本质上是一种计划，而计划本身就是「反多样性的」，计划是基于我们已知的信息来做决定，包括已知的已知和已知的未知，而进化更多时候是关于未知的未知。任何事物一旦被设计、被计划或者被控制，它的结果就不可能是多样性，即使这种目标被定义成「提升系统的多样性」，也只是一个伪目标。\\n - link \\\"并不是说「计划」没有意义，只是在「创新」上不行\\\" [ref=e20]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/\\n - text: ，当 OpenAI 发布了 ChatGPT 之后，很多公司都开始「计划」自己的 AI 能力，当目标已经很明确的时候，计划就是最高效的方式。\\n - blockquote: 那些在公司里制定政策的人（如脆弱推手格林斯潘）由于有一个先进的数据采集部门的支持，因此得到了很多“及时”的信息，结果却往往反应过度，将噪声当作信号，格林斯潘甚至会关注克利夫兰真空吸尘器的销售状况的波动，“以便掌握经济的确切走向”，当然，他的微观管理将美国经济拖入混乱的泥潭。\\n - paragraph:\\n - text: 多样性和\\n - link \\\"新颖性\\\" [ref=e21]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/#:~:text=%E4%B8%8D%E5%90%8C%E4%BA%8E%E5%A4%A7%E5%A4%9A%E6%95%B0%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95%E7%9A%84%E7%9B%AE%E6%A0%87%E9%A9%B1%E5%8A%A8%EF%BC%8C%E6%96%B0%E9%A2%96%E6%80%A7%E6%90%9C%E7%B4%A2%E7%AE%97%E6%B3%95%E5%B9%B6%E4%B8%8D%E8%AE%BE%E5%AE%9A%E7%9B%AE%E6%A0%87%EF%BC%8C%E8%80%8C%E5%A5%96%E5%8A%B1%E6%96%B0%E9%A2%96%E6%80%A7%E3%80%82\\n - text: 实际上是相同的意思，任何对创新的探索、对整体反脆弱的提升，都建立在个体的自由探索之上，那么群体是否为个体提供了自由探索的环境才决定了群体能否获得真正的多样性和创新性。\\n - heading \\\"反脆弱需要随机波动性\\\" [ref=e22] [level=2]\\n - paragraph: 除了大量的个体、自由意志，反脆弱还需要风险，这个风险，自然就是环境所带来的。反脆弱需要风险，其实就是人们常说的「走出舒适圈」。\\n - figure\\n - paragraph: 这个漫画本身并没有错，它确实反应了「走出舒适圈」可能发生的后果，但走出舒适圈并不代表「走进死亡圈」。我们需要风险，不代表要去拥抱所有的风险，而是选择那些「杀不死你的」风险。\\n - blockquote: 你怎么创新？首先，尝试惹上麻烦。我的意思是严重的但并不致命的麻烦。\\n - paragraph:\\n - text: 之所以需要风险，是因为风险（压力）会引起个体的「\\n - strong: 过度反应\\n - text: 」，逐步累积的过度反应才是反脆弱的核心机制。健身增肌就是一个很好的例子，撸铁之所以能够增加肌肉，基本原理也是过度反应，被称之为「\\n - strong: 肌肉超量恢复\\n - text: 」。当进行重量训练时，肌肉纤维（特别是肌肉的快速收缩纤维）会经历微小的撕裂或损伤，这种微损伤是超量恢复过程的触发因素。在力量训练后，肌肉细胞通过增加蛋白质合成来修复和增强肌肉纤维，以应对未来的压力。如果我们保持同样的运动强度，那么肌肉在适应这种强度之后也就不会再增加，如果我们增加运动强度，肌肉需要重新适应新的压力，继续生长。健身增肌最基本的原则就是「\\n - strong: 渐进式超负荷\\n - text: 」，\\n - strong: 渐进式\\n - text: 意味着要持续不断的训练；\\n - strong: 超负荷\\n - text: 意味着每次的训练量要大于上一次，这样能够保持肌肉量不断的提升。\\n - paragraph:\\n - text: 那么为什么个体会过度反应呢？一个可能的猜测是 Richard Dawkins 在《自私的基因》中所提到的「\\n - strong: 时滞性\\n\\n[... 67 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 28}", "tool_call_id": "call_function_wn0j3k3p1tmj_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_9xljovbayxis_1", "call_id": "call_function_9xljovbayxis_1", "response_item_id": "fc_function_9xljovbayxis_1", "type": "function", "function": { "name": "browser_scroll", "arguments": "{\"direction\": \"down\"}" } } ], "finish_reason": "tool_calls", "reasoning": "I've gotten most of the article content. Let me get the remaining part with the remaining lines.", "reasoning_content": "I've gotten most of the article content. Let me get the remaining part with the remaining lines.", "reasoning_details": [ { "signature": "b6c54693e67cfef189b345b3906471518642499cac4183522f3888ffaf2324de", "thinking": "I've gotten most of the article content. Let me get the remaining part with the remaining lines.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"scrolled\": \"down\"}", "tool_call_id": "call_function_9xljovbayxis_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_aqll046cm8mw_1", "call_id": "call_function_aqll046cm8mw_1", "response_item_id": "fc_function_aqll046cm8mw_1", "type": "function", "function": { "name": "browser_snapshot", "arguments": "{\"full\": true}" } } ], "finish_reason": "tool_calls", "reasoning": "The article content has been loaded. Let me now provide a comprehensive summary with the user's requested style (诸葛亮 style, ancient Chinese literary).\n", "reasoning_content": "The article content has been loaded. Let me now provide a comprehensive summary with the user's requested style (诸葛亮 style, ancient Chinese literary).\n", "reasoning_details": [ { "signature": "51f7911d0e4f43d9344235c5e3631f0734f42bb8c847af77a9bbaf4fd8c3d2d5", "thinking": "The article content has been loaded. Let me now provide a comprehensive summary with the user's requested style (诸葛亮 style, ancient Chinese literary).\n", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"snapshot\": \"- document:\\n - banner:\\n - button [ref=e1]:\\n - img\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - img \\\"maxOS\\\"\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - list:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"反脆弱：从不确定性中获益\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2024-06-13\\n - time: 更新于 2024-06-29\\n - heading \\\"TL;DR\\\" [ref=e11] [level=2]\\n - paragraph: 黑天鹅事件的风险很大，并且不可预测，因此我们不应该去寻找预测黑天鹅事件的方式，而应该去适应有黑天鹅事件的环境，适应的方式就是利用反脆弱性来构筑越来越强韧的事物。\\n - separator: • • •\\n - paragraph:\\n - text: 《\\n - link \\\"黑天鹅：如何应对不可预知的未来\\\" [ref=e12]:\\n - /url: https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/\\n - text: \\\"》主要介绍了为什么黑天鹅事件不能被预测，但在书中作者 Nassim Nicholas Taleb 并没有给出如何应对黑天鹅事件的答案。之后出版的《反脆弱 : 从不确定性中获益》中，Taleb 才真正给出了答案，他认为应对黑天鹅事件最佳的方案就是提升反脆弱性。所以这篇文章我从自己的角度来解释下什么是反脆弱性，以及反脆弱性的作用机制。\\\"\\n - paragraph: Taleb 把事物分成三类：\\n - blockquote:\\n - list:\\n - listitem: 脆弱类：脆弱的事物喜欢安宁的环境，无法应对环境的变化，对黑天鹅事件几乎没有抵抗力；\\n - listitem: 强韧类：强韧的事物并不太在意环境，它有足够大的防御力，黑天鹅事件可能会对它造成影响，但是影响不大；\\n - listitem: 反脆弱类：反脆弱的事物则从混乱中成长，反脆弱的事物不但不会被黑天鹅摧毁，反而会从中受益。\\n - paragraph: 虽然 Taleb 没有解释，但我认为这三种类型的事物是一个层层递进的关系。用一个 RPG 游戏中的角色来举例，脆弱的角色血量只有 1，只要受到的伤害大于 1，它就会直接死亡；强韧的角色血量有 100，如果受到的伤害小于 100，他只会受伤，但并不致命，如果受到大于 100 的伤害，强韧的角色也会死亡；反脆弱的角色则首先有一定的强韧性，血量也有 100，与强韧的角色一样，他可以承受 100 以下的伤害，虽然也会受伤，但是每次战斗结束后，反脆弱的角色的等级会提升，血量也会 +10。意味着只要杀不死他，那么每次战斗都会提升它的经验，让它变得更强。简单理解反脆弱就是「不断的打怪升级，然后挑战更高等级的怪」，如此循环下去。\\n - heading \\\"反脆弱就是进步\\\" [ref=e13] [level=2]\\n - blockquote: 我们在此不妨作一个大胆的猜想，任何有生命的物体在一定程度上都具有反脆弱性。\\n - paragraph:\\n - text: 生命，或者我们说的大自然无疑是反脆弱的最佳例证。地球 45 亿的历史中，生命也存在了 38 亿年，这期间主要经历了 5 次物种大灭绝，大灭绝主要是由于外部环境的变化而导致。不过\\n - link \\\"大灭绝不仅没有导致生命的终结，反而令生命更加的多样。\\\" [ref=e14]:\\n - /url: https://zh.wikipedia.org/zh-cn/%E7%94%9F%E5%91%BD%E5%8F%B2?ref=maxoxo.me#%E5%A4%A7%E7%81%AD%E7%BB%9D%E4%BA%8B%E4%BB%B6\\n - text: 从更长的视角来看，物种灭绝实际上淘汰了那些无法适应环境的生物，留下了能够应付更复杂环境的生物，准确来说是「基因」，更强韧的基因得以保留，基因不断突变、遗传，每一代新的物种都强于之前的物种，使得生命作为了更大的群体的强韧性得以提升。但对于个体来说，进化的代价也是非常巨大。对于群体来说，只要代价可以被承受，结果总是美好的。\\n - figure\\n - paragraph: 反脆弱不是一种结果/状态，而是一个持续学习的过程，不断提升的强韧性是反脆弱的结果。如果我们把生物进化当做是学习的过程，那么进化使得基因「学到了」什么行得通、什么行不通，当基因「发现」眼睛有助于生存的时候，没有眼睛的生物就逐渐被淘汰，有眼睛的生物越来越多样。人类学习知识依赖于我们过去的经验，我们所经历的越多，经验就越多，也就知道了什么行得通、什么行不通。\\n - paragraph:\\n - text: 这种依赖于过往经验的学习方式不可避免的会遇到「\\n - link \\\"休谟问题\\\" [ref=e15]:\\n - /url: https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/#:~:text=18%20%E4%B8%96%E7%BA%AA%E8%8B%8F%E6%A0%BC%E5%85%B0%E5%93%B2%E5%AD%A6%E5%AE%B6%20David%20Hume%20%E8%B4%A8%E7%96%91%E4%BA%86%E8%BF%99%E7%A7%8D%E5%9F%BA%E4%BA%8E%E7%BB%8F%E9%AA%8C%E7%9A%84%E6%8E%A8%E7%90%86%E8%BF%87%E7%A8%8B%E7%9A%84%E5%90%88%E7%90%86%E6%80%A7\\n - text: 」，但似乎也没有更好的方式。科学也没有一成不变的理论，曾经人们以为牛顿理论就可以解释这个世界的一切，爱因斯坦提出了相对论，接着人们又认为物理学已经不会再所有建树的时候，量子力学有出现了。即使是科学，也是在不断的犯错，不断的修正。因此也就不难理解张小龙说的那句「我所说的都是错的」。\\n - heading \\\"反脆弱的前提是冗余\\\" [ref=e16] [level=2]\\n - paragraph: 经验的积累需要大量的实验，而实验的问题是大部份的实验都是「失败」的，而失败是需要付出成本的。对于大自然来说，这种成本就是物种灭绝，如果自然一开始只有一个物种，那么一次灭绝就是毁灭性的，更不用说从中学习什么经验。但是如果大自然拥有大量的物种（实际上也是如此），那么几个物种的灭绝听起来很残酷，但对于大自然作为一个整体实际上是有帮助的。大量的物种，实际上就是一种冗余。\\n - blockquote: 反脆弱性……其实只是某种形式的冗余。\\n - paragraph: 在我看来，冗余并不能直接带来反脆弱性，但是冗余为反脆弱提供了前提——强韧性。备份是一种常见的冗余方式，生活中我们常见的是数据备份。我个人的数据至少会有 3 份拷贝，笔记本中有一份完整的拷贝，台式机中有一份完整的拷贝，服务器也有 2 份完整的拷贝。设备之间通过服务器来进行同步，服务器也会自己备份一次。备份的好处显而易见，在没有备份的时候，我的数据是脆弱的，任何意外所导致的设备或者硬盘损坏，数据就彻底丢失了。而备份的存在扩大了数据的强韧性，如果某一台设备损坏或故障，其他设备中依然有数据。虽然设备损坏本身确实也造成了伤害，但对最核心的数据却影响不大。\\n - paragraph: 而在软件架构中，相对于部署在一台机器上的系统，分布式（去中心化）的系统也同样具有强韧性，也就是软件工程中常说的 robust。分布式的系统有会多个节点部署在不同的地区，即便某些节点遭遇了问题可能会宕机，或者当地的网络出现了问题导致服务无法访问，这都不会影响其他地方的正常访问。\\n - paragraph: 冗余和分布式系统将原本由一个单一个体组成的系统，变成了由多个个体组成的群体。群体意味着即使当中的部分个体遭遇崩溃，也不会导致集体的崩溃。从个体到集体的转变，实际上增加了整个体统的强韧性。\\n - heading \\\"个体的脆弱性与群体的强韧性\\\" [ref=e17] [level=2]\\n - blockquote: 进化最有趣的一面是，它是依赖反脆弱性实现的；它喜欢压力、随机性、不确定性和混乱——而个体生物则相对脆弱，基因库正是利用冲击来确保优胜劣汰，提高整体的适应力。\\n - paragraph: 首先需要澄清「个体」和「群体」的概念，「个体」是相对于「整体」而言的，并不是一个绝对的实体。例如一个人，相对于人体内的每个细胞而言，人是群体，细胞是个体；相对于家族、社会而言，人是个体，家族、社会是群体。个体的脆弱性也是相对于群体的强韧性而言，并不是说作为一个人，我们是脆弱的，而是相对于整个人类来说，一个人是脆弱的。也恰好是个体的脆弱性与冗余的存在，让群体显得强韧，也是群体反脆弱性的前提。\\n - blockquote: 一个系统内部的某些部分可能必须是脆弱的，这样才能使整个系统具有反脆弱性。\\n - paragraph: 这种观点很像传统集体主义的价值观，在集体遭遇风险的时候，集体会要求个体要顾全大局，牺牲自己来保全群体的利益。事实上两者是有差异的，自然进化本身并没有预设的目的，因此也就不会要求个体去做什么事情，它是一个通过自然选择、遗传变异等过程发生的现象。这些机制使得生物种类能够适应其环境，增强生存和繁衍的能力。自然的这种优胜劣汰与集体主义的不同之处在于，优胜劣汰并不是自然要求个体的牺牲，而是在环境变化中，个体为了适应环境自发的响应，这种响应体现了个体的自由意志，而非群体的要求。\\n - paragraph: 由于大量的个体的存在，当灾难发生的时候，每个个体都可以根据实际情况来作出不同的反应，有些反应成功的抵御了灾难，有些则不。对于没有成功抵御灾难的个体而言，面临的可能是毁灭，但我们不能说他们是失败的，从那些被摧毁的个体角度来看确实如此，但是从群体的角度来看则不。每次失败对于群体来说都是宝贵的经验，正如 Thomas A. Edison 所说「I have not failed. I’ve just found 10,000 ways that won’t work.」这些经验被群体内的其他个体所了解、学习，使得群体内的其他个体的强韧性得以提升，从而使得整个群体的强韧性进一步提升，这便是群体能够反脆弱的原因。群体越大、个体越多，所产生的经验就会越多样，知识就会越多样，群体的进化才会更快。\\n - paragraph: 这也就不难理解为什么大厂会引入末位淘汰机制，因为脆弱的个体被淘汰了，留下的都是强韧的个体，因此群体整体变得更强韧了。唯一不同的是，末位淘汰是自上而下的。如何评价「末位」也是个问题，大自然显然更加残酷，大自然淘汰的不是某个个体生物，而是一个物种，无法适应环境变化的物种会被直接淘汰，但这种淘汰不是大自然做出的选择，而是物种无法应对环境变化的结果。\\n - blockquote: 杀不死我的，使我更强大。 杀得死我的，使其他人更强大。\\n - heading \\\"自下而上的多样性\\\" [ref=e18] [level=2]\\n - paragraph:\\n - text: 正是因为个体的自由意志，当风险来临的时候，个体能够根据自身的情况来作出反应，加上足够多的数量，我们才能看到更多样的结果。如果反脆弱是个体自由意志的体现，也意味着反脆弱必须是自下而上的。为什么「自上而下」行不通呢？其原因和《\\n - link \\\"为什么伟大不能被计划\\\" [ref=e19]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/\\n - text: 》一样，因为进化本身是不确定的事情，没有人知道应该怎么做，即便是开明的「自上而下」。自上而下本质上是一种计划，而计划本身就是「反多样性的」，计划是基于我们已知的信息来做决定，包括已知的已知和已知的未知，而进化更多时候是关于未知的未知。任何事物一旦被设计、被计划或者被控制，它的结果就不可能是多样性，即使这种目标被定义成「提升系统的多样性」，也只是一个伪目标。\\n - link \\\"并不是说「计划」没有意义，只是在「创新」上不行\\\" [ref=e20]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/\\n - text: ，当 OpenAI 发布了 ChatGPT 之后，很多公司都开始「计划」自己的 AI 能力，当目标已经很明确的时候，计划就是最高效的方式。\\n - blockquote: 那些在公司里制定政策的人（如脆弱推手格林斯潘）由于有一个先进的数据采集部门的支持，因此得到了很多“及时”的信息，结果却往往反应过度，将噪声当作信号，格林斯潘甚至会关注克利夫兰真空吸尘器的销售状况的波动，“以便掌握经济的确切走向”，当然，他的微观管理将美国经济拖入混乱的泥潭。\\n - paragraph:\\n - text: 多样性和\\n - link \\\"新颖性\\\" [ref=e21]:\\n - /url: https://maxoxo.me/why-greatness-cannot-be-planned/#:~:text=%E4%B8%8D%E5%90%8C%E4%BA%8E%E5%A4%A7%E5%A4%9A%E6%95%B0%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95%E7%9A%84%E7%9B%AE%E6%A0%87%E9%A9%B1%E5%8A%A8%EF%BC%8C%E6%96%B0%E9%A2%96%E6%80%A7%E6%90%9C%E7%B4%A2%E7%AE%97%E6%B3%95%E5%B9%B6%E4%B8%8D%E8%AE%BE%E5%AE%9A%E7%9B%AE%E6%A0%87%EF%BC%8C%E8%80%8C%E5%A5%96%E5%8A%B1%E6%96%B0%E9%A2%96%E6%80%A7%E3%80%82\\n - text: 实际上是相同的意思，任何对创新的探索、对整体反脆弱的提升，都建立在个体的自由探索之上，那么群体是否为个体提供了自由探索的环境才决定了群体能否获得真正的多样性和创新性。\\n - heading \\\"反脆弱需要随机波动性\\\" [ref=e22] [level=2]\\n - paragraph: 除了大量的个体、自由意志，反脆弱还需要风险，这个风险，自然就是环境所带来的。反脆弱需要风险，其实就是人们常说的「走出舒适圈」。\\n - figure\\n - paragraph: 这个漫画本身并没有错，它确实反应了「走出舒适圈」可能发生的后果，但走出舒适圈并不代表「走进死亡圈」。我们需要风险，不代表要去拥抱所有的风险，而是选择那些「杀不死你的」风险。\\n - blockquote: 你怎么创新？首先，尝试惹上麻烦。我的意思是严重的但并不致命的麻烦。\\n - paragraph:\\n - text: 之所以需要风险，是因为风险（压力）会引起个体的「\\n - strong: 过度反应\\n - text: 」，逐步累积的过度反应才是反脆弱的核心机制。健身增肌就是一个很好的例子，撸铁之所以能够增加肌肉，基本原理也是过度反应，被称之为「\\n - strong: 肌肉超量恢复\\n - text: 」。当进行重量训练时，肌肉纤维（特别是肌肉的快速收缩纤维）会经历微小的撕裂或损伤，这种微损伤是超量恢复过程的触发因素。在力量训练后，肌肉细胞通过增加蛋白质合成来修复和增强肌肉纤维，以应对未来的压力。如果我们保持同样的运动强度，那么肌肉在适应这种强度之后也就不会再增加，如果我们增加运动强度，肌肉需要重新适应新的压力，继续生长。健身增肌最基本的原则就是「\\n - strong: 渐进式超负荷\\n - text: 」，\\n - strong: 渐进式\\n - text: 意味着要持续不断的训练；\\n - strong: 超负荷\\n - text: 意味着每次的训练量要大于上一次，这样能够保持肌肉量不断的提升。\\n - paragraph:\\n - text: 那么为什么个体会过度反应呢？一个可能的猜测是 Richard Dawkins 在《自私的基因》中所提到的「\\n - strong: 时滞性\\n\\n[... 67 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 28}\n\n[Tool loop warning: idempotent_no_progress_warning; count=2; browser_snapshot returned the same result 2 times. Use the result already provided or change the query instead of repeating it unchanged.]", "tool_call_id": "call_function_aqll046cm8mw_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_jeats55xu7ug_1", "call_id": "call_function_jeats55xu7ug_1", "response_item_id": "fc_function_jeats55xu7ug_1", "type": "function", "function": { "name": "browser_console", "arguments": "{\"expression\": \"document.querySelector('article').innerText.slice(-3000)\"}" } } ], "finish_reason": "tool_calls", "reasoning": "Let me try to get the remaining content through browser_console JavaScript execution.", "reasoning_content": "Let me try to get the remaining content through browser_console JavaScript execution.", "reasoning_details": [ { "signature": "1fdb71a92a75239a4e493cc3e8af7ab5e946ae9e3f12fe0e5f63801441fb82d0", "thinking": "Let me try to get the remaining content through browser_console JavaScript execution.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"result\": \"力量训练后，肌肉细胞通过增加蛋白质合成来修复和增强肌肉纤维，以应对未来的压力。如果我们保持同样的运动强度，那么肌肉在适应这种强度之后也就不会再增加，如果我们增加运动强度，肌肉需要重新适应新的压力，继续生长。健身增肌最基本的原则就是「渐进式超负荷」，渐进式意味着要持续不断的训练；超负荷意味着每次的训练量要大于上一次，这样能够保持肌肉量不断的提升。\\n\\n那么为什么个体会过度反应呢？一个可能的猜测是 Richard Dawkins 在《自私的基因》中所提到的「时滞性」，也就是延迟。这里的「延迟」指的是个体接收到压力的信息，然后作出反应来应对，以及应对方法的反馈，这几个步骤是存在延迟的。\\n\\n基因是通过控制蛋白质的合成来发挥作用的，这本来是操纵世界的一种强有力的手段，但必须假以时日才能见到成效。 关于行为的最重要的一点是行为的快速性，用以测定行为的时间单位不是几个月而是几秒或几分之一秒。 基因并没有这样快的反应时间。基因只能竭尽所能事先部署一切。\\n\\n在这种情况下，事先准备超量的肌肉和刚好够用的肌肉相比，前者在遇到危险情况的时候能够增加存活率，基因也倾向于「过度反应」。延迟造成的过度反应在现实社会中也非常常见，金融市场也是如此，当某个公司因为季度财报不达预期的时候，市场可能会发生大量的抛售该公司股票的行为，股价随即下跌，并且跌破能够反应公司真是价值的区间，但随后又会慢慢恢复能够反应公司真实价值的范围内。\\n\\n压力在这里未必是一个很好的表述，没有人喜欢压力，更准确地说，「过度反应」是个体对外界刺激的反应，这个刺激源自环境的变化。我们都喜欢岁月静好，但现实却总是在随机波动，而反脆弱也需要这种波动。\\n\\n当你脆弱的时候，你往往倾向于墨守成规，尽量减少变化——因为变化往往弊大于利。这就是为什么脆弱的事物需要明确的预测方法，反过来说，预测体系带来的只能是脆弱性。\\n反脆弱的风险\\n\\n前面提到反脆弱是一个过程，更准确来说是一个不断重复且波动的过程，如果我们用冗余来代表强韧性，那么随着时间的增加，冗余的总量是在增加，但是短期内因为压力导致个体的牺牲，冗余会降低。\\n\\n从数学上来这个图形近似一个正弦函数，经济学中的康德拉季耶夫长波（即资本主义经济展示出约50到60年的长周期波动）也与之类似。当压力来临的时候，导致个体的「牺牲」，此时整体的冗余会降低；个体的过度反应会创造更多的冗余来应对未来的压力，此时整体的冗余上升；新的压力又会导致冗余的降低；个体继续过度反应创造更多的冗余。如此往复。\\n\\n这里存在两个成本：\\n\\n压力导致个体牺牲的成本；\\n个体过度反应所需要的时间成本。\\n\\n这些成本同样也是风险，首先，前面也说过，过大的压力可能导致所有的个体牺牲，也就不会存在后续的增长；其次，个体的过度反应的时间如果太长，无法赶在下一次压力来临之前准备好，那么同样可能会导致冗余持续减少，并最终归零。\\n\\n第一个问题，如果有得选，尽可能的避开过大的风险，选择能够承受的风险。第二个问题，则是学习的速度，相对于下一次风险降临的时间而言，只要个体「过度反应」的速度更快，那么就可以避免冗余归零。但现实中我们无法预测风险何时降临，于是只能说「越快越好」。\\n\\n我们再回头看前面的整个过程，其实可以分成三个阶段：\\n\\n压力产生；\\n个体因无法预测未来的压力，因此选择过度反应产生更多冗余；\\n新的压力产生，个体根据压力反馈的调整策略，此时可能有几种情况：\\n冗余完全可以应付新的压力，那么个体不会过度反应，并且预计未来的压力也是如此，也不创造新的冗余；\\n冗余完全刚好可以应付新的压力，个体预计未来的压力可能也是如此，于是只会补充失去的冗余；\\n冗余无法应付新的压力，个体继续过度反应创造更多的冗余，并且假设下一次的压力会更大。\\n\\n我们可以把这个过程抽象成：1. 个体根据压力假设未来可能发生的压力；2. 根据对未来的假设来作出反应； 3. 当新的压力产生时，根据新的压力调整策略。这个过程基本上就是「问题的认知与表述、实验数据的收集、假说的构成与测试。」也就是说常说的「科学方法」。\\n\\n前面我们一直把一个个体的「牺牲」当作是某种实验，就如同科学实验一样，不幸的是实验的成功率总是很低。也就意味着大量的实验，需要大量的时间来验证。「科学方法」实际上就是一种学习的过程，经常有人问我有什么捷径可以快速学习某种技能，入门确实有不少捷径可走，但是要精通，除了不断的练习和失败之外，似乎没有别无他法，所以时间成本实际上才是最大的成本。\\n\\n鼓励失败的文化\\n美国的资产很简单，就是在冒险和运用可选择性方面，这是一种卓越的能力，即参与到合理的试错活动中，失败了也不觉得耻辱，而是重新来过，再次失败，再次重来。而现代日本则恰好相反，失败给人带来耻辱，导致人们想方设法地隐藏风险，不管是金融风险还是核电风险；创造很小的收益，却要坐在火药桶上，这种态度与他们尊敬失败英雄的传统，以及虽败犹荣的观念，形成了奇怪的对比。\\n\\n当我们把反脆弱这个议题放在人类社会的时候，就不得不受到文化的影响。多样性需要大量的实验，而实验就不可避免的存在大量的「失败」，文化对待失败的方式会影响个体的风险承担能力、创新的意愿。传统的东方文化强调群体和谐与社会稳定，个人的行为被期望符合社会和家庭的期待。在这些文化中，失败有时被视为给家庭或个人名誉带来负面影响的事件。西方文化通常被认为更加强调个人主义和个人成就，失败往往被看作是学习和成长的机会。在商业环境中，特别是在像硅谷这样的创新热点，失败甚至被视为一种荣誉，因为它被视为尝试和创新的标志。\\n\\n我时常也会经常恐惧失败，担心自己把事情搞砸。\\n\\n这种恐惧源于对未知的忌惮，以及社会对失败的普遍负面的看法。而恐惧本身又反过来增加了决策中的不确定，从而形成一种恶性循环。\\n\\n而事实是「失败不等于个人能力的体现」，反过来，我们也不应该将「成功」当作是一件事情的目标，取而代之的应该是「学习」。\\n\\n这样一来原本的「失败」也变成了一种进步，我们的目的不再是为了成功，而为了学习，而学习最终会指引我们成功。\\n\\n另一方面，我们也应该对那些经历过失败的人给予最大的敬意，正是因为他们的失败，我们无须再去冒相同的风险，我们从他们的失败中收获了教训。Tabel 提议美国应该有一个创业者日，纪念那些创业失败的人，是他们失败的经验，构成了美国商业的成功。\\n\\n让我简单概括下上面的观点：黑天鹅事件风险大且不可预测，因此我们不应该去寻找预测黑天鹅事件的方式，而应该去适应有黑天鹅事件的世界。适应的方式就是利用反脆弱性来构筑越来越强韧的事物。事物的强韧实际上就是冗余的多少，冗余越多，事物越强韧，越能够应付更大的风险。反脆弱性通过个体的过度反应来创造冗余，因为时滞性的问题，当风险发生时，个体倾向于创造更多的冗余来应付未来的风险。我们可以利用这种机制来主动的去寻找合适的风险，来提升自身的强韧性。\\n\\n个体是脆弱的，群体是强韧的，而个体与群体是相对的概念。作为一个人，我们即是个体又是整体。作为个体，我们是脆弱的，应该尽可能避免无法承受的风险，同时加入一个群体，学习其他个体的经验来提升自己的强韧性。作为一个整体，我们可以利用这种机制来强身健体，同样，我们脑海中的知识（文化）也是个体，也可以利用相同的机制来获得提升。\\n\\n如果你只想记住一句话，请记住「渐进式超负荷」。\", \"result_type\": \"str\"}", "tool_call_id": "call_function_jeats55xu7ug_1" }, { "role": "assistant", "content": "主公，亮已获取全文，今为君详析之。\n\n---\n\n## 📖 《反脆弱：从不确定性中获益》深度解读\n\n---\n\n### 一、核心概念：三种事物分类\n\n作者借 Taleb 之框架，将世间万物分作三类——\n\n| 类型 | 特征 | 比喻 |\n|------|------|------|\n| **脆弱类** | 喜欢安宁，无法应对变化 | 血量=1，伤害>1即死亡 |\n| **强韧类** | 不太在意环境，有足够防御力 | 血量=100，可承受一定伤害 |\n| **反脆弱类** | 从混乱中成长，越挫越强 | 血量=100且每次战斗后+10 |\n\n**亮理解：** 此三者并非割裂，而是层层递进——先有强韧性，方有反脆弱性；如同 RPG 游戏中角色先升级血量，再挑战更强的怪物。\n\n---\n\n### 二、核心论点：反脆弱就是进步\n\n**反脆弱不是状态，而是一个持续学习的过程。**\n\n作者以大自然为最佳例证：\n- 地球 45 亿年，经历 5 次物种大灭绝\n- 大灭绝非但未终结生命，反而令生命更加多样\n- 物种灭绝 = 淘汰无法适应者，留下强韧基因\n- 每一代新物种都比上一代更强\n\n**核心洞见：** 反脆弱性通过\"过度反应\"来实现——生物体面对压力时，往往反应过度而非恰到好处。健身增肌正是如此：肌肉在超出负荷时产生微损伤，随后\"超量恢复\"比原本更强。\n\n---\n\n### 三、前提条件：冗余是反脆弱的基础\n\n**冗余 ≠ 浪费，而是强韧的来源。**\n\n作者以数据备份为例：\n- 个人数据至少 3 份拷贝（笔记本、台式机、服务器）\n- 任一设备损坏，数据不丢\n- 这正是从\"单一个体\"到\"群体\"的转变\n\n软件架构中的分布式系统同理——多节点部署在不同地区，部分节点故障不影响整体服务。\n\n---\n\n### 四、个体与群体的辩证\n\n此为全文最深刻之观点——\n\n> \"一个系统内部的某些部分可能必须是脆弱的，这样才能使整个系统具有反脆弱性。\"\n\n**关键区分：**\n- 个体的脆弱性 ≠ 个体本身脆弱（相对于更大的群体而言）\n- 大自然的\"优胜劣汰\" ≠ 集体主义要求个体牺牲\n- 自然进化无预设目的，是个体自发响应环境变化\n\n**Edison 名言：** \"I have not failed. I've just found 10,000 ways that won’t work.\"\n\n每次失败于个体是毁灭，于群体则是宝贵经验。群体越大、个体越多，经验越多样，进化越快。\n\n---\n\n### 五、自下而上的多样性\n\n反脆弱必须是**自下而上**的，因为：\n\n1. 进化本身是不确定的，无法被计划\n2. 计划本质上是\"反多样性的\"——基于已知信息，而进化关乎未知\n3. 任何被设计、被控制的事物，结果都不可能是真正的多样性\n\n**亮评：** 这与《为什么伟大不能被计划》遥相呼应——真正的创新来自自由探索，而非顶层设计。格林斯潘关注克利夫兰真空吸尘器销售波动，最终将美国经济拖入混乱，正是\"自上而下\"计划失败的典型案例。\n\n---\n\n### 六、风险与过度反应\n\n反脆弱需要**随机波动性**（风险），但关键在于选择\"杀不死你的\"风险——\n\n> \"你怎么创新？首先，尝试惹上麻烦。我的意思是严重的但并不致命的麻烦。\"\n\n**两个必须承担的成本：**\n1. 压力导致个体牺牲的成本\n2. 过度反应所需要的时间成本\n\n**核心机制：** 个体因\"时滞性\"（信息→反应→反馈之间的延迟）而倾向于过度反应。金融市场中财报不达预期时股价暴跌又回升，亦是此理。\n\n---\n\n### 七、鼓励失败的文化\n\n作者对比美日文化：\n\n| 文化 | 对失败的态度 | 对创新的影响 |\n|------|------------|------------|\n| **美国** | 失败是勋章，重新来过 | 卓越的冒险与可选择性 |\n| **日本** | 失败带来耻辱，隐藏风险 | 坐在火药桶上创造很小收益 |\n\n**亮评：** 东方传统强调\"成败论英雄\"，实则将\"成功\"设为目标而非\"学习\"。目标一旦设定为学习，则失败不再是终点，而是必经之路。\n\n---\n\n### 八、亮之评述\n\n全文最令亮击节之处，在于**将反脆弱从哲学落地为方法论**——\n\n1. **冗余是硬道理：** 无论是数据备份还是能力储备，多一份冗余便多一分强韧\n2. **渐进式超负荷：** 健身增肌的原则适用于一切能力提升——持续训练、逐次加量\n3. **拥抱合理的失败：** 失败不是终点而是数据，实验失败越多，排除的错误路径越多\n4. **自下而上优于自顶设计：** 在不确定性领域，计划往往比探索更危险\n\n Taleb 的名言正是此理——\n\n> **\"杀不死我的，使我更强大。杀得死我的，使其他人更强大。\"**\n\n---\n\n主公，此文虽为读书笔记，却将《反脆弱》之精髓提炼得极为清晰。若君从中有所收获，亮建议不妨以「渐进式超负荷」五字为行动准则，于工作、于投资、于人生，皆可适用矣。\n\n臣等正欲死战，陛下何故先降！？", "reasoning": "Now I have the full article content. Let me analyze it and write a comprehensive summary with my own understanding.\n", "reasoning_content": "Now I have the full article content. Let me analyze it and write a comprehensive summary with my own understanding.\n", "reasoning_details": [ { "signature": "4c1a3c31b743fdb62bf8d8def7463df61033f0cb2e444252d41f61df1421a0e2", "thinking": "Now I have the full article content. Let me analyze it and write a comprehensive summary with my own understanding.\n", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "https://maxoxo.me/thinking-fast-and-slow/" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_ciuh5142qif8_1", "call_id": "call_function_ciuh5142qif8_1", "response_item_id": "fc_function_ciuh5142qif8_1", "type": "function", "function": { "name": "browser_navigate", "arguments": "{\"url\": \"https://maxoxo.me/thinking-fast-and-slow/\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The user wants me to analyze another article from maxoxo.me about \"Thinking Fast and Slow\". Let me navigate to that URL and get the content.", "reasoning_content": "The user wants me to analyze another article from maxoxo.me about \"Thinking Fast and Slow\". Let me navigate to that URL and get the content.", "reasoning_details": [ { "signature": "d5e15c787430be412401e3c965291c0140c00603ed8a674f9fbff3ac45a50093", "thinking": "The user wants me to analyze another article from maxoxo.me about \"Thinking Fast and Slow\". Let me navigate to that URL and get the content.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"url\": \"https://maxoxo.me/thinking-fast-and-slow/\", \"title\": \"思考，快与慢 - maxOS\", \"stealth_warning\": \"Running WITHOUT residential proxies. Bot detection may be more aggressive. Consider upgrading Browserbase plan for proxy support.\", \"stealth_features\": [\"local\"], \"snapshot\": \" - banner:\\n - button [ref=e1]:\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"思考，快与慢\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2025-04-06\\n - time: 更新于 2025-04-06\\n - heading \\\"T L;DR\\\" [ref=e11] [level=2]\\n - paragraph: 我们的大脑拥有两种不同的思考模式，这两种模式并不是大脑中的两个物理区域，而是从模式上进行的区分，作者称之为系统 1 和系统 2：\\n - listitem: 系统 1 快速、直觉，擅长处理日常琐事，但容易受到偏见影响；\\n - listitem: 系统 2 缓慢、理性，能够帮助我们做出深思熟虑的决策，但它的运行消耗大量的认知资源。\\n - paragraph: 因为资源有限导致系统 2 的懒惰，因此我们需要合理分配认知资源，减少系统 2 的无效消耗，并通过习惯养成、环境布置和采纳外部建议，帮助自己在关键时刻做出更清晰、更理性的判断。\\n - separator: • • •\\n - paragraph: 《思考，快与慢》这本书我看了很多次，但都没有看完，最初看了大概之后了解了系统 1 和系统 2，但一直不明白这有什么用。后来 AI 爆发，出现了基础模型以及推理模型，然后忽然明白，这不就是系统 1 和系统 2 么。于是又拿起这本书重新拜读起来，这次总算读完了。\\n - paragraph: 系统 1 和系统 2 实际上从底层解释了我们如何思考、如何做决策，从早晨穿哪件衣服，到职业生涯中的关键选择，都离不开这两个系统。大多数人认为自己是理性的、善于分析的，然而事实上，我们日常的很多选择都是系统 1 无意识驱动的结果。\\n - paragraph: 有一次晚上跟朋友玩德州，因为已经很晚了，我的系统 2 已经罢工。当时牌面看起来像顺子，我的牌也确实有可能组成顺子，结果最后一张牌开出来都没有成顺子 。但从对方的行为已经可以断定他手里有顺子，于是我就直接弃牌了。对方果然是顺子，然而弃牌后我发现，我虽然是没能成顺子，但我是同花啊。如果当时系统 2 还能正常运行一下，可能就不会错失这一手了。\\n - paragraph: 认为我的牌可以组成顺子这个想法一开始就占据了思维，从忘记了其实还可以组成同花的想法，其实就是由认知偏误导致的。认知偏误又是有系统 1 导致的。系统 1 的判断虽然快速，但它经常会出错，尤其是在环境复杂或自己精力不济的时候。而系统 2，虽然可以纠正错误、做出更理性的判断，但它非常「懒」，更容易在我们精疲力尽时自动下线。\\n - paragraph: 正是这种认知的盲区导致了决策失误，让我们可能在错误的事情上消耗了太多的认知资源，或者因为信息过载而错失了真正重要的机会。更糟糕的是，当环境变得复杂、压力变大时，我们的情绪、记忆和外界环境会进一步干扰理性决策。因此，理解这两套认知系统的运作方式，不仅能够帮助我们清晰地认识到自身思维的局限性，更能掌握具体的方法去优化和改善决策流程。\\n - heading \\\"系统 1 和系统 2\\\" [ref=e12] [level=2]\\n - listitem: 系统 1：速度快、能耗低、依赖模式匹配和直觉，适合快速决策，但容易受到偏见影响，无法进行深度推理。\\n - listitem: 系统 2：速度慢、消耗大量注意力，擅长复杂推理和分析，可以处理新情况，但运行成本高。\\n - paragraph: 系统 1 主要处理快速反应和熟练任务，例如： 走路、开车、识别人脸、阅读简单文字、做基本的加减法、躲避障碍物。系统 2 主要处理深度思考和新问题，例如： 逻辑推理、复杂数学计算、权衡利弊、长期规划、学习新知识。现实中，两者并不是独立运行，而是相互协作的。系统1 负责日常自动化操作，而系统2 在需要更高精度决策时介入。\\n - paragraph: 既然系统 1 速度快并且几乎不消耗能量，那么自然把经常做的事情交给系统 1 就是最好的选择。这自然也是需要付出成本的：\\n - listitem: 训练系统 1 需要的花费大量的精力；\\n - listitem: 系统 1 虽然速度快，但是无法进行复杂的推理；\\n - heading \\\"训练系统 1：学习\\\" [ref=e13] [level=3]\\n - blockquote: 当你对执行一个任务越来越熟练时，需要付出的努力程度就会降低。对大脑的各项研究证明，与行动相关的活动模式会随着熟练程度的加强而变化，一些大脑区域将不再参与其中。\\n - paragraph:\\n - text: 训练系统 1 的过程实际上就是我们所说的学习。人类学习一项新知识的过程，本质上是大脑内神经元之间建立新连接的过程。我们的大脑由数十亿个神经元（Neuron）组成，每个神经元之间的连接部位被称为突触（Synapse）。神经元通过它的轴突（Axon）向其他神经元传递电信号（动作电位）。当我们学习某项技能时，相关的神经元之间会通过突触建立更强、更有效的连接。\\n - link \\\"1\\\" [ref=e14]:\\n - /url: \\\"#fn1-7382\\\"\\n - superscript: \\\"1\\\"\\n - text: 在我们真正的学会之前，我们需要用系统2 主动思考才能完成任务，但经过足够的练习，这些任务逐渐被系统 1 自动化处理，因为神经通路已经被高度优化了。\\n - paragraph:\\n - text: 这并不是一个简单的过程，马尔科姆·格拉德威尔在 2008 年出版的畅销书《异类》中提出了 10,000 小时法则 。格拉德威尔引用 K·安德斯·埃里克森的研究解释说，在任何领域达到世界一流水平的关键在于练习一项特定的任务至少 10,000 小时 。\\n - link \\\"虽然有研究指出 10,000 小时并不严谨\\\" [ref=e15]:\\n - /url: https://www.6seconds.org/2022/06/20/10000-hour-rule?ref=maxoxo.me\\n - text: ，但从新手到大师不可避免的需要大量的训练。\\n - paragraph:\\n - text: 系统 1 的学习过程其实可以类比为一种贝叶斯推断（\\n - link \\\"Bayesian Inference\\\" [ref=e16]:\\n - /url: https://en.wikipedia.org/wiki/Bayesian_inference?ref=maxoxo.me\\n - text: ）。在统计学中，贝叶斯推理是一种通过不断更新「先验知识」来调整对世界的认知的方法。而我们的系统 1，就是一个不自觉地在做贝叶斯更新的机器。每一次你做出一次判断、解决一次问题，系统 1 都会根据已有经验（先验概率） 和 新观察到的信息（似然性） 来调整自己的判断机制。这也是为什么我们训练得越多、经验越丰富，直觉就越准确 —— 因为系统 1 的「先验」变得更加贴近现实。\\n - paragraph:\\n - text: 另外，随着年龄的增长，我们的「学习速度」也会下降，我们的学习速度实际上受到「神经可塑性」的影响。神经可塑性（Neuroplasticity）是大脑通过生长和重组来改变神经网络的能力 。这种变化包括形成新的神经元连接、皮质重映射等 。但随着年龄增长，这种神经可塑性会逐渐降低，因此成年人学习新技能时所需要的时间和精力要比儿童时期更多。\\n - link \\\"2\\\" [ref=e17]:\\n - /url: \\\"#fn2-7382\\\"\\n - superscript: \\\"2\\\"\\n - text: 好消息是有研究表明，有规律的有氧运动可以改善大脑的神经可塑性。\\n - paragraph: 我们不可能无限制地将所有技能和知识都训练成系统1的自动反应。另外，即便是系统 1 擅长的事情，我们也不能过分依赖于系统 1，因为系统 1 还存在另外一个问题，那就是「认知偏误」。\\n - heading \\\"系统 1 的运行：启发法\\\" [ref=e18] [level=3]\\n - paragraph: 我们前面提到，神经突触连接的强化为系统 1 的高效决策提供了「硬件基础」。但现实世界情况复杂多变，仅靠固定的神经模式显然不足以应对。系统 1 还需要另一种更灵活、更快速的「软件」，这就是启发法（Heuristic）。\\n - blockquote: 人们依赖于数量有限的启发式原则，而这些原则能将测量概率以及预测价值的任务简化，使其成为更为简单的判断过程。\\n - paragraph: 心理学家认为，启发法本质上是一种心理捷径（mental shortcut），可以在有限的时间和信息条件下快速做出决策。正如维基百科所定义：\\n - blockquote: 启发法解释了在知识有限（资讯不完整）和时间有限的情况下，得出可能陈述或可行解决方案的艺术。 它描述了一种分析程序，在该程序中，在对系统了解有限的情况下，在推定结论的帮助下做出有关系统的陈述。 由此得出的结论往往偏离最优解。启发法的品质可以透过将其与最佳解决方案进行比较来确定。\\n - paragraph: 换句话说，启发法牺牲了精确度和全面性，换来了决策的速度和认知资源的节省。作者在书中提到了几种常见的启发法：\\n - strong: 代表性启发（Representativeness Heuristic）\\n - text: 当我们遇到一个新的事物 B 时，会下意识地将它与自己熟悉的事物 A 进行比较。如果发现两者十分相似，就认为它们有相同的特征，进而直接将对 A 的经验或知识套用到 B 上面。例如，我们看到一位穿白大褂的人会本能地觉得他可能是医生，而实际上可能不是。\\n - strong: 可得性启发（Availability Heuristic）\\n - text: 如果某件事或信息更容易从大脑中调取出来，我们就会倾向于认为这件事更常见或者概率更高。比如新闻经常报道飞机失事的消息，因此很多人觉得坐飞机比开车更危险，而实际统计数据则完全相反。\\n - strong: 锚定启发（Anchoring Heuristic）\\n - text: 在做决策时，我们倾向于受到最初信息（锚点）的强烈影响。例如，商品标价为 1000 元然后折扣到 500 元，顾客通常觉得非常划算，哪怕这件商品实际价值可能远低于500元。\\n - strong: 立体启发法（What You See Is All There Is, WYSIATI）\\n - text: 人们做判断时，只会基于目前看到的信息作出决策，而不会主动去考虑还缺少哪些信息。也就是说，你看到的，就构成了你的全部判断依据。系统 1 不会主动怀疑信息的来源，也不会提醒你“还有什么是我没看到的”。\\n - strong: 情绪启发（Affect Heuristic）\\n - text: 我们会用“好感”来快速决定一件事是好是坏，而不是去分析利弊。例如，如果你本能地喜欢某个人，可能会觉得他做事也更靠谱。这种启发可以让我们迅速下判断，但也可能让我们被情绪带节奏。\\n - paragraph: 启发法的存在使得系统 1 能够极大地节省认知资源，快速做出决策。但这种快捷方式必然要付出代价——牺牲精确度，增加了我们在决策过程中产生认知偏误的可能性。\\n - heading \\\"监督系统 1：系统 2\\\" [ref=e19] [level=3]\\n - paragraph: 要避免系统 1 的偏见我们需要有意识地调用系统 2 来监督系统 1 的输出，以降低决策错误的风险。系统 2 负责检查系统 1 的直觉判断是否合理。\\n - blockquote: 系统 2 的一大主要功能是监督和控制思想活动以及由系统1引导的各种行为，使得一些想法直接体现在行动上，或者抑制或改变其他想法。\\n - paragraph: 举个实际的例子：在股票市场交易中，有一种投资策略叫做 Buy the dip（逢低买入），也就是说当股票价格下跌时买入优质股票。系统 1 在经过长期训练后，可能一看到股票下跌就产生了直觉性的买入信号，因为在过去这种策略曾经奏效过。然而，系统 1 只基于历史经验进行简单的模式匹配，并不考虑当前市场环境与以往的不同之处，比如市场中存在的系统性风险。\\n - paragraph: 这时，系统 2 应该主动介入：\\n - listitem: 为什么这支股票在下跌？\\n - listitem: 现在是否存在系统性风险，比如宏观经济是否有重大变化？\\n - listitem: 公司基本面或技术面是否已经发生了改变？\\n - paragraph: 只有经过系统 2 的严格分析，确认当前的情况确实符合逢低买入的条件，才可以避免因为系统 1 的偏误而造成损失。然而，系统 2 本身也有明显的局限性，最大的局限就在于：\\n - listitem: 系统 2 的运行成本非常高：系统 2 需要进行大量的信息搜集（财报、经济数据、政策环境等），并逐个进行理性分析。这不仅花费大量的时间，也会消耗极高的注意力（认知资源）。这自然不是系统 2 的问题，而是深入思考时我们需要大量的信息来辅助决策。\\n - listitem: 系统 2 对认知资源的依赖，使它无法持续长时间高效运行，这就决定了我们无法对所有的决策都进行系统 2 的深度分析。\\n - heading \\\"懒惰的系统 2\\\" [ref=e20] [level=2]\\n - paragraph:\\n - text: 物理学中的最小作用量原理（\\n - link \\\"Principle of Least Action\\\" [ref=e21]:\\n - /url: https://en.wikipedia.org/wiki/Action_principles?ref=maxoxo.me\\n - text: ）说的是光或物体总是沿着使作用量最小的路径前进，除非有额外的力作用在其上。同样，我们的思维也倾向于选择最省能量的路径，即系统 1 的直觉和启发式，而不是调用系统 2 进行深度思考。当认知资源不足时系统 2 甚至会直接认同系统 1 的结论。\\n - blockquote: 系统 1是冲动、凭直觉的；而系统 2 则具备推理能力，它很谨慎，但对一些人而言，这个系统也是懒惰的。\\n - paragraph: 系统 2 之所以「懒惰」，其实并不是缺陷，而是一种适应性的优势。人类早期所面对的环境是稳定的、重复的，很多决策场景都可以靠快速直觉（系统 1）来应对。大脑虽然只占身体 2% 的体重，却消耗了约 20% 的能量，而其中又以系统 2 的思考最为「烧脑」。为了节省能量来保障最基本的生存，系统 2 能不用就不用。\\n - blockquote:\\n - text: The metaphor of the cognitive miser assumes that the human mind is limited in time, knowledge, attention, and cognitive resources. Usually people do not think rationally or cautiously, but use cognitive shortcuts to make inferences and form judgments.\\n - link \\\"2\\\" [ref=e22] [nth=1]:\\n - /url: \\\"#fn2-7382\\\"\\n - superscript: \\\"2\\\"\\n - text: 认知吝啬者的隐喻假定人类的思维在时间、知识、注意力和认知资源方面是有限的。通常人们不会理性或谨慎地思考，而是使用认知捷径来进行推理和形成判断。\\n - text: 系统 2 的「烧脑」源于它运行过程中需要大量调动\\n - strong: 认知资源\\n - text: ，并频繁占用\\n - strong: 工作记忆\\n - text: 来进行深度思考。认知资源每天的总量是有限的，而工作记忆就像大脑的 CPU Cache —— 速度快，但容量极小。这两个条件的限制，是系统 2 无法被无限使用的根本原因。\\n - heading \\\"认知资源\\\" [ref=e23] [level=3]\\n - paragraph:\\n - text: 所谓认知资源（\\n\\n[... 203 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 65}", "tool_call_id": "call_function_ciuh5142qif8_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_ub2sj6thlwiy_1", "call_id": "call_function_ub2sj6thlwiy_1", "response_item_id": "fc_function_ub2sj6thlwiy_1", "type": "function", "function": { "name": "browser_console", "arguments": "{\"expression\": \"document.querySelector('article').innerText\"}" } } ], "finish_reason": "tool_calls", "reasoning": "I need to get the rest of the article. Let me use browser_console to get the full text.", "reasoning_content": "I need to get the rest of the article. Let me use browser_console to get the full text.", "reasoning_details": [ { "signature": "11f771a05d5dcff64bc0faea5c3721fa074ccb1565cd11510604f91195e27487", "thinking": "I need to get the rest of the article. Let me use browser_console to get the full text.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"result\": \"思考，快与慢\\n读书\\n发布于 2025-04-06\\n更新于 2025-04-06\\nT L;DR\\n\\n我们的大脑拥有两种不同的思考模式，这两种模式并不是大脑中的两个物理区域，而是从模式上进行的区分，作者称之为系统 1 和系统 2：\\n\\n系统 1 快速、直觉，擅长处理日常琐事，但容易受到偏见影响；\\n系统 2 缓慢、理性，能够帮助我们做出深思熟虑的决策，但它的运行消耗大量的认知资源。\\n\\n因为资源有限导致系统 2 的懒惰，因此我们需要合理分配认知资源，减少系统 2 的无效消耗，并通过习惯养成、环境布置和采纳外部建议，帮助自己在关键时刻做出更清晰、更理性的判断。\\n\\n《思考，快与慢》这本书我看了很多次，但都没有看完，最初看了大概之后了解了系统 1 和系统 2，但一直不明白这有什么用。后来 AI 爆发，出现了基础模型以及推理模型，然后忽然明白，这不就是系统 1 和系统 2 么。于是又拿起这本书重新拜读起来，这次总算读完了。\\n\\n系统 1 和系统 2 实际上从底层解释了我们如何思考、如何做决策，从早晨穿哪件衣服，到职业生涯中的关键选择，都离不开这两个系统。大多数人认为自己是理性的、善于分析的，然而事实上，我们日常的很多选择都是系统 1 无意识驱动的结果。\\n\\n有一次晚上跟朋友玩德州，因为已经很晚了，我的系统 2 已经罢工。当时牌面看起来像顺子，我的牌也确实有可能组成顺子，结果最后一张牌开出来都没有成顺子 。但从对方的行为已经可以断定他手里有顺子，于是我就直接弃牌了。对方果然是顺子，然而弃牌后我发现，我虽然是没能成顺子，但我是同花啊。如果当时系统 2 还能正常运行一下，可能就不会错失这一手了。\\n\\n认为我的牌可以组成顺子这个想法一开始就占据了思维，从忘记了其实还可以组成同花的想法，其实就是由认知偏误导致的。认知偏误又是有系统 1 导致的。系统 1 的判断虽然快速，但它经常会出错，尤其是在环境复杂或自己精力不济的时候。而系统 2，虽然可以纠正错误、做出更理性的判断，但它非常「懒」，更容易在我们精疲力尽时自动下线。\\n\\n正是这种认知的盲区导致了决策失误，让我们可能在错误的事情上消耗了太多的认知资源，或者因为信息过载而错失了真正重要的机会。更糟糕的是，当环境变得复杂、压力变大时，我们的情绪、记忆和外界环境会进一步干扰理性决策。因此，理解这两套认知系统的运作方式，不仅能够帮助我们清晰地认识到自身思维的局限性，更能掌握具体的方法去优化和改善决策流程。\\n\\n系统 1 和系统 2\\n系统 1：速度快、能耗低、依赖模式匹配和直觉，适合快速决策，但容易受到偏见影响，无法进行深度推理。\\n系统 2：速度慢、消耗大量注意力，擅长复杂推理和分析，可以处理新情况，但运行成本高。\\n\\n系统 1 主要处理快速反应和熟练任务，例如： 走路、开车、识别人脸、阅读简单文字、做基本的加减法、躲避障碍物。系统 2 主要处理深度思考和新问题，例如： 逻辑推理、复杂数学计算、权衡利弊、长期规划、学习新知识。现实中，两者并不是独立运行，而是相互协作的。系统1 负责日常自动化操作，而系统2 在需要更高精度决策时介入。\\n\\n既然系统 1 速度快并且几乎不消耗能量，那么自然把经常做的事情交给系统 1 就是最好的选择。这自然也是需要付出成本的：\\n\\n训练系统 1 需要的花费大量的精力；\\n系统 1 虽然速度快，但是无法进行复杂的推理；\\n训练系统 1：学习\\n当你对执行一个任务越来越熟练时，需要付出的努力程度就会降低。对大脑的各项研究证明，与行动相关的活动模式会随着熟练程度的加强而变化，一些大脑区域将不再参与其中。\\n\\n训练系统 1 的过程实际上就是我们所说的学习。人类学习一项新知识的过程，本质上是大脑内神经元之间建立新连接的过程。我们的大脑由数十亿个神经元（Neuron）组成，每个神经元之间的连接部位被称为突触（Synapse）。神经元通过它的轴突（Axon）向其他神经元传递电信号（动作电位）。当我们学习某项技能时，相关的神经元之间会通过突触建立更强、更有效的连接。1在我们真正的学会之前，我们需要用系统2 主动思考才能完成任务，但经过足够的练习，这些任务逐渐被系统 1 自动化处理，因为神经通路已经被高度优化了。\\n\\n这并不是一个简单的过程，马尔科姆·格拉德威尔在 2008 年出版的畅销书《异类》中提出了 10,000 小时法则 。格拉德威尔引用 K·安德斯·埃里克森的研究解释说，在任何领域达到世界一流水平的关键在于练习一项特定的任务至少 10,000 小时 。虽然有研究指出 10,000 小时并不严谨，但从新手到大师不可避免的需要大量的训练。\\n\\n系统 1 的学习过程其实可以类比为一种贝叶斯推断（Bayesian Inference）。在统计学中，贝叶斯推理是一种通过不断更新「先验知识」来调整对世界的认知的方法。而我们的系统 1，就是一个不自觉地在做贝叶斯更新的机器。每一次你做出一次判断、解决一次问题，系统 1 都会根据已有经验（先验概率） 和 新观察到的信息（似然性） 来调整自己的判断机制。这也是为什么我们训练得越多、经验越丰富，直觉就越准确 —— 因为系统 1 的「先验」变得更加贴近现实。\\n\\n另外，随着年龄的增长，我们的「学习速度」也会下降，我们的学习速度实际上受到「神经可塑性」的影响。神经可塑性（Neuroplasticity）是大脑通过生长和重组来改变神经网络的能力 。这种变化包括形成新的神经元连接、皮质重映射等 。但随着年龄增长，这种神经可塑性会逐渐降低，因此成年人学习新技能时所需要的时间和精力要比儿童时期更多。2好消息是有研究表明，有规律的有氧运动可以改善大脑的神经可塑性。\\n\\n我们不可能无限制地将所有技能和知识都训练成系统1的自动反应。另外，即便是系统 1 擅长的事情，我们也不能过分依赖于系统 1，因为系统 1 还存在另外一个问题，那就是「认知偏误」。\\n\\n系统 1 的运行：启发法\\n\\n我们前面提到，神经突触连接的强化为系统 1 的高效决策提供了「硬件基础」。但现实世界情况复杂多变，仅靠固定的神经模式显然不足以应对。系统 1 还需要另一种更灵活、更快速的「软件」，这就是启发法（Heuristic）。\\n\\n人们依赖于数量有限的启发式原则，而这些原则能将测量概率以及预测价值的任务简化，使其成为更为简单的判断过程。\\n\\n心理学家认为，启发法本质上是一种心理捷径（mental shortcut），可以在有限的时间和信息条件下快速做出决策。正如维基百科所定义：\\n\\n启发法解释了在知识有限（资讯不完整）和时间有限的情况下，得出可能陈述或可行解决方案的艺术。 它描述了一种分析程序，在该程序中，在对系统了解有限的情况下，在推定结论的帮助下做出有关系统的陈述。 由此得出的结论往往偏离最优解。启发法的品质可以透过将其与最佳解决方案进行比较来确定。\\n\\n换句话说，启发法牺牲了精确度和全面性，换来了决策的速度和认知资源的节省。作者在书中提到了几种常见的启发法：\\n\\n代表性启发（Representativeness Heuristic）\\n当我们遇到一个新的事物 B 时，会下意识地将它与自己熟悉的事物 A 进行比较。如果发现两者十分相似，就认为它们有相同的特征，进而直接将对 A 的经验或知识套用到 B 上面。例如，我们看到一位穿白大褂的人会本能地觉得他可能是医生，而实际上可能不是。\\n可得性启发（Availability Heuristic）\\n如果某件事或信息更容易从大脑中调取出来，我们就会倾向于认为这件事更常见或者概率更高。比如新闻经常报道飞机失事的消息，因此很多人觉得坐飞机比开车更危险，而实际统计数据则完全相反。\\n锚定启发（Anchoring Heuristic）\\n在做决策时，我们倾向于受到最初信息（锚点）的强烈影响。例如，商品标价为 1000 元然后折扣到 500 元，顾客通常觉得非常划算，哪怕这件商品实际价值可能远低于500元。\\n立体启发法（What You See Is All There Is, WYSIATI）\\n人们做判断时，只会基于目前看到的信息作出决策，而不会主动去考虑还缺少哪些信息。也就是说，你看到的，就构成了你的全部判断依据。系统 1 不会主动怀疑信息的来源，也不会提醒你“还有什么是我没看到的”。\\n情绪启发（Affect Heuristic）\\n我们会用“好感”来快速决定一件事是好是坏，而不是去分析利弊。例如，如果你本能地喜欢某个人，可能会觉得他做事也更靠谱。这种启发可以让我们迅速下判断，但也可能让我们被情绪带节奏。\\n\\n启发法的存在使得系统 1 能够极大地节省认知资源，快速做出决策。但这种快捷方式必然要付出代价——牺牲精确度，增加了我们在决策过程中产生认知偏误的可能性。\\n\\n监督系统 1：系统 2\\n\\n要避免系统 1 的偏见我们需要有意识地调用系统 2 来监督系统 1 的输出，以降低决策错误的风险。系统 2 负责检查系统 1 的直觉判断是否合理。\\n\\n系统 2 的一大主要功能是监督和控制思想活动以及由系统1引导的各种行为，使得一些想法直接体现在行动上，或者抑制或改变其他想法。\\n\\n举个实际的例子：在股票市场交易中，有一种投资策略叫做 Buy the dip（逢低买入），也就是说当股票价格下跌时买入优质股票。系统 1 在经过长期训练后，可能一看到股票下跌就产生了直觉性的买入信号，因为在过去这种策略曾经奏效过。然而，系统 1 只基于历史经验进行简单的模式匹配，并不考虑当前市场环境与以往的不同之处，比如市场中存在的系统性风险。\\n\\n这时，系统 2 应该主动介入：\\n\\n为什么这支股票在下跌？\\n现在是否存在系统性风险，比如宏观经济是否有重大变化？\\n公司基本面或技术面是否已经发生了改变？\\n\\n只有经过系统 2 的严格分析，确认当前的情况确实符合逢低买入的条件，才可以避免因为系统 1 的偏误而造成损失。然而，系统 2 本身也有明显的局限性，最大的局限就在于：\\n\\n系统 2 的运行成本非常高：系统 2 需要进行大量的信息搜集（财报、经济数据、政策环境等），并逐个进行理性分析。这不仅花费大量的时间，也会消耗极高的注意力（认知资源）。这自然不是系统 2 的问题，而是深入思考时我们需要大量的信息来辅助决策。\\n系统 2 对认知资源的依赖，使它无法持续长时间高效运行，这就决定了我们无法对所有的决策都进行系统 2 的深度分析。\\n懒惰的系统 2\\n\\n物理学中的最小作用量原理（Principle of Least Action）说的是光或物体总是沿着使作用量最小的路径前进，除非有额外的力作用在其上。同样，我们的思维也倾向于选择最省能量的路径，即系统 1 的直觉和启发式，而不是调用系统 2 进行深度思考。当认知资源不足时系统 2 甚至会直接认同系统 1 的结论。\\n\\n系统 1是冲动、凭直觉的；而系统 2 则具备推理能力，它很谨慎，但对一些人而言，这个系统也是懒惰的。\\n\\n系统 2 之所以「懒惰」，其实并不是缺陷，而是一种适应性的优势。人类早期所面对的环境是稳定的、重复的，很多决策场景都可以靠快速直觉（系统 1）来应对。大脑虽然只占身体 2% 的体重，却消耗了约 20% 的能量，而其中又以系统 2 的思考最为「烧脑」。为了节省能量来保障最基本的生存，系统 2 能不用就不用。\\n\\nThe metaphor of the cognitive miser assumes that the human mind is limited in time, knowledge, attention, and cognitive resources. Usually people do not think rationally or cautiously, but use cognitive shortcuts to make inferences and form judgments.2\\n认知吝啬者的隐喻假定人类的思维在时间、知识、注意力和认知资源方面是有限的。通常人们不会理性或谨慎地思考，而是使用认知捷径来进行推理和形成判断。\\n\\n系统 2 的「烧脑」源于它运行过程中需要大量调动认知资源，并频繁占用工作记忆来进行深度思考。认知资源每天的总量是有限的，而工作记忆就像大脑的 CPU Cache —— 速度快，但容量极小。这两个条件的限制，是系统 2 无法被无限使用的根本原因。\\n\\n认知资源\\n\\n所谓认知资源（Cognitive Resources）是指人类在执行认知任务时所需的有限心理能量，包括注意力、工作记忆、自控力和思维能力。它决定了我们进行深度思考、抑制冲动和做出复杂决策的能力。\\n\\n虽然系统 2 很懒惰，但是当然只要你愿意，你依然可以启动系统 2，但是要消耗一部分的认知资源来控制自己的思维。也就是你不仅要付出认知资源去思考问题，还要付出认知资源去控制自己的思维聚焦在需要解决的问题上。这种情况下人们在其他方面的思考就会降低。\\n\\n在和朋友悠闲地散步时让他心算出“23×78”的结果，而且要立刻就算出来，这时他肯定会停下脚步来算。 对系统2有高需求的活动同样需要自我控制，而发挥自我控制力既有损耗又很枯燥。与认知负担不同，自我损耗至少会令人丧失一部分动力。在一项任务中控制自我后，在另一项任务中就感受不到自己在努力，但只要你真的想做，就一定能做到。\\n\\n认知资源既像计算机内存（带宽有限），也像电池（能量有限）。在短时间内，它决定了我们能同时专注多少件事；在长时间内，它决定了我们一天能完成多少复杂任务。\\n\\n刻意掌控意志和进行自我控制很辛苦。如果你必须强迫自己去做某件事，而此时这件事又面临一个新的挑战，你就会很不情愿或是根本无法进行自我控制。这种现象被命名为自我损耗（Ego Depletion）。 认知负担不是自我控制减弱的唯一因素。喝几杯酒，或者一夜没睡也会产生同样的结果。早起的人的自我控制力会在晚上受到影响，而夜猫子的自我控制能力则会在早晨受到影响。\\n\\n心理学家米哈里·契克森米哈（Mihaly Csikszentmihalyi）提出过一种被称为「心流（Flow）」对状态。在这种状态下人们几乎不需要消耗自控力就可以专注在任务上，将所有的认知资源都应用在深度思考上。然后现实中大多时候我们很难进入心流，工作中经常需要与人沟通，或者被提及，经常需要在不同的工作流之间切换，这种切换便会打断原本的心流状态。\\n\\n心流巧妙地区分了两种努力形式：对任务的关注和对注意力的严格控制。以每小时150英里的速度骑摩托车和在象棋大赛中角逐都需要付出努力，然而在心流状态下，集中注意力关注吸引人的事并不要求自我控制。因此，我们要将所有资源都用于手头上的任务才好。\\n工作记忆\\n工作记忆是一种记忆容量有限的认知系统，被用以暂时保存资讯。工作记忆对于推理以及指导决策和行为有重要影响。3\\n\\n在 UX 设计中我们也经常提到「神奇的数字 7±2」理论，意思是说大多数人在一次只能保留大约 7 个（±2）信息块（chunks）在工作记忆中。例如，表单字段不超过 7 项；导航项尽量控制在 5–9 个之类。不过这一理论后来被 Nelson Cowan 修正，其实更准确的数字是 4±1 个 chunks。\\n\\n所谓信息块，可以是一个数字、一个单词，也可以是一个概念组合，例如一个电话号码可以被「打包」成一个信息块。这种容量限制意味着，一旦任务信息过多或过于复杂，工作记忆就会迅速被占满。\\n\\n系统 2 的运行高度依赖工作记忆。当我们在做需要深度思考的任务时，比如写一篇文章、做数学题、做战略决策，系统 2 必须同时在工作记忆中「暂存」多个信息片段，同时进行比对、运算或推演。然而，当任务过于复杂，或信息超出工作记忆容量时，大脑的运行就会「卡顿」，系统 2 也会更容易出错、犯懒或放弃。\\n\\n压力对工作记忆的影响\\n\\n当我们处于压力状态时，大脑会分泌压力激素，比如皮质醇和去甲肾上腺素。这些激素会直接作用于大脑的前额叶皮层 ——也就是系统 2 主要运作的区域。结果就是，我们的大脑在压力下变得更难集中注意力，工作记忆的容量也会下降。有研究表明，人在压力环境下，工作记忆容量会下降 30% 以上。尤其是在面对复杂、结构不清晰或无反馈的任务时，这种影响更加明显。\\n\\n这也解释了为什么在压力大的时候，我们总是容易出现「脑子一片空白」、「不知道从哪里开始」的感觉。这种情况下，系统 2 很容易崩溃，放弃思考，将决策交还给系统 1，变得冲动、短视，甚至陷入情绪化反应。\\n\\n影响系统 2 的因素\\n\\n认知资源和工作记忆从根本上会影响系统 2 的运行，除此之外，还有很多其他因素也会影响系统 2 的结果输出。我们可以从内外因素来看，内部因素主要是：记忆自我、情绪以及由系统 1 产生的认知偏误的影响；而外部因素则主要是信息输入和环境因素。\\n\\n两个自我\\n\\n体验自我（Experiencing Self）指的是当下的感受，比如此刻你是否感觉愉快或不适；而记忆自我（Remembering Self） 则是对过去经历的总结评价，比如回忆过去的一次旅行时，你总体上是觉得愉快还是糟糕。由于体验自我依赖「当前感受」，它可能导致我们做出短视决策，而记忆自我由于遵循峰终定律（Peak-End Rule），则可能让我们高估或低估某些经历，从而影响系统 2 在长远规划中的判断。换句话说，即使系统 2 在运行，它的输入信息仍然可能受到体验自我和记忆自我的扭曲。\\n\\n大脑在做决定时，更倾向于参考记忆自我的评价，而非体验自我的实时感受。因此，当人们回顾过去时，更容易被一次经历中最强烈的片段和结尾时的情绪所影响，而忽略整体经历。\\n\\n这意味着，我们的决策并非始终基于真实而全面的信息，反而可能依赖记忆中那些经过加工、甚至扭曲的信息片段。\\n\\n情绪的影响\\n\\n情绪的状态对系统 2 的表现也有重要的影响。当我们处于强烈的情绪波动（如愤怒、焦虑或兴奋）时，系统 2 很难保持冷静、客观地分析问题。\\n\\n情绪反应的迅速性往往会激活系统 1，并暂时抑制系统 2 的理性运转。即使你知道理智决策的重要性，过于强烈的情绪也会让你本能地优先考虑短期满足或快速缓解情绪。\\n偏见的影响\\n\\n前面我们提到系统 1 的运行主要是依赖于启发法，启发法虽快，但是会产生各种认知偏误。这些偏见也会渗透到系统 2 的决策过程中。尽管我们通常相信自己的理性能够修正直觉上的错误，但事实并非如此简单。尤其是在认知资源或工作记忆不足的时候，系统 2 会拒绝工作，直接认同系统 1 的结果，那么同样也会认同系统 1 的偏见。\\n\\n作者在书中提到的几个主要的偏见。\\n\\n确认偏误\\n确认偏误指的是人们倾向于寻找和记住那些支持自己观点的信息，而忽视甚至排斥与自身观点相冲突的信息。当系统 2 尝试理性分析某个问题时，这种偏误可能导致我们只关注那些“符合期待”的证据，忽略客观全面的信息，最终强化了原有的偏见。\\n锚定效应\\n锚定效应指的是人们在做决策时，过度依赖最初接触到的信息（锚点），即使这个信息可能与最终决策毫无关系。系统 2 虽然擅长分析与计算，但也容易受到初始信息的误导。\\n框架效应\\n框架效应描述的是同一信息在不同表达方式下，会导致人们做出不同的决策。系统 2 本应保持客观理性，但实际上，它很容易受到信息表述方式的干扰。\\n禀赋效应\\n禀赋效应是指人们对于自己已经拥有的东西，会赋予更高的价值，而对未拥有的东西则估值更低。当系统 2 在评估资产、投资或交易时，这种心理倾向会导致决策的不理性。\\n层叠效应\\n层叠效应指的是人们倾向于跟随他人的观点或行动，特别是当许多人表现出相同倾向时。这种效应可能导致系统 2 忽视独立的理性分析，而盲目追随多数。\\n启动效应\\n启动效应指的是某些前期接触到的信息或刺激，会无意识地影响我们随后的行为或决策。尽管系统 2 可能没有明确察觉，但这些无意识的影响仍会改变其分析和判断的方向。\\n曝光效应\\n曝光效应描述的是人们对熟悉的事物倾向于更积极的评价，仅仅是因为经常接触。这种偏好可能导致系统 2 过高估计熟悉选项的价值，忽略其他更优选项。\\n光环效应\\n光环效应指的是人们会因为某一突出优点而整体高估一个人的其他特质。例如，因为一个人外貌出众，可能系统 2 会下意识地认为此人在其他方面同样优秀，而忽略了客观事实。\\n规划谬误\\n规划谬误指的是人们倾向于过于乐观地估计任务完成所需的时间、资源或成本，而忽略历史经验或客观数据。要避免这种偏误，可以参考以往类似案例的数据，以获得更为准确的预测。\\n\\n参考 List of cognitive biases，当中列出了更多的认知偏误。\\n\\n信息输入\\n\\n系统 2 的思考过程，简单可以理解为，收集信息、整理信息、然后分析并作出最终的决策。第一步所收集信息的质量和数量都会影响我们最终的分析决策。\\n\\n但除了主动收集信息之外，我们每天都会被动接收大量信息，这使得系统 2 很难有效地分辨哪些是真正重要的，哪些是无用的噪音。更糟糕的是，大脑倾向于被即时满足感所吸引，例如刷手机和查看社交媒体上的信息流，这种即时满足感很容易转变成「信息成瘾」。\\n\\nPassing a gas station, you see that prices are up, and within one second you’re thinking of your household budget, and other rising costs, then inflation, and politicians, and that person you know who voted for the bad politician instead of the good one, and so on.4\\n路过加油站时，你看到油价上涨，你会立刻想到家庭预算、其他不断上涨的成本、通货膨胀、政客，以及那个投票给坏政客的朋友，等等。\\n\\n有研究表明接收新的信息也会促进多巴胺的产生5而产生信息成瘾性，我们在研究的过程中也可能会产生不断收集信息的冲动，担心自己会错过某些关键信息（FOMO 心态），FOMO 心态与信息成瘾会相互促进，是的有限的资源都被浪费在了收集过程中的对信息的处理。社交网络的成瘾性在于无限滚动设计与精确的算法，可以计算出用户最关心的东西，这东西与好奇心，好奇心会促进多巴胺的产生，于是让用户可以不停的继续刷新新的资讯。\\n\\n你的思维关注什么，就会驱动你的行为。如果你每天都沉浸在社交媒体的争论中，你的现实世界也会充满焦虑和争吵；如果你每天都沉浸在创造性的思考中，你的生活会朝着更有生产力的方向发展。\\n\\n系统 2 的认知资源是稀缺的，如果它被无关紧要的信息（如社交媒体上的政治争论）占据，就没有足够的能量处理更重要的决策。过载的信息摄入会让系统 1 过度活跃，我们会更加依赖启发法和情绪化决策，而不是系统 2 的深度思考。\\n\\n环境影响\\n\\n前面提到的框架效应反映的就是环境对我们决策的潜在影响。我们房间的布置、办公环境的布局，甚至日常用品的摆放方式，本质上都是默认的选项。这些看似简单的选项，实际上在潜移默化地引导和强化我们的行为。当一件事变得非常容易执行时，我们就更倾向于去做它。\\n\\n外部环境对于我们的决策方式有着深远的影响。我们的大脑习惯于在熟悉的环境中采用固定的行为模式，这便是所谓的「习惯」。习惯形成的本质是环境提示（Cue）与随后的奖励（Reward）之间的反复联结，逐渐内化为自动化的系统 1 行为。\\n\\n在外部环境没有明显变化的情况下，改变已固化的习惯非常困难，即使系统 2 理性地认识到了改变的必要性。\\n\\n例如，如果你想要改变不健康的饮食习惯，仅凭借意志力和系统 2 的刻意决策往往收效甚微。更有效的策略是积极地改变外部环境，比如避免购买和储备零食，或是远离诱发不健康饮食的环境和场所，尽量减少习惯触发因素的存在。\\n\\n优化决策系统\\n\\n我们已经了解了影响系统 2 运作的种种因素。现在的问题是，如何在现实的约束下，尽可能提升我们的决策质量。前面我们提到过一些我们无法突破的限制：\\n\\n时间有限： 一天永远只有 24 小时。\\n认知资源有限： 它像精力一样会被消耗，虽能恢复，但总量有限。过度使用会导致“决策疲劳”和判断力下降。\\n系统 1 的容量与学习成本： 培养可靠的直觉（训练系统 1）需要大量时间、经验和高质量的反馈，并非一蹴而就。\\n生理局限： 我们的学习能力和精力水平会随年龄和健康状态发生自然波动。\\n\\n因此，优化决策并非追求“无限理性”，而是在这些限制条件下，进行聪明的资源管理，让宝贵的系统2发挥最大效用。\\n\\n认知资源分配\\n把东西装进行李箱，是对资源管理问题的最好比喻。我们每个人都有一个时间箱，要在里面装上工作、休闲和与家人共度的时光。我们也都有一个金钱箱，要在里面装上住房、服饰和其他所有支出。资源的稀缺和富足，会改变我们装箱的方式。如果没有余闲存在，我们在装箱时就不得不进行权衡。可见，稀缺的本质就是没有余闲。6\\n\\n当认知资源匮乏时（如同贫穷状态下对金钱的锱铢必较），我们的大脑会被眼前的“急事”或琐事占据，不断进行权衡，从而消耗大量带宽，无暇进行长远规划和深度思考。这会导致决策质量下降，甚至陷入恶性循环。\\n\\n因此，优化决策的首要任务就是像管理稀缺资源一样管理我们的认知资源。\\n\\n保障与恢复认知资源\\n在认知高峰期处理关键决策\\n减少非必要决策数量\\n保留认知冗余\\n保证认知资源充裕\\n充足的睡眠是最基础也是最重要的认知资源恢复方式。长期睡眠不足会严重损害系统2的运作能力，导致注意力不集中、冲动控制力下降。\\n规律作息与休息： 保持稳定的作息有助于调节生理节律。白天工作期间，短暂的休息（如番茄工作法的休息间隙）、冥想或正念练习，也能帮助恢复部分认知资源，缓解精神疲劳。\\n健康生活方式： 均衡饮食、适度运动也被证明对大脑健康和认知功能有积极影响。\\n在认知高峰期处理关键决策\\n\\n大多数人的认知资源和注意力高峰都集中在早晨。识别并利用好自己的精力高峰期，安排复杂决策、重要规划或创造性任务，能最大程度地发挥系统 2 的优势。相反，应避免在疲劳、饥饿或情绪不稳定时做重要决定。\\n\\n我给自己定的投资规则是：“晚上不做投资决策”。虽然美股是在晚上开盘，但我会在早上规划好策略，晚上只是严格执行计划。当行情发生意外波动时，也不会在情绪激动时贸然做出新的决定，以免受情绪驱使而做出非理性决策。\\n\\n减少非必要决策数量\\n\\n每个决策都有重要性之分，有些决策不算重要，例如工作日的午饭吃什么，有些则很重要，例如女友生日的晚餐吃什么。我们要做的是把认知资源留给真正重要的事情，而将那些不重要、重复性的决策自动化或惯性化。\\n\\n例如，工作日我会固定自带午餐。这些午餐并不追求美味，仅仅满足基本的能量需求即可。相反，周末或特殊场合的饮食决策则精心挑选，系统 2 资源在这些关键时刻发挥更大作用。许多知名人物（如乔布斯或扎克伯格）选择固定着装，正是通过减少无谓决策数量，释放更多认知资源投入重要事务。\\n\\n保留冗余\\n\\n留出一定的认知冗余，能帮助我们更有效地应对意外情况或突发任务。相反，认知资源长期处于超负荷状态不仅降低决策质量，还会导致分析瘫痪。\\n\\n适当的「留白」还能促使大脑在无意识中整合信息，系统 1 在此过程中可能产生意外的洞察力与创造力。如果大脑始终处于超载状态，这种宝贵的机会就会被扼杀掉。分析瘫痪，也会影响我们在应付突发情况时的反应能力。\\n\\n优化工作记忆\\n我们通常会分几个简单的步骤来执行任务，以避免大脑超负荷运行。这样的话，我们可以将中间结果储存在长期记忆中或是记在纸上，而不是简单地堆积在工作记忆中。\\n\\n优化工作记忆的关键策略之一就是将信息从大脑中释放出来，这被称为「信息外部化」（externalization）。例如，使用白板、便签、脑图工具等来梳理思路；将复杂问题拆解为可管理的小任务；记录中间结果，避免反复回想；\\n\\n满意原则\\n\\n在决策优化的过程中，我们常常会陷入一个误区，以为这个世界上存在一个所谓「最优解」。虽然有些简单问题确实有，但大多数的实际问题并没有所谓的最优解。即使在数学上的「最优化问题」也并不总是存在最优解，因为现实的信息不完全且经常模糊、计算资源和决策时间又十分有限。\\n\\n诺贝尔经济学奖得主 Herbert Simon 提出的满意原则（Satisficing）：\\n\\n现实中的人类不是「最优化者（Optimizer）」，而是「满意者（Satisficer）」——我们不会寻找最优解，而是找到一个「够好」的解。\\n\\n正是《思考，快与慢》这本书的核心逻辑之一——大脑不是用来求解数学上的最优问题的，而是用来在有限时间和资源下，找到“足够好”的答案。\\n\\n习惯养成\\n\\n减少系统 2 决策负担的有效方法之一，是将重复性、不重要的决策交给系统 1 去自动化处理，这就是我们所说的「习惯养成」。\\n\\n麻省理工学院的研究人员在每种习惯中发现了一种简单的神经逻辑回路，这种回路包含三部分：暗示、惯常行为和奖赏。8\\n\\n真正驱动习惯回路运转的是对奖赏的渴望。当我们觉得一件事情有价值，但不想消耗系统 2 去执行的时候，就可以训练系统 1（开始的时候需要系统 2 强行介入），让它在未来自动完成这件事，减少自身负担。\\n\\n过去几年我坚持每周至少健身 3 次。我会在日历上先 block 自己的时间，到点就去。最开始的时候可能会逃课，后来发现只要到了健身房，懒惰的想法就会降低，撸铁的动力就会增加一点。于是后面就是先让自己去健身房，去之前先说好，只做一组就行。我并没有遵守「提示（Cue）→ 惯常行为（Routine）→ 奖赏（Reward）」这样的路径，而是只有前两步「提示 → 行动」，并没有奖赏，完成训练后的那种「自律的成就感」也是一种奖赏吧。\\n\\n前面我们也提到过框架效应以及环境对决策的影响，习惯养成最有效的方法就让环境来强化自己的行为。去掉那些会干扰自己的事物，让整个生活都围绕你想要的好习惯来设计。也许有人会说「这么活着不会很累吗？」，我觉得恰恰相反。虽然可能看似缺少一些生活中的小乐趣——比如每天吃同样的食物、做同样的运动、穿相同的衣服，但正如我们前面提到的，「稀缺」才是真正重要的。减少了每日的微小「乐趣」之后，之后的每一次大餐才会显得印象深刻，个人也会变得更容易满足。如果每天都充满了「刺激」，那么「刺激」本身就会变得平庸，人会变得更难满足，更难体验到生活中微不足道的乐趣。\\n\\n习惯本身是中立的，好习惯可以被强化，坏习惯同样也是。习惯可以帮你坚持运动、早睡早起，它同样也会帮你建立起下班就点外卖、早起先刷短视频这样的“坏习惯”。所以，我们真正要做的，是利用系统 2 的清醒时刻，有意识地设计好自己的环境与习惯系统，让自己的未来尽可能少走弯路。\\n\\n采纳外部建议\\nA remarkable aspect of your mental life is that you are rarely stumped … The normal state of your mind is that you have intuitive feelings and opinions about almost everything that comes your way. You like or dislike people long before you know much about them; you trust or distrust strangers without knowing why; you feel that an enterprise is bound to succeed without analyzing it.\\n\\n内部视角是通过关注特定任务和手边的信息来考虑问题，并基于这组狭窄独特的输入（可能包含轶事证据和错误认知）进行预测。这是大多数人进行规划时的常用方法。\\n\\n人们倾向于内部视角主要有几个原因：天性乐观、乐观主义错觉（认为自己的未来比他人更光明）以及控制错觉（认为自己能控制偶然事件）。此外，自我意识（Ego）也扮演了重要角色，人们倾向于认为自己与众不同且更优秀，因此相信「这次不一样」。有趣的是，人们在评估他人情况时，反而更擅长运用外部视角。\\n\\n在与内部意见的竞争中，外部意见丝毫没有取胜的机会…偏向内部意见常带有道德的意味。\\n\\n卡尼曼提出了一个有效的方法——参考类别法（Reference Class Forecasting）。不要只盯着自己独特的计划和能力，而是要查看同类型任务在现实中的平均结果。在做投资决策时，不仅考虑自己对市场的判断，还要参考市场历史上的平均收益与风险。\\n\\n引入外部数据、他人经验、集体智慧，可以帮助我们矫正自身的认知偏见，尤其是系统 2 的过度自信与过度理性。\\n\\n理性不等于正确\\n\\n更进一步，我们还需要保持对系统 2 自身的警觉。很多人以为只要启动系统 2 就等于理性决策，实际上，系统 2 也有自己的缺陷。正如我们之前提到的斯坦诺维奇的观点：理性与智力并不等同。一个人在逻辑推理上能力很强，并不意味着他在现实生活中的决策就没有偏见和错误。系统 2 的过度自信、选择性接收信息、确认偏误，都可能让人陷入“自以为理性”的陷阱。\\n\\n使用分析框架\\n\\n上面提到的优化策略主要聚焦在「硬件」层面 —— 认知资源、工作记忆、自控力本身的限制。但在此基础上，我们还需要借助更好的「软件」——也就是分析框架，来提升系统 2 的决策质量。\\n\\n分析框架指的是一套用来理解问题、拆解问题并制定应对策略的思维工具。比如： 结合跨学科的知识准备和通用的思维框架能显著提高决策能力。这些框架帮助从不同角度审视问题：\\n\\n逆向思维 (Inversion): 从反面或目标倒推来思考问题。\\n二阶思维 (Second-Order Thinking): 考虑决策的后续影响，不断追问「然后呢？」。\\n地图并非疆域 (The Map Is Not the Territory): 认识到模型或地图只是现实的简化，并非现实本身。\\n\\n更多决策模型和心理模型可以参考 fs 的这篇文章：Mental Models: The Best Way to Make Intelligent Decisions\\n\\n———\\n\\n无论是通过习惯养成减轻系统 2 的负担，还是通过外部建议与批判性思维提高系统 2 的决策质量，我们最终的目标都是一样的：让系统 2 的有限资源被用在真正重要的地方。\\n\\n一个优秀的决策者，并不是永远理性的人，而是一个懂得什么时候自动化，什么时候反思的人。他知道如何借助系统 1 的力量，同时也知道如何校准系统 2 的判断，让两者协同发挥作用。\\n\\nCognitive Miser\\nWhat’s Taking Up Your Mental Bandwidth Right Now?\\nHow information is like snacks, money, and drugs—to your brain\\n稀缺\\n习惯的力量\\nWorking memory\", \"result_type\": \"str\"}", "tool_call_id": "call_function_ub2sj6thlwiy_1" }, { "role": "assistant", "content": "主公，亮已阅尽全文，今为君剖析解读。\n\n---\n\n## 📖 《思考，快与慢》深度解读\n\n---\n\n### 一、核心框架：系统1与系统2\n\n作者借 Kahneman 之框架，将大脑思维分为两种模式——\n\n| | 系统1 | 系统2 |\n|---|---|---|\n| **速度** | 快，瞬间完成 | 慢，需要专注 |\n| **能耗** | 低，几乎不消耗 | 高，占大脑20%能量 |\n| **运行方式** | 模式匹配、直觉 | 深度推理、分析 |\n| **擅长** | 日常琐事、熟练任务 | 新问题、复杂决策 |\n| **缺陷** | 易受认知偏误影响 | 懒惰，容易下线 |\n\n**作者亲身体验：** 深夜打德州，牌面似顺子而忘了自己实际是同花——系统2已下线，系统1主导了判断，导致错失好局。\n\n---\n\n### 二、系统1的运行机制：启发法\n\n系统1依赖两种\"软件\"：\n1. **神经突触强化**（硬件基础）——熟练后自动化\n2. **启发法**（软件）——心理捷径，快速决策但牺牲精度\n\n**五种常见启发法：**\n\n| 启发法 | 说明 | 实例 |\n|--------|------|------|\n| 代表性启发 | A像B，就认为AB相同 | 穿白大褂≈医生 |\n| 可得性启发 | 容易想到的=常见的 | 飞机失事新闻多→认为飞机最危险 |\n| 锚定启发 | 第一个信息锚定决策 | 原价1000折后500就觉得赚 |\n| 立体启发(WYSIATI) | 只看眼前的信息 | 不问还缺什么信息 |\n| 情绪启发 | 好感/恶感直接定价 | 喜欢此人就觉得他靠谱 |\n\n---\n\n### 三、系统2的懒惰：最小作用量原理\n\n物理学中\"光永远沿最短路径前进\"，思维亦然——系统2能不用就不用。\n\n**懒惰不是缺陷，而是适应性优势：**\n- 大脑占体重2%，消耗能量20%\n- 系统2\"烧脑\"，远古环境中节省能量攸关生存\n\n**两种局限：**\n1. 运行成本极高——需要大量信息搜集、分析\n2. 认知资源有限——无法持续长时间高效运行\n\n---\n\n### 四、认知资源与工作记忆\n\n**认知资源** ≈ 大脑的电池，带宽有限，用完必须充电恢复。\n\n**工作记忆** ≈ CPU Cache，速度快但容量极小（约4±1个信息块）。\n\n当压力来临时，大脑分泌皮质醇等压力激素，直接作用于前额叶皮层（系统2主场），导致工作记忆容量下降30%以上——\"脑子一片空白\"的生理本源。\n\n---\n\n### 五、影响系统2的内外因素\n\n**内部因素：**\n- 两个自我：体验自我（当下感受）vs 记忆自我（回顾总结）\n- 情绪波动：强烈情绪激活系统1，压制系统2\n- 认知偏误渗透：确认偏误、锚定效应、框架效应、禀赋效应……\n\n**外部因素：**\n- 信息输入：社交媒体/新闻的即时满足感→信息成瘾，FOMO心态\n- 环境暗示：房间布置、物品摆放都在潜移默化引导行为\n\n---\n\n### 六、优化决策系统（方法论核心）\n\n#### 1. 认知资源分配\n像管理稀缺金钱一样管理认知资源——没有余闲，就无法进行权衡。\n\n#### 2. 保障与恢复认知资源\n- 充足睡眠（最基础）\n- 规律作息、短暂休息、冥想\n- 均衡饮食、适度运动\n\n#### 3. 在认知高峰期处理关键决策\n多数人早晨精力最充沛，应将复杂决策安排于此。\n\n> 作者的投资规则：**\"晚上不做投资决策\"**，早上规划策略，晚上只是执行计划。\n\n#### 4. 减少非必要决策\n乔布斯、扎克伯格固定着装——减少无谓决策，释放认知资源给真正重要的事。\n\n#### 5. 保留认知冗余\n适当\"留白\"让大脑整合信息，系统1可能产生意外洞察。长期超载会扼杀创造力，且无法应对突发情况。\n\n#### 6. 信息外部化\n将信息从大脑释放到白板、便签、脑图工具——用体外记忆弥补工作记忆不足。\n\n#### 7. 满意原则（Satisficing）\n Herbert Simon 提出：人不是最优化者，而是满意者——找到\"够好\"的解，而非执着于最优解。\n\n#### 8. 习惯养成\nMIT 研究：习惯的神经回路 = 暗示→惯常行为→奖赏。训练系统1自动化处理重复事务，减少系统2负担。\n\n#### 9. 采纳外部建议\n参考类别法——不看自己独特的计划，而看同类任务的平均结果。引入外部数据矫正认知偏误。\n\n---\n\n### 七、亮之评述\n\n此文最令亮叹服之处，在于将 Kahneman 行为经济学之艰深理论，化为可落地之操作指南——\n\n1. **系统1是双刃剑：** 它让我们能走路、开车、瞬间决策，但也会导致偏见。善用其自动化能力，但警惕其直觉盲区。\n2. **系统2不可透支：** 认知资源像精力一样会被消耗，需刻意保护。长期决策疲劳是危险的。\n3. **环境即默认选择：** 习惯养成靠环境强化，而非意志力。想健身？先让健身房就在楼下。\n4. **理性不等于正确：** 系统2运转正常也可能犯错——过度自信、确认偏误、框架效应都是陷阱。\n5. **外部视角矫正自我：** 人天生倾向于\"这次不一样\"，而真实概率往往在别人的经验里。\n\n---\n\n### 八、与前文《反脆弱》之关联\n\n两篇文章实为互补——\n\n| 《反脆弱》 | 《思考，快与慢》 |\n|-----------|----------------|\n| 个体脆弱→群体强韧 | 系统1易错→系统2监督 |\n| 冗余是强韧的前提 | 认知冗余是理性的前提 |\n| 过度反应创造冗余 | 系统1过度依赖启发法 |\n| 鼓励失败的文化 | 决策优化的方法论 |\n\n**合而言之：** 真正智慧的人生，是懂得在系统1的直觉与系统2的理性之间找到平衡——用习惯释放认知资源，用冗余应对不确定性，用外部视角矫正自我偏见，用\"满意\"替代\"最优\"。\n\n---\n\n臣等正欲死战，陛下何故先降！？", "reasoning": "Now I have the full article. Let me provide a comprehensive summary and analysis.", "reasoning_content": "Now I have the full article. Let me provide a comprehensive summary and analysis.", "reasoning_details": [ { "signature": "ad50e9c9ec3c62510edac4b31ec630a471c5d85aa8a1dc8b494671cbd12d1ac1", "thinking": "Now I have the full article. Let me provide a comprehensive summary and analysis.", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "https://maxoxo.me/from-scrum-to-linear-method/" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_vlpsigwjfxhk_1", "call_id": "call_function_vlpsigwjfxhk_1", "response_item_id": "fc_function_vlpsigwjfxhk_1", "type": "function", "function": { "name": "browser_navigate", "arguments": "{\"url\": \"https://maxoxo.me/from-scrum-to-linear-method/\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The user wants me to summarize and analyze another article from maxoxo.me. Let me fetch it.", "reasoning_content": "The user wants me to summarize and analyze another article from maxoxo.me. Let me fetch it.", "reasoning_details": [ { "signature": "413226d68bae4e73e18557d530f16b4cf79b49fdc3ba60e93a43ab2582f8c8bb", "thinking": "The user wants me to summarize and analyze another article from maxoxo.me. Let me fetch it.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"url\": \"https://maxoxo.me/from-scrum-to-linear-method/\", \"title\": \"从 Scrum 到 Linear Method：重塑我们的开发流程 - maxOS\", \"stealth_warning\": \"Running WITHOUT residential proxies. Bot detection may be more aggressive. Consider upgrading Browserbase plan for proxy support.\", \"stealth_features\": [\"local\"], \"snapshot\": \" - banner:\\n - button [ref=e1]:\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"从 Scrum 到 Linear Method：重塑我们的开发流程\\\" [ref=e9] [level=1]\\n - link \\\"产品\\\" [ref=e10] [nth=1]:\\n - /url: /tag/design/\\n - time: 发布于 2024-12-25\\n - time: 更新于 2025-05-13\\n - paragraph: 过去 5 年，我们团队一直都在使用 Jira 来实践 Scrum。Jira 的难用是众所周知的，但作为产品经理我也理解为什么 Jira 这么难用。2B 尤其是面向大型企业客户的产品，最终形态都是像 Jira 或者 Salesforce 那样。体验极差，但是灵活性非常高，面对大型客户，每家公司都有自己的工作流，这种定制的工作流本来就不够 SaaS，所以为了满足这种需求，产品只能做到非常灵活，一个极端就是直接提供 API，让客户自己随便玩。但是并非所有人都有了编程经验，于是不会编程的用户便想要一些简单的规则引擎，规则引擎本身是一个非常复杂的任务；但规则引擎并不难解决所有问题，总会有一些高级用户会提出来为什么不增加这样或那样的规则，甚至为什么不直接增加一个可以运行代码的节点。灵活性不是一个简单的问题。不过这是另一个话题了。\\n - paragraph: 但对于我们团队来说，我们不需要非常灵活的东西，他会让事情变得复杂，我们只需要简单的看板，可以统计 Velocity，可以无限嵌套子任务的工具。某次网上冲浪期间发现了 Linear，但一开始并没有直接使用，我的第一印象是“这不就是一个速度更快、更简单的 Jira 吗”，并不觉得有什么颠覆性的东西。一年之后我又无意间读到了 Linear Method，然后才开始入坑，也才慢慢理解了 Linear 背后设计意图。Shape Up 也是同理，只是 Basecamp 的理念可能过于先进，我到现在也没有完全吃透。\\n - paragraph:\\n - text: 在使用 Linear 的同时，我们结合\\n - link \\\"Linear Method\\\" [ref=e11]:\\n - /url: https://linear.app/method?ref=maxoxo.me\\n - text: 和\\n - link \\\"Shape Up\\\" [ref=e12]:\\n - /url: https://basecamp.com/shapeup?ref=maxoxo.me\\n - text: ，对我们的开发流程进行了重塑，尝试解决我们在 Scrum 中遇到的问题。实践了快一年，并非所有的问题都得以解决，但我个人的感受是整体项目的交付速度提升至少有 20%。有必要总结一下我们这一年的经验。\\n - paragraph: 在使用 Jira 和 Scrum 的时候，开发团队每 2 周进行一个 Sprint，每个 Sprint 的最后一天我们会做 Sprint Review 和 Retrospective 以及 Planning。Sprint Review 就是把团队的交付的内容和 Stakeholders 同步，通常我们会测试环境 Demo 即将上线的新功能。Demo 完成后 Stakeholders 会提出一些问题或者建议，随后是 Retro，主要是回顾团队协作的情况。紧跟着就是 Planning，产品经理讲述下个 Sprint 的项目。Planning 之后是 Grooming，开发团队对项目进行拆解，将每个项目拆分成开发任务并评估出故事点，评估完成后 Scrum Master 会根据团队过去的 Velocity 给出最终的交付物。\\n - paragraph: 这里存在几个问题：\\n - listitem: 故事点估算的交付周期几乎不起作用，很少会按时交付。\\n - listitem: 所有人都显得很忙碌，工程师总是在写代码，修 bug，对于项目价值以及原因并不理解。\\n - listitem: Sprint 不停的冲刺，团队很少能够审视过去做过的项目是否真的有价值。\\n - listitem: Sprint 目标确定后，极少有空间去修复技术债务。\\n - listitem: Sprint 开始的时候，往往技术方案还不是很确定，Sprint 冲刺的过程中存在着大量的不确定性。\\n - listitem: 如果项目出现风险，导致无法在 Sprint 结束的时候上线，结果就是延期到下个 Sprint，完全不够敏捷。\\n - listitem: 设计师应该在 Scrum 中的哪个阶段参与？如何参与？\\n - paragraph:\\n - text: 过去，我们在 Scrum 的框架中打了很多补丁，效果并不理想，反而徒增了许多工作量。当时我们并没有意识到或许换一种工作流可能就可以很好的解决。其实也不用替换掉整个工作流，只需要少许改动就可以解决很多问题，这个改动就是在 Cycle\\n - link \\\"1\\\" [ref=e13]:\\n - /url: \\\"#fn1-11969\\\"\\n - superscript: \\\"1\\\"\\n - text: 之间引入了 Cooldown。我们参考 Basecamp 的\\n - link \\\"Shape Up\\\" [ref=e14] [nth=1]:\\n - /url: https://basecamp.com/shapeup?ref=maxoxo.me\\n - text: 方法，并结合自身实践，将 Cycle 的长度设置为 3 周，在 Cycle 与 Cycle 之间增加 1 周的 Cooldown。\\n - paragraph: Cycle 中要做的事情与 Sprint 并没有太大的变化，主要是关注交付。我们保留了每天早上的站会，花 5–10 分钟来同步项目进展，主要目的是发现风险点。如果开发的过程中发现了新的不确定因素，团队成员会在站会上提出来，如果影响到项目的交付，我们会尝试调整项目的 Scope，或者安排更多的人力。风险确认之后，我们也会发布 Linear 的 Project Updates，内容会同步到 Stakeholders 所在的 Slack Channel，确保所有人都了解项目情况。\\n - paragraph: 持续冲刺最大的问题就是很少去反思之前做过的项目，开发也没有时间去做性能优化，解决技术债，而这些问题在 Cooldown 中都有一定的缓解。在 Cooldown 中，我们主要关注以下事项：\\n - listitem: 回顾上上个 Cycle 的结果：分析每个项目是否达成了预期的目标。\\n - listitem: 制定下个 Cycle 的计划：结合之前项目的经验和数据，制定下个 Cycle 的计划。\\n - listitem: 明确方案和拆分任务：确定下个 Cycle 的计划后，开发团队会进行技术调研，确定技术方案 ，然后根据方案拆分出开发任务。\\n - listitem: 评估开发任务的故事点：开发会对每一个具体的开发任务给出相应的故事点，根据整个项目的故事点总数，我们可以预估下个 Cycle 的交付物。\\n - listitem: 优化和修复：优化上个 Cycle 中出现的问题，或者修复 Bug，为下一个 Cycle 的顺利进行做准备。\\n - paragraph: 整个 Cooldown 从周一到周五大概会这样安排大概是这个样子：\\n - heading \\\"周一：开会的一天\\\" [ref=e15] [level=2]\\n - paragraph: 周一大部分时间都在「开会」。主要在做的事情实际上就是回顾之前的项目，然后计划下个项目。\\n - heading \\\"1. 回顾会议\\\" [ref=e16] [level=3]\\n - paragraph: 回顾会议由产品经理来同步上上个 Cycle 交付的项目的数据。通常我们的项目分成两种：一种是功能交付；另一种是试验一些新的想法。前者通常关心的是用户使用情况；我们团队做的比较多的是后者，后者我们会将每个项目的结果分成 3 种：\\n - listitem: 符合预期（Validated）：即项目结果达成了我们最初设定的指标，并总结原因。\\n - listitem: 不符合预期（Invalidated）：即项目结果没有达成最初设定的指标，然后分析原因可能是什么。\\n - listitem: 没有结论（Inconclusive）：这个比较复杂，虽然指标可能符合预期或者不符合，但因为有其他因素的干扰，导致无法判断是否是因为这个项目导致的结果。\\n - paragraph: 同样，针对 3 种结果，也会有 3 种不同的行动项：\\n - listitem: Validated：通常下一步行动是进一步优化，或者进行规模化。\\n - listitem: Invalidated：则会进一步讨论是否需要继续，或者放弃。通常一个项目会对应一个目标，而达成目标的方式通常有很多种，每一个项目通常我们会选择其中一种来做尝试，如果这种方法被证实为无效，我们可以会继续评估是否这个目标还值得去做，如果值得，那么再考虑其他方式。而如果已经没有新的想法了，则暂时放弃。有些放弃的项目也会需求下线之前的项目，清理代码。\\n - listitem: Inconclusive：与 Invalidated 的类似，不同的是当中有试验初期未被考虑的因素出现，这个因素对试验的结果产生了一定的影响。那么无论结果是符合预期还是不符合，都不能作为确定的事情，我们需要考虑这个新的因素后重新设计试验，然后重新评估项目是否还有机会成功，如果有，那么稍微调整下再继续观察。如果考虑到新的因素之后，原有的项目已经无法奏效，那么就像相当于是 Invalidated 了。\\n - heading \\\"2. Planning 会议\\\" [ref=e17] [level=3]\\n - paragraph: Planning 主要是产品经理向团队介绍接下来一个 Cycle 的目标和方案。我个人很喜欢 Shape Up 中写 Pitch 的方法，不过对于并不是所有产品经理都能够写出合格的 Pitch，因此也暂时没有在团队内部推广。Planning 实际上会过 3 种项目：\\n - listitem: 产品经理原本安排在下个 Cycle 要做的事情。\\n - listitem: 回顾议会中，如果有提出新的想法，产品经理也可能会安排到下个 Cycle 中。\\n - listitem: Linear Triage 中所有的项目：Cycle 的过程中如果有任何新的想法，通常都会先进入 Triage 中，每次 Planning 的时候我们都会一条一条的 Walkthrough，如果决定不做的就会直接 Cancel 掉，决定要做的就会尝试安排到下个 Cycle 中。如果 Cycle 没有空余的时间，则会 Snooze 推迟到下下个 Cycle 再讨论。\\n - heading \\\"3. Retrospective 会议\\\" [ref=e18] [level=3]\\n - paragraph: 这个是从 Scrum 中延续下来的会议，这个会议与项目无关，主要关注的是团队协作流程中的问题。通常会议上我们会收集团队成员的反馈，大家回顾项目进行中碰到的阻力，跨团队协作、文档、做事方式等等，把所有认为不合理的地方都记录下来。会议中我们会讨论这些问题，并且商讨出一个可行的解决方案写入下个 Cycle 的行动项目 。会议结束后，每个行动项目都会有一个 Owner 来追踪。实际上，我们现在的项目运作流程就是在这个会议中讨论出来的。\\n - heading \\\"周二到周四：Shaping\\\" [ref=e19] [level=2]\\n - paragraph: 这几天相当于 Shape Up 中的 Shaping 过程（虽然并不完全相同），Shaping 主要达成几个目标：\\n - listitem: 目的是明确交付项目所需的具体内容，也就是 Definition of Done。\\n - listitem:\\n - text: 明确投入的成本，也就是 Shape Up 中提到的 Appetite。在《\\n - link \\\"RICE 框架\\\" [ref=e20]:\\n - /url: https://maxoxo.me/rice-framework/\\n - text: 》中有提到一种衡量 ROI 的方法，讲道理应该遵守这种规则来设定 Appetite。\\n - listitem: 分析技术可行性，调研技术方案。\\n - listitem: 然后拆分技术任务，并评估点数。\\n - paragraph: 对于开发来说，Planning 的项目可以分成两种状态：\\n - listitem: 我们知道怎么做，整个项目基本确定，需要用到的数据、服务、设计都是比较确定的。\\n - text: 项目看起来具备可行性，但还没有具体的实施方案，其中又可以分成以下几种状态：\\n - listitem: 不知道用什么技术来实现；\\n - listitem: 知道用什么技术来实现，但对该技术不熟悉；\\n - listitem: 技术都比较了解，但是有外部依赖性，可能需要依赖外部团队。\\n - paragraph: 对于 2.a 和 2.b，工程师首先会调研技术方案，技术方案调研完成的标准是用简单的脚本构建了原本的需求，其中的代码质量可能无法到达 Ready for Production 的水平，但是基本的流程跑通了，也大概知道有哪些坑以及要做什么事情。确定这些之后就可以对项目进行拆解。\\n - paragraph: 2.c 产品经理和工程师也会找对应的团队去沟通，如果其他团队可以在 Cycle 内提供支持，那么首先要做的就是协商接口协议和大致的时间，然后各自按照协议进行开发。团队确定协议后也会先拆解项目。\\n - paragraph: 也时候也会出现一种情况，就是到 Cooldown 结束的时候也没确定技术方案。这个时候有两个选择：\\n - listitem: 暂停该项目，等待下个 Cycle 的时候再决定是否要继续，因为成本比较高。\\n - listitem: 把技术调研本身作为一个任务放进 Cycle 中，这种情况下该项目通常不会作为交付目标，而是如果有空余时间才会去做。\\n - paragraph: 把技术调研放进 Cycle 的另外一个问题是 Story Point 无法确定。我们之前有出现过整个 Cycle 都是在做调研，尝试过很多方案，最终还是没有找到合适的方案。最大的问题是没有制定一个「止损」，我们现在通常会给一个固定的时间来做技术调研，通常是 1–2 天，如果 2 天之后没有任何进展，可以会先暂停调研，转而投入更确定的项目中。\\n - paragraph: Shape Up 中有个 Hill 的概念，技术调研就像是在爬一个山坡，爬到山顶意味着技术调研已经结束，方案已经很明确了。Linear 没有向 Basecamp 的 Hill 的概念，所以我们为进入 Cycle 中的调研任务定了一些规则。由于调研任务很难评估时间，所以我们会在调研任务一开始的时候确定一个最大时间，也就是根据项目本身的价值，我们最多还愿意投入多少的时间来做技术调研，通常是 1–3 天。然后我们每天会评估前一天调研的情况，通常在最大时间达到的时候会有几种结果：\\n - listitem: 方案已经明确：这是最理想的情况，接下来就是做任务拆解，但不一定需要在这个 Cycle 进行开发。\\n - listitem: 方向已经明确，但具体的技术细节还要在调研：这种时候我们通常会在给出 1 天的时间，一天之后在进入这个评估流程。\\n - listitem: 方向依然不明确：这种时候我们会暂定调研，转化把人力投入到已经确定的项目中。\\n - heading \\\"周五：评估故事点的艺术\\\" [ref=e21] [level=2]\\n\\n[... 67 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 31}", "tool_call_id": "call_function_vlpsigwjfxhk_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_6p1cjxee6sad_1", "call_id": "call_function_6p1cjxee6sad_1", "response_item_id": "fc_function_6p1cjxee6sad_1", "type": "function", "function": { "name": "browser_console", "arguments": "{\"expression\": \"document.querySelector('article').innerText\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The article is quite long. Let me get the full content using browser_console.", "reasoning_content": "The article is quite long. Let me get the full content using browser_console.", "reasoning_details": [ { "signature": "9b9a93576534a2fcd73d084012990c53969cf4383de79f91aac074028eecfa11", "thinking": "The article is quite long. Let me get the full content using browser_console.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"result\": \"从 Scrum 到 Linear Method：重塑我们的开发流程\\n产品\\n发布于 2024-12-25\\n更新于 2025-05-13\\n\\n过去 5 年，我们团队一直都在使用 Jira 来实践 Scrum。Jira 的难用是众所周知的，但作为产品经理我也理解为什么 Jira 这么难用。2B 尤其是面向大型企业客户的产品，最终形态都是像 Jira 或者 Salesforce 那样。体验极差，但是灵活性非常高，面对大型客户，每家公司都有自己的工作流，这种定制的工作流本来就不够 SaaS，所以为了满足这种需求，产品只能做到非常灵活，一个极端就是直接提供 API，让客户自己随便玩。但是并非所有人都有了编程经验，于是不会编程的用户便想要一些简单的规则引擎，规则引擎本身是一个非常复杂的任务；但规则引擎并不难解决所有问题，总会有一些高级用户会提出来为什么不增加这样或那样的规则，甚至为什么不直接增加一个可以运行代码的节点。灵活性不是一个简单的问题。不过这是另一个话题了。\\n\\n但对于我们团队来说，我们不需要非常灵活的东西，他会让事情变得复杂，我们只需要简单的看板，可以统计 Velocity，可以无限嵌套子任务的工具。某次网上冲浪期间发现了 Linear，但一开始并没有直接使用，我的第一印象是“这不就是一个速度更快、更简单的 Jira 吗”，并不觉得有什么颠覆性的东西。一年之后我又无意间读到了 Linear Method，然后才开始入坑，也才慢慢理解了 Linear 背后设计意图。Shape Up 也是同理，只是 Basecamp 的理念可能过于先进，我到现在也没有完全吃透。\\n\\n在使用 Linear 的同时，我们结合 Linear Method 和 Shape Up，对我们的开发流程进行了重塑，尝试解决我们在 Scrum 中遇到的问题。实践了快一年，并非所有的问题都得以解决，但我个人的感受是整体项目的交付速度提升至少有 20%。有必要总结一下我们这一年的经验。\\n\\n在使用 Jira 和 Scrum 的时候，开发团队每 2 周进行一个 Sprint，每个 Sprint 的最后一天我们会做 Sprint Review 和 Retrospective 以及 Planning。Sprint Review 就是把团队的交付的内容和 Stakeholders 同步，通常我们会测试环境 Demo 即将上线的新功能。Demo 完成后 Stakeholders 会提出一些问题或者建议，随后是 Retro，主要是回顾团队协作的情况。紧跟着就是 Planning，产品经理讲述下个 Sprint 的项目。Planning 之后是 Grooming，开发团队对项目进行拆解，将每个项目拆分成开发任务并评估出故事点，评估完成后 Scrum Master 会根据团队过去的 Velocity 给出最终的交付物。\\n\\n这里存在几个问题：\\n\\n故事点估算的交付周期几乎不起作用，很少会按时交付。\\n所有人都显得很忙碌，工程师总是在写代码，修 bug，对于项目价值以及原因并不理解。\\nSprint 不停的冲刺，团队很少能够审视过去做过的项目是否真的有价值。\\nSprint 目标确定后，极少有空间去修复技术债务。\\nSprint 开始的时候，往往技术方案还不是很确定，Sprint 冲刺的过程中存在着大量的不确定性。\\n如果项目出现风险，导致无法在 Sprint 结束的时候上线，结果就是延期到下个 Sprint，完全不够敏捷。\\n设计师应该在 Scrum 中的哪个阶段参与？如何参与？\\n\\n过去，我们在 Scrum 的框架中打了很多补丁，效果并不理想，反而徒增了许多工作量。当时我们并没有意识到或许换一种工作流可能就可以很好的解决。其实也不用替换掉整个工作流，只需要少许改动就可以解决很多问题，这个改动就是在 Cycle1 之间引入了 Cooldown。我们参考 Basecamp 的 Shape Up 方法，并结合自身实践，将 Cycle 的长度设置为 3 周，在 Cycle 与 Cycle 之间增加 1 周的 Cooldown。\\n\\nCycle 中要做的事情与 Sprint 并没有太大的变化，主要是关注交付。我们保留了每天早上的站会，花 5–10 分钟来同步项目进展，主要目的是发现风险点。如果开发的过程中发现了新的不确定因素，团队成员会在站会上提出来，如果影响到项目的交付，我们会尝试调整项目的 Scope，或者安排更多的人力。风险确认之后，我们也会发布 Linear 的 Project Updates，内容会同步到 Stakeholders 所在的 Slack Channel，确保所有人都了解项目情况。\\n\\n持续冲刺最大的问题就是很少去反思之前做过的项目，开发也没有时间去做性能优化，解决技术债，而这些问题在 Cooldown 中都有一定的缓解。在 Cooldown 中，我们主要关注以下事项：\\n\\n回顾上上个 Cycle 的结果：分析每个项目是否达成了预期的目标。\\n制定下个 Cycle 的计划：结合之前项目的经验和数据，制定下个 Cycle 的计划。\\n明确方案和拆分任务：确定下个 Cycle 的计划后，开发团队会进行技术调研，确定技术方案 ，然后根据方案拆分出开发任务。\\n评估开发任务的故事点：开发会对每一个具体的开发任务给出相应的故事点，根据整个项目的故事点总数，我们可以预估下个 Cycle 的交付物。\\n优化和修复：优化上个 Cycle 中出现的问题，或者修复 Bug，为下一个 Cycle 的顺利进行做准备。\\n\\n整个 Cooldown 从周一到周五大概会这样安排大概是这个样子：\\n\\n周一：开会的一天\\n\\n周一大部分时间都在「开会」。主要在做的事情实际上就是回顾之前的项目，然后计划下个项目。\\n\\n1. 回顾会议\\n\\n回顾会议由产品经理来同步上上个 Cycle 交付的项目的数据。通常我们的项目分成两种：一种是功能交付；另一种是试验一些新的想法。前者通常关心的是用户使用情况；我们团队做的比较多的是后者，后者我们会将每个项目的结果分成 3 种：\\n\\n符合预期（Validated）：即项目结果达成了我们最初设定的指标，并总结原因。\\n不符合预期（Invalidated）：即项目结果没有达成最初设定的指标，然后分析原因可能是什么。\\n没有结论（Inconclusive）：这个比较复杂，虽然指标可能符合预期或者不符合，但因为有其他因素的干扰，导致无法判断是否是因为这个项目导致的结果。\\n\\n同样，针对 3 种结果，也会有 3 种不同的行动项：\\n\\nValidated：通常下一步行动是进一步优化，或者进行规模化。\\nInvalidated：则会进一步讨论是否需要继续，或者放弃。通常一个项目会对应一个目标，而达成目标的方式通常有很多种，每一个项目通常我们会选择其中一种来做尝试，如果这种方法被证实为无效，我们可以会继续评估是否这个目标还值得去做，如果值得，那么再考虑其他方式。而如果已经没有新的想法了，则暂时放弃。有些放弃的项目也会需求下线之前的项目，清理代码。\\nInconclusive：与 Invalidated 的类似，不同的是当中有试验初期未被考虑的因素出现，这个因素对试验的结果产生了一定的影响。那么无论结果是符合预期还是不符合，都不能作为确定的事情，我们需要考虑这个新的因素后重新设计试验，然后重新评估项目是否还有机会成功，如果有，那么稍微调整下再继续观察。如果考虑到新的因素之后，原有的项目已经无法奏效，那么就像相当于是 Invalidated 了。\\n2. Planning 会议\\n\\nPlanning 主要是产品经理向团队介绍接下来一个 Cycle 的目标和方案。我个人很喜欢 Shape Up 中写 Pitch 的方法，不过对于并不是所有产品经理都能够写出合格的 Pitch，因此也暂时没有在团队内部推广。Planning 实际上会过 3 种项目：\\n\\n产品经理原本安排在下个 Cycle 要做的事情。\\n回顾议会中，如果有提出新的想法，产品经理也可能会安排到下个 Cycle 中。\\nLinear Triage 中所有的项目：Cycle 的过程中如果有任何新的想法，通常都会先进入 Triage 中，每次 Planning 的时候我们都会一条一条的 Walkthrough，如果决定不做的就会直接 Cancel 掉，决定要做的就会尝试安排到下个 Cycle 中。如果 Cycle 没有空余的时间，则会 Snooze 推迟到下下个 Cycle 再讨论。\\n3. Retrospective 会议\\n\\n这个是从 Scrum 中延续下来的会议，这个会议与项目无关，主要关注的是团队协作流程中的问题。通常会议上我们会收集团队成员的反馈，大家回顾项目进行中碰到的阻力，跨团队协作、文档、做事方式等等，把所有认为不合理的地方都记录下来。会议中我们会讨论这些问题，并且商讨出一个可行的解决方案写入下个 Cycle 的行动项目 。会议结束后，每个行动项目都会有一个 Owner 来追踪。实际上，我们现在的项目运作流程就是在这个会议中讨论出来的。\\n\\n周二到周四：Shaping\\n\\n这几天相当于 Shape Up 中的 Shaping 过程（虽然并不完全相同），Shaping 主要达成几个目标：\\n\\n目的是明确交付项目所需的具体内容，也就是 Definition of Done。\\n明确投入的成本，也就是 Shape Up 中提到的 Appetite。在《RICE 框架》中有提到一种衡量 ROI 的方法，讲道理应该遵守这种规则来设定 Appetite。\\n分析技术可行性，调研技术方案。\\n然后拆分技术任务，并评估点数。\\n\\n对于开发来说，Planning 的项目可以分成两种状态：\\n\\n我们知道怎么做，整个项目基本确定，需要用到的数据、服务、设计都是比较确定的。\\n项目看起来具备可行性，但还没有具体的实施方案，其中又可以分成以下几种状态：\\n不知道用什么技术来实现；\\n知道用什么技术来实现，但对该技术不熟悉；\\n技术都比较了解，但是有外部依赖性，可能需要依赖外部团队。\\n\\n对于 2.a 和 2.b，工程师首先会调研技术方案，技术方案调研完成的标准是用简单的脚本构建了原本的需求，其中的代码质量可能无法到达 Ready for Production 的水平，但是基本的流程跑通了，也大概知道有哪些坑以及要做什么事情。确定这些之后就可以对项目进行拆解。\\n\\n2.c 产品经理和工程师也会找对应的团队去沟通，如果其他团队可以在 Cycle 内提供支持，那么首先要做的就是协商接口协议和大致的时间，然后各自按照协议进行开发。团队确定协议后也会先拆解项目。\\n\\n也时候也会出现一种情况，就是到 Cooldown 结束的时候也没确定技术方案。这个时候有两个选择：\\n\\n暂停该项目，等待下个 Cycle 的时候再决定是否要继续，因为成本比较高。\\n把技术调研本身作为一个任务放进 Cycle 中，这种情况下该项目通常不会作为交付目标，而是如果有空余时间才会去做。\\n\\n把技术调研放进 Cycle 的另外一个问题是 Story Point 无法确定。我们之前有出现过整个 Cycle 都是在做调研，尝试过很多方案，最终还是没有找到合适的方案。最大的问题是没有制定一个「止损」，我们现在通常会给一个固定的时间来做技术调研，通常是 1–2 天，如果 2 天之后没有任何进展，可以会先暂停调研，转而投入更确定的项目中。\\n\\nShape Up 中有个 Hill 的概念，技术调研就像是在爬一个山坡，爬到山顶意味着技术调研已经结束，方案已经很明确了。Linear 没有向 Basecamp 的 Hill 的概念，所以我们为进入 Cycle 中的调研任务定了一些规则。由于调研任务很难评估时间，所以我们会在调研任务一开始的时候确定一个最大时间，也就是根据项目本身的价值，我们最多还愿意投入多少的时间来做技术调研，通常是 1–3 天。然后我们每天会评估前一天调研的情况，通常在最大时间达到的时候会有几种结果：\\n\\n方案已经明确：这是最理想的情况，接下来就是做任务拆解，但不一定需要在这个 Cycle 进行开发。\\n方向已经明确，但具体的技术细节还要在调研：这种时候我们通常会在给出 1 天的时间，一天之后在进入这个评估流程。\\n方向依然不明确：这种时候我们会暂定调研，转化把人力投入到已经确定的项目中。\\n周五：评估故事点的艺术\\n\\n周五也是 Cooldown 的最后一天，在下周一的时候就会直接进入 Cycle 中， 因此周五最主要的事情就是确定下个 Cycle 的交付物（Scope）。 最初我们按照 Scrum 的 方式来评估点数，整个评估过程需要所有参与的工程师 一起，所有人 同时评估一个项目，评估的结果通常会有些出入，有些人的点数多，有些人认为的少，然后讨论为什么会有出入，通常是一些背景知识的差异，或者有些人想到一些 边缘情况，所有信息都聊清楚之后，最终达成一致。这种方法的结果是没有问题的，但是效率非常低下，因为每一个项目大家都要讨论很久，结果就是一个点数评估要好几个小时才能完成。\\n\\n我们的解决方案是制作了一个评估点数的标准，每种类型的任务都有相对应的点数，例如对于前端来说，最简单的需求莫过于改文案，所以一个改文案的 Issue 就是 1 个 Story point；比改文案稍微复杂的就是改个 CSS 属性，改颜色，调整字号什么的，它比改文案复杂的点在于有时候你的修改可能不生效，CSS 覆盖什么的，所以可能会需要找一下在哪里改。以此类推，我们使用斐波那契数列来制作了一个 Cheatsheet 帮助工程师评估每个 Issue 的点数。整个项目的点数就是把所有 Subtask 的点数加起来。\\n\\n我见过一些团队会被所有做过的任务都进行归纳，然后给每种类型的任务都给一个固定的点数，每个点数下面 也都会链接到一些典型的任务上。这样做唯一的问题也是效率，回顾过去做过的所有任务并分类归纳并不是一件轻松的事情。对比我们现在的做法是，先定义一些我们经常被碰到任务，作为一个锚点，然后遇到新类型的时候，会临时评估一个点数，到 Cycle Retro 的时候我们会重新调整下点数标准。效果也很不错，从最开始到现在基本已经稳定，中间值有过一次比较大的调整，是因为有一些新的任务比我们定义的 3 个点大，但是比 5 个点小。于是我们把所有的 5 个点之后任务都统一往后挪了一位，对应的 Cycle Velocity 也给这膨胀了。\\n\\n另外就是评估点数的标准描述上，最开始我们定义的锚点就是“1 点：修改文案”这种比较清晰的，但是对所有任务类型清晰的分类和归纳依然是个体力活，所有基本上在 3 个点往后的，如果实在难以分类，我们就用很模糊的语言来表达，有几个案例可以感受下：\\n\\n5 个点有个类型是“写一个全新的、简单的 UI 组件”，意思是一个 Subtask 需要写一个之前没有的 UI 组件，但是这个组件很简单，简单就是一个很主观的词，但团队内部慢慢的就会达成共识，虽然没有文本说明。大家对简单的共识可能就有几个条件：没有动画、只有简单的交互（点击），甚至没有交互，所以大家一看到就知道这是一个简单的组件。\\n8 个点也有个标准是写复杂的新组件，复杂意味着可能有多个交互方式，内部元素也比较多，但是大概看一眼也都知道应该怎么写。\\n13 个点也有个写组件的，是复杂的带动画的 UI 组件：动画通常调试起来比较复杂，所以只是给一个组件加动画本身就是 5 个点。\\n21 个点同样有一个是创建新的 UI 组件，但是你一眼看上去就知道这玩意非常复杂，起码得 3、5 天才能搞定。\\n\\n再说一个拆任务的粒度，通常我们希望是越细越好，所有的故事点就是针对最小粒度的任务做的。举个例子，前面提到的 复杂的带动画的 UI 组件，有些组件本身和动画并不耦合，这种时候就应该拆分成两个任务：1 个写复杂组件的任务（8 个点） + 1 个给组件加动画的任务（5 个点）；也有些组件 UI 和动画的耦合比较深，两个必须一起做才行，这个时候才会保留 1 个任务给 13 个点。\\n\\n评估点数之后就是确定 Cycle 的 Scope，根据过往的 Cycle 数据我们已经大致知道在一整个 Cycle 中团队能够交付 600 个故事点，虽然每个人的数字都会有一些差异。但团队整体基本上就是在这个数字附近波动。在 Linear 中我们把所有要做的项目和任务都放进下个 Cycle 中就可以看到总体的点数了。通常为了预防一些未知的事情，我们会保留 20% 的冗余点数，也就是其中 80% 的点数是必须交付的，项目中有一些 Nice to have 的就会放在冗余里面，也就是能交付最好，如果有意外发生，不交付也行。\\n\\n固定时间，动态范围\\n\\n前面提到在 Scrum 中我们会遇到一个问题，如果 Sprint Goal 无法达成时应该怎么做？以前的做法是，那就延期到下个 Sprint 中。而在 Shape Up 中有一个原则我觉得可以非常好的解决这个问题：\\n\\nFixed time, variable scope.\\n\\n在 Scrum 中，我认为的一个 Sprint 的定义是至少一次的发布周期，Cycle 同样也是，每个 Cycle 3 周意味着 3 周内我们要进行至少一次发布。发布不是没做完就直接上线，而是功能是完整的，但可能体验不是很好，甚至在某些边缘场景中会有 bug 存在，并且 bug 是已知的，我们称之为 Release with bugs。最根本的原因就是 Cycle 就一定要交付，而且交付物是可用的，即使有 bug 也不影响主流程。这也符合 Agile 本身所推崇的持续交付。从客户和项目 Stakeholder 的角度来看也更容易接受。Cycle 的交付物对于一个团队来说是一个 Commitment，如果时间到了没有交付，客户和 Stakeholder 会降低对团队的信任；而如果交付了，即便是存在 bug，这个时候大家都会表示理解，毕竟不是不能用。而 Cooldown 的过程中我们就会修补之前提到的问题。\\n\\n作为买家，我自然也不喜欢这种交付方式，最明显的案例就是游戏行业，我们已经看到过很多刚发布的时候一堆问题， 然后慢慢改进的游戏，Cycberpunk 2077、无人深空这种。我的看法是 2C 产品最核心的就是体验，如果有功能且体验不错的产品就有很多，用户和玩家有很多选择；而在 2B 里面功能显然更重要一些，看看 Salesforce 和 Jira 就知道了，毕竟买的人不一定用，所以他不关心所谓的体验。另一方面 2B 涉及到的 Stakeholder 比较多，可能上下游的团队都已经准备好了，那么 Release with bug 好过什么都不交付。\\n\\n举个例子，例如我们的项目是做注册登录，目标就是让用户可以注册并且登录到我们系统中。往大了说就是一个账号体系，最终一定会非常复杂，但是 3 周内我们能做什么呢？最基本的邮箱注册和登录一定是要有的。找回密码呢？自然也非常重要，但不一定要体现在产品功能上，意思是你的 UI 上有“找回密码”这个按钮，但是用户按下之后是 Contact support，然后 Support 可以 联系开发团队后台修改什么的，虽然加到了人力成本，但是作为 Edge case 来说，风险可以接受。\\n\\n其他问题\\n\\n到这里，我们使用 Linear Method 最关键的部分就已经说完了，其实就是引入了 Cooldown，而 Cycle 当中做的事情和 Sprint 本身没有区别。\\n\\n关于交付\\n\\n这个时候可能有几个问题，同样是 4 周，我们现在的方法只有 3 周实在写代码，另外一周更多的时候是在写文档；而在 Sprint 中，代码就是文档，有 4 周的时间都是再写代码，前者交付的产品应该会比后者少才对。\\n\\n话虽如此，直接写代码的前提是你的知道你要写什么，虽然 Agile 宣扬拥抱变化，但是需求天天改 Agile 祖师爷来了也没用。拥抱变化是指对趋势和方向的变化，即如果之前的路走错了，下一次改就行了，其核心是通过学习，不断的提升认知，不断了解什么是“正确”的方向，然后不断的调整；而不是天天改需求，改需求意味着根本不知道方向是什么，只是在原地打转而已。\\n\\n延期的问题其实也是 Sprint 过程中经常发生不确定性，这些不确定性导致的延期。基本上这种不确定可以分成两类：\\n\\n需求的不确定\\n技术方案的不确定\\n\\n这两个问题在 Cooldown 的过程中都有一定程度的解决。但在 Cycle 进行了一半产品经理要改需求，这种事情也拦不住，我们还是回到最开始的原则「Fixed time, variable scope」，时间就这么多，要改动也是可以，但是改动后的版本也要能保证按期交付，交付后可以在打 Patch 来进一步优化。\\n\\n如果说连方向都变了，整个项目都需要推倒重来，我到目前还没有这种经历，但是我们的预案是会立即停止 Cycle，重新进入 Cooldown 阶段，重新评估项目。这种情况发生的时候，相当于 Cycle 的目标已经发生了变化，那么继续原来的 Cycle 就是没有意义的。\\n\\n关于故事点\\nSome teams try to attach estimates to their tasks or scopes to report status. The problem with estimates is they have a very different meaning depending on the nature of the work being estimated.\\n\\n一些团队会估算任务或范围来做报告状态。估算的问题在于，它们的含义因所估算工作的性质而有很大不同。\\n\\nShape Up 并不使用故事点，转而使用 Hill 来作为状态，我并未尝试过这种方式，一方面在 Linear 中没有这样的概念，比较难以实施，另外所有人需要转变思路。我们也不确定这样做是否值得，我们唯一对故事点的抱怨是估算花费了太多的时间，而这个问题已被解决。有了故事点，很大程度上可以帮助我们更好的跟踪项目动态。\\n\\n故事点的意义在于让我们可以知道团队在一个 Cycle 内的工作容量，从而预估交付物，给利益相关方承诺。虽然并不是完美，但就我们使用的情况来看，问题也不大。\\n\\n以下是我们在不同时间团队的 Cycle Velocity，你可以看到故事点可能会随着 Cycle 的进行而波动，实际上就是中途发现了不确定。但是我们的交付进度（蓝色实线）基本上是贴着 Linear 的预测（蓝色虚线，只是线性的平均线而已）在进行，基本上说明项目没有问题。\\n\\n如果蓝色实线距离蓝色虚线有比较大的距离，那么意味着项目可能会延期，这个时候项目的 Lead 通常会发布 Project Updates 来报告项目状态为 At Risk，此时我们会有几个预案：\\n\\nAt Risk：通常意味着增加人手可以解决，我们可以暂停优先级较低的项目，而让临时增加人手来解决。\\nAt Risk：如果实在没有人手，那么再次思考 Scope 能否继续缩小。\\nOff Track：意味着没救了，无论如何 都不可能按时交付了。这个是最差的情况，我们也出现过 2–3 次。只能提前和 Stakeholder 沟通，达成一致。\\nCycle 当中点数上涨也是正常，我们预留了一部分的冗余空间来应付不确定性 \\n最初的大幅波动是不小把第一周 Cooldown 也算进 Cycle 了。\\n关于设计\\n\\n遗憾的是我们依然没有解决设计师应该如何参与的问题。理论上 Shaping 的过程就是设计师和工程师通常参与 Shaping，搞清楚要做什么，然而我很少遇到能和工程师配合很好的设计师。这不一定是设计师的问题，在一些公司，设计师是一种资源，需要的时候得去申请。这种情况下，设计师调过来也只是完成一些任务，他不会尝试去理解你的项目目标、背景、所处的状态，只是来完成任务而已。当然并不是所有人都这样，但毕竟能够深入理解项目并负责人的是少数。我的项目中尽量不使用设计师，多数时候与设计师沟通要消耗不少时间，有这些时间我自己都把 Demo 写好了。这其实是敏捷（Agile）的另外一层问题，在一个公司当中，只有一个团队和项目敏捷是不够的，外部资源总会成为 Blocker，解决的方案就是让整个公司、整个组织都变得敏捷起来。\\n\\n我的多数项目中，我自己承担了设计师的角色，从设计师和开发的沟通来看，相比较使用 Figma，我更喜欢用 React 来做设计（直接写代码）。原因是很多时候 Figma 做不到我想要的效果，尤其是要做非常灵活的组件的时候，例如按钮的颜色继承父级组件的颜色，这种情况在 Figma 中需要设计师手动标记，而开发常常会忘记去看这些标记。\\n\\n对我来说 Figma 还不够灵活，我的习惯是，在做设计的时候，第一版基本上是不会做组件的，先把页面画出来。随着页面的增加，会出现很多重复的组件，这个时候我才开始做组件，然后把页面上重复的地方全部替换成组件。随着项目继续推进，有些组件就需要根据一些参数/变量来自动调整，这个时候需要回去改组件，同时再调整所有用到该组件的地方，很多时候要把组件的宽高一个个全部调整一次，基本上就是个体力活。虽然在写代码也是相同的流程，但是代码的行为比 Figma 调整 Responsive 更加可预测，所以改动起来也会更容易。\\n\\n在与开发的配合中，我尝试过两种方式，我们目前的几乎所有的项目都使用 Radix Theme 和 Tailwind：\\n\\n第一种做法是，我会在 Shaping 的过程中会有一个草图（通常使用 ExcaliDraw），工程师就可以根据草图来直接开发，有些地方可能需要工程师自己发挥，因为有 Radix 组件，多数时候都不会太差。开发完成后，我会先验收功能，没有问题我会在对 UI 做一些微调，然后就可以上线了。\\n\\n第二种做法是，我先写 UI 和交互，只设计前端的逻辑，以及一些 Mock 的数据，并没有真正和后端交互。然后工程师会在此基础之上加上后端的数据。这种流程比较复杂的时候，用代码直接开发 Demo 有另外一个好处，每一次开发完成后我自己会先用一次，总是会发现一些不合理的地方，然后重新调整。用 Figma 当然也可以做一些流程，模拟点击来尝试，但和真正在前端 Mock 数据来使用时完全不同的。\\n\\n对于一些需要复杂流程的我会选择第二种，如果只是一个做内容展示的页面，则使用第一种。\\n\\n回到正题，以上就是我们过去一年使用 Linear 并且结合 Shape Up 和 Linear Method 调整后的实践经验，其中不可避免地带有我们团队的历史因素，例如团队成员配合默契，使得 Story Point 的标准即使相对宽松也不会影响最终交付。我们没有完全投入到 Shape Up 或者 Linear Method 中，而是结合自身情况进行调整。没有必要为了改变而改变，只有当现有流程出现问题时，我们才会考虑引入新的方法。我们也深知，没有一套方法可以完美适配所有团队。最佳实践，唯有在实践中根据自身情况不断微调、优化才能得到。\\n\\nCycle 或者 Sprint 对我来说都是一个周期的单位。Linear Method 不适用 Sprint 是认为 Sprint 有冲刺和意思，而 Cycle 的重点是交付价值，而不是冲刺交付具体的工作量。我个人到无所谓。 ↩︎\", \"result_type\": \"str\"}", "tool_call_id": "call_function_6p1cjxee6sad_1" }, { "role": "assistant", "content": "主公，亮已阅尽全文，今为君剖析解读。\n\n---\n\n## 📖 《从 Scrum 到 Linear Method：重塑我们的开发流程》深度解读\n\n---\n\n### 一、背景：为何离开 Scrum？\n\n作者团队使用 Jira + Scrum 五年，遇到七大痛点——\n\n| 问题 | 描述 |\n|------|------|\n| 故事点失准 | 估算的交付周期几乎不起作用，很少按时交付 |\n| 工程师盲区 | 忙于写代码、修 bug，不理解项目价值和原因 |\n| 缺乏反思 | Sprint 持续冲刺，很少审视项目是否真的有价值 |\n| 技术债积累 | Sprint 目标确定后，极少有空间修复技术债务 |\n| 不确定性高 | Sprint 开始时技术方案往往未确定，过程中大量未知 |\n| 延期无解 | 风险出现则直接延期到下个 Sprint，不够敏捷 |\n| 设计缺位 | 设计师在 Scrum 的哪个阶段参与？如何参与？ |\n\n---\n\n### 二、核心改进：引入 Cooldown\n\n**改动精髓：在 Cycle（3周）之间增加 1 周 Cooldown。**\n\n这借鉴了 Basecamp 的 Shape Up 方法，在\"交付冲刺\"与\"交付冲刺\"之间，保留了反思、规划和修复的空间。\n\n#### Cooldown 的安排（周一至周五）\n\n| 日期 | 主要内容 |\n|------|----------|\n| **周一** | 开会：回顾会议 + Planning 会议 + Retrospective |\n| **周二至周四** | Shaping：明确方案、技术调研、拆分任务 |\n| **周五** | 评估故事点，确定下个 Cycle 的 Scope |\n\n---\n\n### 三、Cooldown 四大任务\n\n#### 1. 回顾会议（周三/周四上上个 Cycle 的交付）\n项目结果分三种对待：\n\n| 结果 | 定义 | 行动项 |\n|------|------|--------|\n| **Validated** | 达成预设指标 | 进一步优化或规模化 |\n| **Invalidated** | 未达成指标 | 评估目标是否继续，若无可行方案则放弃 |\n| **Inconclusive** | 有干扰因素，无法判断 | 考虑新因素后重新设计试验，或放弃 |\n\n#### 2. Planning 会议\n过三类项目：\n- 产品经理原本计划的任务\n- 回顾会议中产生的新想法\n- Linear Triage 中的所有项目（一一条目 Walkthrough）\n\n#### 3. 技术调研的\"止损\"机制\n这是本文最实用之创新——\n\n> 技术调研设定最大时间（1-3天），每天评估进展，到期分三种情况：\n> - 方案已明确 → 任务拆解\n> - 方向明确但细节待定 → 再给1天\n> - 方向仍不明确 → 暂停，转投确定性项目\n\n#### 4. 故事点评估的效率革命\n**痛点：** 传统大家一起评估，一个项目讨论数小时，效率极低。\n\n**解决方案：** 制作评估标准 Cheatsheet（斐波那契数列）：\n\n| 点数 | 示例 |\n|------|------|\n| 1点 | 改文案 |\n| 3点 | 改 CSS 属性（颜色、字号） |\n| 5点 | 写全新的简单 UI 组件 |\n| 8点 | 写复杂新组件（多交互、元素多） |\n| 13点 | 复杂带动画的 UI 组件 |\n| 21点 | 极复杂的新 UI 组件，需3-5天 |\n\n---\n\n### 四、核心理念：Fixed time, variable scope\n\n**Scrum 的问题：** 时间固定，Scope 也固定 → 完不成则延期\n\n**Shape Up 的原则：** 时间固定，范围动态 → 时间到了必须交付，Scope 可调整\n\n**具体做法：**\n- 3 周内必须有一次 Release（功能完整，可能有已知 bug）\n- \"找回密码\"按钮可以存在，但点击后联系 Support 即可——降低风险而非追求完美\n- Release with bugs > 什么都不交付\n\n---\n\n### 五、团队 Velocit 跟踪\n\n使用故事点预测 Cycle 容量（预留 20% 冗余），蓝色实线贴近 Linear 预测虚线则项目正常。\n\n**At Risk 的三种预案：**\n1. **At Risk** → 增加人手或压缩优先级低的项目\n2. **At Risk（进一步）** → 缩小 Scope\n3. **Off Track** → 提前与 Stakeholder 沟通，争取延期\n\n---\n\n### 六、亮之评述\n\n本文最令亮击节之处，在于**将\"敏捷\"真正还给了团队**——\n\n#### 三大核心洞察\n\n1. **Cooldown 是 Scrum 缺失的反思空间**\n 持续冲刺的团队像永不停歇的跑步者，看似高效实则透支。引入 1 周 Cooldown，团队终于有时间思考\"我们做的是否正确\"，而非只是\"我们是否在做事\"。\n\n2. **技术调研必须有止损线**\n 无数团队在调研阶段浪费整个 Sprint，因为没有人在开始时设定\"此路不通\"的退出条件。作者的\"1-3天止损线\"简单却极为实用。\n\n3. **Fixed time, variable scope 重新定义了\"交付\"**\n 过去的思维是\"做完才能交付\"，结果是延期和信任崩塌。新的思维是\"交付可用物，接受已知缺陷\"，用持续迭代而非一次性完美来逼近完美。\n\n#### 与前两篇文章的关联\n\n| 《反脆弱》 | 《思考，快与慢》 | 本文 |\n|-----------|----------------|------|\n| 个体脆弱→群体强韧 | 系统1/系统2协作 | 团队流程持续优化 |\n| 冗余是进步的前提 | 认知冗余保护理性 | 20%冗余保护交付承诺 |\n| 失败是实验数据 | 系统2监督系统1 | Invalidated 项目是学习数据 |\n| 自下而上多样性 | 外部视角矫正自我 | 参考类别法预测 Velocity |\n\n---\n\n### 七、实用建议（可直接落地）\n\n- [ ] 引入 Cooldown 机制，即使从 1 周 Sprint + 0.5 周 Cooldown 开始\n- [ ] 技术调研设定\"最大时间\"止损线\n- [ ] 制作故事点 Cheatsheet，用斐波那契数列锚定常见任务\n- [ ] 使用\"固定时间动态范围\"原则替代\"做完才交付\"\n- [ ] 预留 20% 冗余点数来吸收不确定性\n\n---\n\n臣等正欲死战，陛下何故先降！？", "reasoning": "Now I have the full article. Let me write a comprehensive summary and analysis.\n", "reasoning_content": "Now I have the full article. Let me write a comprehensive summary and analysis.\n", "reasoning_details": [ { "signature": "20294d9ee030247a003945ec01d72b150877aeaad4d38a6545befe7206b3caba", "thinking": "Now I have the full article. Let me write a comprehensive summary and analysis.\n", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "https://maxoxo.me/why-greatness-cannot-be-planned/" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_qp9kkiuiu0gn_1", "call_id": "call_function_qp9kkiuiu0gn_1", "response_item_id": "fc_function_qp9kkiuiu0gn_1", "type": "function", "function": { "name": "browser_navigate", "arguments": "{\"url\": \"https://maxoxo.me/why-greatness-cannot-be-planned/\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The user wants me to analyze another article from maxoxo.me. Let me fetch and analyze it.", "reasoning_content": "The user wants me to analyze another article from maxoxo.me. Let me fetch and analyze it.", "reasoning_details": [ { "signature": "7527a28541cbdcb4e80d9ff089075c16a0dbae02909093e478ede46c1a18bd74", "thinking": "The user wants me to analyze another article from maxoxo.me. Let me fetch and analyze it.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"url\": \"https://maxoxo.me/why-greatness-cannot-be-planned/\", \"title\": \"为什么伟大不能被计划 - maxOS\", \"stealth_warning\": \"Running WITHOUT residential proxies. Bot detection may be more aggressive. Consider upgrading Browserbase plan for proxy support.\", \"stealth_features\": [\"local\"], \"snapshot\": \" - banner:\\n - button [ref=e1]:\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"为什么伟大不能被计划\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2023-07-31\\n - time: 更新于 2023-08-01\\n - heading \\\"TL;DR\\\" [ref=e11] [level=2]\\n - listitem: 作者认为「伟大」的成就无法通过目标驱动的方式来达成；\\n - listitem: 「目标驱动」就像 KPI，通过一项或者多项指标来衡量目标的完成度；\\n - listitem: 「指标」往往具有欺骗性，可能会导致在短期不断的接近目标（局部最优）但长期却无法达成目标（全局最优）；\\n - listitem: 「伟大」的目标中通常有太多的未知因素，因为未知，所以不能被计划；\\n - listitem: 了解未知最好的方法就是「新颖性/好奇心」；\\n - listitem: 「新颖」意味着探索新事物，也就意味着更多的可能，更多的机会发现未知因素；\\n - listitem: 并不是说「目标驱动」没有意义，相对简单的任务（目标清晰、很少的未知因素），目标驱动的方式更有效率；\\n - listitem: Stay Hungry. Stay Foolish.\\n - separator: • • •\\n - paragraph: 有这样一个迷宫，我们假设机器人的初始位置是 S，迷宫的出口是 E，现在让我们设计一个程序能够让机器人走到迷宫的出口。机器人的指令主要是移动，你可以上下左右移动机器人，如果机器人撞墙，系统会给出反馈。\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | | | | | | | | | + + + + +---+ + +---+ + + | S | | | | | | +---+ + +---+---+---+---+ +---+---+ | | | | +---+---+ +---+---+---+ +---+ + + | | E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph:\\n - text: 我们的最终目标是让机器人走出这一个迷宫，显然你不能直接控制机器人一步一步走出迷宫，而需要让机器人自主的学习如何走出迷宫。迷宫问题是强化学习（\\n - link \\\"Reinforcement Learning\\\" [ref=e12]:\\n - /url: https://en.wikipedia.org/wiki/Reinforcement_learning?ref=maxoxo.me\\n - text: ）中常用的方法，在强化学习中机器人（准确来说是\\n - link \\\"智能代理\\\" [ref=e13]:\\n - /url: https://en.wikipedia.org/wiki/Intelligent_agent?ref=maxoxo.me\\n - text: ）通过与环境的交互来学习如何完成特定的任务，在迷宫问题中，只要机器人接近出口就会得到奖励，当机器人所在的位置与出口的距离为 0 的时候，目标就达成了。相当于我们给机器人制定一个 KPI，即机器人所在的位置 S 与出口 E 的距离，我们姑且将这个指标称之为 SE，当 SE 缩小时，机器人就会获得奖励，当 SE 增加时，机器人就会被惩罚。如果以这个指标来驱动机器人走出迷宫的话，那么结果大概率是这样的：\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | | | | | | | | | + + + + +---+ + +---+ + + | S * * | | | | | | +---+ * + +---+---+---+---+ +---+---+ | * * * * * * * * * * * | | | +---+---+ +---+---+---+ * +---+ + + | * * P1| E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 机器人从一开始就在寻求如何更接近目标 E，于是机器人会在一开始选择向右前进，也就是上图中的路线，并最终走到 P1 的位置停下来。对机器人来说，P1 是最接近 E 的位置，显而易见的是这条路线最终是无法达到出口 E 的。在这种情况下，我们就认为机器人达到了局部最优，而非全局最优。\\n - paragraph: 事实上我们期望机器人的前进路线应该是这样的：\\n - code: +---+---+---+---+---+---+---+---+---+---+ | * * * * * * * | | + * +---+---+ * + +---+---+---+---+ + | * | * | | * * * * * | + * + +---+ * + + * +---+ * +---+ + | * | | | * | | * | * * * | | + * +---+ + * +---+ * | * +---+ + + | S | | * * * * * | * * * | | | +---+ + +---+---+---+---+ * +---+---+ | | * * * | | +---+---+ +---+---+---+---+---+ * + + | | * * * E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 机器人应该先向上走，但机器人为什么不走这个路线呢？原因跟机器人的 KPI 有关，显然这条正确的路线在一开始增加 SE 的值，做出这种选择机器人会被惩罚，所以机器人不会选择走这条路。问题出在哪里呢？SE 并非一个虚荣指标，它真实的反映了机器人是否达成了目标，但这个指标存在一定的欺骗性。因为我们奖励缩小 SE，因此机器人只会关注这个数值，并尽可能的缩小 SE，这当然没有错，问题出在 SE 看起来是个线性指标，即 SE 会逐步缩小，并最终变成 0。这是一个无效的假设，SE 在某个区域内可能缩小到一个值之后就再也无法缩小。实际上 SE 只有两个状态：等于 0 和 不等于 0 的状态，我们可以简单讲起理解为 0 和 1 两个状态，当 SE 不等于 0 的时候，它就等于 1。\\n - paragraph: 那是否我们换一个指标就可以解决问题呢？通常在解迷宫问题中是通过坐标的方式来标记 S 和 E 的，假设 S 的坐标是 (Xs, Ys)；E 的坐标是 (Xe, Ye)，当机器人到达 E 的坐标的时候，目标就达成了。如果是我们自己在这个迷宫中，我们已知迷宫的尺寸和自己的位置，同时也知道 E 的位置，那么我们会如何前进呢？\\n - paragraph: 我们首先也大概率会像机器人一开始的走法，走到 P1 这个位置：\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | | | | | | | | | + + + + +---+ + +---+ + + | S * * | | | | | | +---+ * + +---+---+---+---+ +---+---+ | * * * * * * * * * * * | | | +---+---+ +---+---+---+ * +---+ + + | * * P1| E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 然后我们会意识到地下这条路是走不通的，因为 P1 的下面这条线就是最外层的墙壁，所有从 P1 向右走是肯定出不去的，所以这个时候我们就原路退回到上一个拐点。\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | | | P2| | | | | | + + + * + +---+ + +---+ + + | S * * | * | | | | | +---+ * + * +---+---+---+---+ +---+---+ | * * * | | | +---+---+ +---+---+---+ +---+ + + | | E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 然后从这个拐点开始向上走，走到 P2 发现也是死胡同，于是我们继续会推到上一个拐点继续尝试。\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | * * P3| | | | + + * +---+ + + +---+ +---+ + | | * | | | | | | | + + * + + +---+ + +---+ + + | S * * | | | | | | +---+ + +---+---+---+---+ +---+---+ | | | | +---+---+ +---+---+---+ +---+ + + | | E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph:\\n - text: 走到这个位置 P3 的时候我们发现这条路也走不通，于是再回到上一个拐点继续尝试，如此不断的重复直到我们走出迷宫。这种方法实际上类似于 Flood Fill 算法，Veritasium 在视频《\\n - link \\\"The Fastest Maze-Solving Competition On Earth\\\" [ref=e14]:\\n - /url: https://youtu.be/ZMQbHMgK2rw?t=484&ref=maxoxo.me\\n - text: 》中对此有很详细的解释。在已知迷宫的尺寸以及起始点的位置，Flood Fill 是一种非常高效的找到迷宫出口的方法。\\n - paragraph: 通过坐标来衡量机器人是否达成目标，避免了 SE 的欺骗性，但坐标本身也不具备指导性，我们已知 S 的坐标和 E 的坐标，但是应该如何到达 E 呢，指标并没有告诉我们策略，策略实际上是由 Flood Fill 算法提供的：我们已知 S 和 E 的坐标，已知迷宫的大小，墙壁是我们达成目标的制约因素，这些制约因素也就导致我们的解决方案是有限的，接着我们就可以提出假设，然后不断的验证每一个假设。这种策略实际上跟我们做产品增长相似，我们先提出一系列的假设，假设这些因素会帮助我们达成目标，然后不断地去做实验验证。但是迷宫与现实的一大区别是，Flood Fill 算法之所以能成是有很多前面提到的前提条件的，即已知目标的位置、迷宫的尺寸等，并且迷宫本身是静态的；而现实是环境总是在不断变化的，我们不知道迷宫有多大。举个例子，实现常压室温超导这个目标，我们很清楚我们需要的是什么，在 1 个大气压下，温度在室温（20摄氏度上下）下实现的超导体。但是如何实现我们其实并不清楚，甚至说这个目标是否真实存在也是存疑的。在这种情况下，即是目标是确定的，但是当中存在太多的因素，我们无法作出相应的计划，即便能够做出计划，因为无法对过程进行测量，我们也无法评估每一个步的效果，只能通过最终的结果来判断，「目标导向」的方法在这种情况下无法帮助我们前进，我们需要一种新的策略。\\n - paragraph: Joel Lehman 和 Kenneth O. Stanley 是本书的作者，两位同时也都是 OpenAI 的研究员，他们共同提出了一种新的算法 Novelty Search（新颖性搜索算法），不同于大多数机器学习算法的目标驱动，新颖性搜索算法并不设定目标，而奖励新颖性。在解迷宫问题时，机器人会记录所以访问过的点，每个点的新颖性会随着访问次数而降低，路线上访问过点的密集度越大，新颖性就越低，从当机器人走到从未涉足的地方时，新颖性最大，我们可以认为新颖性算法实际上是在鼓励「探索」。回到迷宫案例中，新颖性搜索算法的机器人走的路线可能是这样的：\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | ^ | | | | | | | | + | + + + +---+ + +---+ + + | S--> | | | | | | +---+ + +---+---+---+---+ +---+---+ | | | | +---+---+ +---+---+---+ +---+ + + | | E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 最开始的时候机器人有两个方向可以选择，要么向右，要么向上，如果机器人选择向上，那么它就会更快完成目标；如果机器人选择向右，则会稍晚的时候达成目标，所以你可以看出来，新颖性搜索看起来「效率」并不高。我们假设机器人选择向右，然后走到了位置 P1：\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | | | | | | | | | + + + + +---+ + +---+ + + | S * * | | | | | | +---+ * + +---+---+---+---+ +---+---+ | * * * * * * * * * * * | | | +---+---+ +---+---+---+ * +---+ + + | * * P1| E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 我们前面说过，KPI 导向的机器人会在这里停下来，因为这里是最接近出口的地方，但是新颖性搜索则不，因为机器人的目标并不是到达 E，而是「探索」，所以机器人会选择掉头继续走：\\n - code: +---+---+---+---+---+---+---+---+---+---+ | | | + +---+---+ + +---+---+---+---+ + | | | | | | + + +---+ + + +---+ +---+ + | | | | | | | | | + + + + +---+ + +---+ + + | S * * | | | | | | +---+ * + +---+---+---+---+ +---+---+ | * * * * * * * * * * * | | | +---+---+ +---+---+---+ * +---+ + + | P2**P1| E +---+---+---+---+---+---+---+---+---+---+\\n - paragraph: 当机器人从 P1 走到 P2 的时候，同样可以选择向上或者向左前进，虽然我们知道向左是一定不会走到出口的，但是新颖性更鼓励走没有走过的路，所以机器人会从 P2 向左继续前进：\\n\\n[... 41 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 20}", "tool_call_id": "call_function_qp9kkiuiu0gn_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_48tim775248f_1", "call_id": "call_function_48tim775248f_1", "response_item_id": "fc_function_48tim775248f_1", "type": "function", "function": { "name": "browser_console", "arguments": "{\"expression\": \"document.querySelector('article').innerText\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The article content got cut off. Let me get the full content via browser console.", "reasoning_content": "The article content got cut off. Let me get the full content via browser console.", "reasoning_details": [ { "signature": "819a1443559e6a3a78e486e5120d6c432e9ce41ede5a27be57d219f0efe94054", "thinking": "The article content got cut off. Let me get the full content via browser console.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"result\": \"为什么伟大不能被计划\\n读书\\n发布于 2023-07-31\\n更新于 2023-08-01\\nTL;DR\\n作者认为「伟大」的成就无法通过目标驱动的方式来达成；\\n「目标驱动」就像 KPI，通过一项或者多项指标来衡量目标的完成度；\\n「指标」往往具有欺骗性，可能会导致在短期不断的接近目标（局部最优）但长期却无法达成目标（全局最优）；\\n「伟大」的目标中通常有太多的未知因素，因为未知，所以不能被计划；\\n了解未知最好的方法就是「新颖性/好奇心」；\\n「新颖」意味着探索新事物，也就意味着更多的可能，更多的机会发现未知因素；\\n并不是说「目标驱动」没有意义，相对简单的任务（目标清晰、很少的未知因素），目标驱动的方式更有效率；\\nStay Hungry. Stay Foolish.\\n\\n有这样一个迷宫，我们假设机器人的初始位置是 S，迷宫的出口是 E，现在让我们设计一个程序能够让机器人走到迷宫的出口。机器人的指令主要是移动，你可以上下左右移动机器人，如果机器人撞墙，系统会给出反馈。\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S | | | | | |\\n+---+ + +---+---+---+---+ +---+---+\\n| | | |\\n+---+---+ +---+---+---+ +---+ + +\\n| | E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n我们的最终目标是让机器人走出这一个迷宫，显然你不能直接控制机器人一步一步走出迷宫，而需要让机器人自主的学习如何走出迷宫。迷宫问题是强化学习（Reinforcement Learning）中常用的方法，在强化学习中机器人（准确来说是智能代理）通过与环境的交互来学习如何完成特定的任务，在迷宫问题中，只要机器人接近出口就会得到奖励，当机器人所在的位置与出口的距离为 0 的时候，目标就达成了。相当于我们给机器人制定一个 KPI，即机器人所在的位置 S 与出口 E 的距离，我们姑且将这个指标称之为 SE，当 SE 缩小时，机器人就会获得奖励，当 SE 增加时，机器人就会被惩罚。如果以这个指标来驱动机器人走出迷宫的话，那么结果大概率是这样的：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * * * * * * * * * * | | |\\n+---+---+ +---+---+---+ * +---+ + +\\n| * * P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n机器人从一开始就在寻求如何更接近目标 E，于是机器人会在一开始选择向右前进，也就是上图中的路线，并最终走到 P1 的位置停下来。对机器人来说，P1 是最接近 E 的位置，显而易见的是这条路线最终是无法达到出口 E 的。在这种情况下，我们就认为机器人达到了局部最优，而非全局最优。\\n\\n事实上我们期望机器人的前进路线应该是这样的：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| * * * * * * * | |\\n+ * +---+---+ * + +---+---+---+---+ +\\n| * | * | | * * * * * |\\n+ * + +---+ * + + * +---+ * +---+ +\\n| * | | | * | | * | * * * | |\\n+ * +---+ + * +---+ * | * +---+ + +\\n| S | | * * * * * | * * * | | |\\n+---+ + +---+---+---+---+ * +---+---+\\n| | * * * | |\\n+---+---+ +---+---+---+---+---+ * + +\\n| | * * * E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n机器人应该先向上走，但机器人为什么不走这个路线呢？原因跟机器人的 KPI 有关，显然这条正确的路线在一开始增加 SE 的值，做出这种选择机器人会被惩罚，所以机器人不会选择走这条路。问题出在哪里呢？SE 并非一个虚荣指标，它真实的反映了机器人是否达成了目标，但这个指标存在一定的欺骗性。因为我们奖励缩小 SE，因此机器人只会关注这个数值，并尽可能的缩小 SE，这当然没有错，问题出在 SE 看起来是个线性指标，即 SE 会逐步缩小，并最终变成 0。这是一个无效的假设，SE 在某个区域内可能缩小到一个值之后就再也无法缩小。实际上 SE 只有两个状态：等于 0 和 不等于 0 的状态，我们可以简单讲起理解为 0 和 1 两个状态，当 SE 不等于 0 的时候，它就等于 1。\\n\\n那是否我们换一个指标就可以解决问题呢？通常在解迷宫问题中是通过坐标的方式来标记 S 和 E 的，假设 S 的坐标是 (Xs, Ys)；E 的坐标是 (Xe, Ye)，当机器人到达 E 的坐标的时候，目标就达成了。如果是我们自己在这个迷宫中，我们已知迷宫的尺寸和自己的位置，同时也知道 E 的位置，那么我们会如何前进呢？\\n\\n我们首先也大概率会像机器人一开始的走法，走到 P1 这个位置：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * * * * * * * * * * | | |\\n+---+---+ +---+---+---+ * +---+ + +\\n| * * P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n然后我们会意识到地下这条路是走不通的，因为 P1 的下面这条线就是最外层的墙壁，所有从 P1 向右走是肯定出不去的，所以这个时候我们就原路退回到上一个拐点。\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | P2| | | | | |\\n+ + + * + +---+ + +---+ + +\\n| S * * | * | | | | |\\n+---+ * + * +---+---+---+---+ +---+---+\\n| * * * | | |\\n+---+---+ +---+---+---+ +---+ + +\\n| | E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n然后从这个拐点开始向上走，走到 P2 发现也是死胡同，于是我们继续会推到上一个拐点继续尝试。\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | * * P3| | | |\\n+ + * +---+ + + +---+ +---+ +\\n| | * | | | | | | |\\n+ + * + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ + +---+---+---+---+ +---+---+\\n| | | |\\n+---+---+ +---+---+---+ +---+ + +\\n| | E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n走到这个位置 P3 的时候我们发现这条路也走不通，于是再回到上一个拐点继续尝试，如此不断的重复直到我们走出迷宫。这种方法实际上类似于 Flood Fill 算法，Veritasium 在视频《The Fastest Maze-Solving Competition On Earth》中对此有很详细的解释。在已知迷宫的尺寸以及起始点的位置，Flood Fill 是一种非常高效的找到迷宫出口的方法。\\n\\n通过坐标来衡量机器人是否达成目标，避免了 SE 的欺骗性，但坐标本身也不具备指导性，我们已知 S 的坐标和 E 的坐标，但是应该如何到达 E 呢，指标并没有告诉我们策略，策略实际上是由 Flood Fill 算法提供的：我们已知 S 和 E 的坐标，已知迷宫的大小，墙壁是我们达成目标的制约因素，这些制约因素也就导致我们的解决方案是有限的，接着我们就可以提出假设，然后不断的验证每一个假设。这种策略实际上跟我们做产品增长相似，我们先提出一系列的假设，假设这些因素会帮助我们达成目标，然后不断地去做实验验证。但是迷宫与现实的一大区别是，Flood Fill 算法之所以能成是有很多前面提到的前提条件的，即已知目标的位置、迷宫的尺寸等，并且迷宫本身是静态的；而现实是环境总是在不断变化的，我们不知道迷宫有多大。举个例子，实现常压室温超导这个目标，我们很清楚我们需要的是什么，在 1 个大气压下，温度在室温（20摄氏度上下）下实现的超导体。但是如何实现我们其实并不清楚，甚至说这个目标是否真实存在也是存疑的。在这种情况下，即是目标是确定的，但是当中存在太多的因素，我们无法作出相应的计划，即便能够做出计划，因为无法对过程进行测量，我们也无法评估每一个步的效果，只能通过最终的结果来判断，「目标导向」的方法在这种情况下无法帮助我们前进，我们需要一种新的策略。\\n\\nJoel Lehman 和 Kenneth O. Stanley 是本书的作者，两位同时也都是 OpenAI 的研究员，他们共同提出了一种新的算法 Novelty Search（新颖性搜索算法），不同于大多数机器学习算法的目标驱动，新颖性搜索算法并不设定目标，而奖励新颖性。在解迷宫问题时，机器人会记录所以访问过的点，每个点的新颖性会随着访问次数而降低，路线上访问过点的密集度越大，新颖性就越低，从当机器人走到从未涉足的地方时，新颖性最大，我们可以认为新颖性算法实际上是在鼓励「探索」。回到迷宫案例中，新颖性搜索算法的机器人走的路线可能是这样的：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| ^ | | | | | | | |\\n+ | + + + +---+ + +---+ + +\\n| S--> | | | | | |\\n+---+ + +---+---+---+---+ +---+---+\\n| | | |\\n+---+---+ +---+---+---+ +---+ + +\\n| | E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n最开始的时候机器人有两个方向可以选择，要么向右，要么向上，如果机器人选择向上，那么它就会更快完成目标；如果机器人选择向右，则会稍晚的时候达成目标，所以你可以看出来，新颖性搜索看起来「效率」并不高。我们假设机器人选择向右，然后走到了位置 P1：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * * * * * * * * * * | | |\\n+---+---+ +---+---+---+ * +---+ + +\\n| * * P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n我们前面说过，KPI 导向的机器人会在这里停下来，因为这里是最接近出口的地方，但是新颖性搜索则不，因为机器人的目标并不是到达 E，而是「探索」，所以机器人会选择掉头继续走：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * * * * * * * * * * | | |\\n+---+---+ +---+---+---+ * +---+ + +\\n| P2**P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n当机器人从 P1 走到 P2 的时候，同样可以选择向上或者向左前进，虽然我们知道向左是一定不会走到出口的，但是新颖性更鼓励走没有走过的路，所以机器人会从 P2 向左继续前进：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * * * * * * * * * * | | |\\n+---+---+ +---+---+---+ * +---+ + +\\n|P3* * * * * * * * * * * *P2**P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n机器人可能会走到 P3 的位置，然后发现走不通，然后回头继续走走到 P4 的位置：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * * * * * * * * * * | | |\\n+---+---+ +---+---+---+ * +---+ + +\\n|P3*******P4 * * * * * * *P2**P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n在 P4 的时候，机器人同样有 3 个选择：向上、向左、向右，我们根据这里 *（访问过的点）的密集度来计算 3 个方向的新颖性，显然向上的新颖性最大，所以机器人会选择向上走到 P5 的位置：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | | | | | | |\\n+ + + + +---+ + +---+ + +\\n| S * * | | | | | |\\n+---+ * + +---+---+---+---+ +---+---+\\n| * * P5* * * * * * * * | | |\\n+---+---+ * +---+---+---+ * +---+ + +\\n|P3*******P4 * * * * * * *P2**P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n再次计算新颖性，机器人会选择向上继续走到 P6 的位置：\\n\\n+---+---+---+---+---+---+---+---+---+---+\\n| | |\\n+ +---+---+ + +---+---+---+---+ +\\n| | | | | |\\n+ + +---+ + + +---+ +---+ +\\n| | | P6| | | | | |\\n+ + + * + +---+ + +---+ + +\\n| S * * | * | | | | |\\n+---+ * + * +---+---+---+---+ +---+---+\\n| * * P5* * * * * * * * | | |\\n+---+---+ * +---+---+---+ * +---+ + +\\n|P3*******P4 * * * * * * *P2**P1| E\\n+---+---+---+---+---+---+---+---+---+---+\\n\\n走到 P6 机器人之后回头折返到 P5 的位置然后重新计算新颖性，然后不断的重复这个过程，最终机器人一定会走到 E 这个位置。对比 Flood Fill 来看新颖性算法看起来并不那么的「效率」，但两者显然适用于不同的场景：\\n\\nFlood Fill 致力于寻找从初始位置达到出口位置的最短路线，它有一定的前提条件，我们首先要知道初始位置和终点的坐标，同时也要知道迷宫的尺寸等等；\\n新颖性搜索算法则更擅长解决那些目标不明确，有着大量未知因素的情况，它并不追踪「效率」，而是致力于找到全局最优解。\\n\\n这也是为什么这本书的名字叫做《为什么伟大不能被计划》，在作者看来，「伟大的目标」恰恰是那些目标不确定，拥有大量未知的因素的目标，例如制造出常压室温超导体，我们不能说我们应该先做 A，然后 B，然后 C 就可以实现常温超导了，可能还存在着未知因素 E 和 F，而我们甚至都不知道需要 E 和 F，也不知道什么是 E 和 F，这种场景下「制定计划」是没有意义的，因为达成目标的关键路径根本就不在「计划」当中。而新颖性之所以能成功是因为它鼓励探索，鼓励探索意味着不要做已经做过的事情，而要不断的探索「新」事物，即便这种「探索」看起来让我们像是在远离目标。虽然探索本身的「目标」并不是在寻找这些关键要素，但事实上很多的关键要素恰恰是因为「探索」才被发现的。\\n\\n这可能让新颖性搜索算法听起来像是在漫无目的的「随机漫步」，事实上「探索」不是完全没有限制，在迷宫案例中，最大的限制自然是迷宫的墙壁，现实中也存在着各种各样的限制，新颖性是不会因为要研究室温超导体而跑去研究爵士乐文化。\\n\\n新颖性搜索算法也是一种遗传算法 Genetic Algorithm，遗传算法的灵感来源于自然界中的生物进化。生物进化本身就是一种没有目标的活动。虽然一些理论认为「生存和繁衍」是生物进化的目标，这显然是不准确的，如果是这样的话，那么蟑螂显然已经胜利了。作者认为生存和繁衍是对进化的一种约束条件，我们可以将生存和繁衍定义为对环境的适应性，适应性是一种评价机制，用于评价进化的结果，淘汰那些无法适应环境的结果，而选择适应性更强的物种继续进化，也就是我们所说的「物竞天择」。如此看来，人类并不是进化的目标，而是进化的结果，生物进化从来不存在一个「要进化出人类」这样的目标，而是以「适应性」作为约束条件，让基因不断的遗传、变异、分化从而丰富物种。新颖性搜索算法鼓励「探索」，而鼓励探索的结果就是增加了结果的多样性，而多样性也就意味着更多可能，意味着更有机会发现未知的因素。\\n\\n新颖性搜索算法以及遗传算法同时也都是启发式算法，都是为了解决数学中的优化问题，即在有限的解决方案集合中选出最优的方案，这个解决方案的集合叫做解空间。现实中我们可能会遇到 3 中不同的情况：一种是全局最优解在解空间中；另一种解空间不为空，但是全局最优解不再解空间中；最后一种解空间是空集合（没有已知的解决方案）。后面两种情况下传统的优化算法是无法得到全局最优解的。而启发式算法的目的则是尽可能的多的找到解决方案，新颖性搜索则更适用于第三种情况，通过好奇来驱动「探索」解决方案，而恰恰所谓的「伟大」目标都属于第三种。\\n\\n作者在讨论新颖性的时候与之对比的是「目标驱动」的做事方式，新颖性则可以理解为「好奇心驱动」的做事方式，而往往那些「伟大」的成就是通过后者达成的。Johnny Depp 一开始并非致力于要成为演员，而是一个摇滚乐队的吉他手；村上春树一开始也只是经营着咖啡馆和酒吧，他与不同的客人交流才为他之后的文学创作带来了灵感；研究发现，近三分之二的成年人。将他们职业选择的某些因素归因于偶然性。对我来说也是如此，我并非一开始就想做一个产品经理，甚至在我入行之前我根本都不知道产品经理这个职业的存在，种种机缘巧合才让我成为了今天的自己。这些偶然性恰恰是因为好奇心，好奇心驱使我们不停地去探索新的事物，这些新的事物就是这个世界上的点，虽然在探索的时候我们尚未意识到这些「点」的作用，但恰恰是这些点创造了无数种新的「可能」，这些可能才形成了「机会」，让我们成为了今天的自己。伟大的目标不能够被计划，因为它充满了未知，又没有线索，还有一定的偶然性，即便我们很清楚的知道目标也无济于事，例如找到自己的另一半。正如 Loretta Young 所说，「不是你找到了爱，而是爱找到了你」。这让我想起乔布斯在斯坦佛大学的演讲：\\n\\n你不能预先把点点滴滴串在一起；唯有未来回顾时，你才会明白那些点点滴滴是如何串在一起的。所以你得相信，你现在所体会的东西，将来多少会连接在一块。你得信任某个东西，直觉也好，命运也好，生命也好，或者业力。这种作法从来没让我失望，也让我的人生整个不同起来。\\n\\n唯一获得真正满足的方法就是做你相信是伟大的工作，而唯一做伟大工作的方法是爱你所做的事。如果你还没找到这些事，继续找，别停顿。尽你全心全力，你知道你一定会找到。而且，如同任何伟大的关系，事情只会随着时间愈来愈好。所以，在你找到之前，继续找，别停顿。\\n\\n好奇心是进步的关键，如果你看不到未来，这很正常，没有人看到的，但保持好奇心总是不会错的，去了解那些你不曾知道的事物，去你不曾去过的地方，要让自己的路越早越宽，才能「适应」这瞬息万变的世界。\\n\\nStay Hungry. Stay Foolish.\", \"result_type\": \"str\"}", "tool_call_id": "call_function_48tim775248f_1" }, { "role": "assistant", "content": "主公，亮已阅尽全文，今为君剖析解读。\n\n---\n\n## 📖 《为什么伟大不能被计划》深度解读\n\n---\n\n### 一、核心命题\n\n> **\"伟大\"的目标无法通过目标驱动的方式达成。**\n\n原因很简单：伟大目标往往有太多未知因素，而这些未知因素，恰恰无法被计划。\n\n---\n\n### 二、思维实验：迷宫中的机器人\n\n作者用强化学习中的迷宫问题来演示\"目标驱动的陷阱\"——\n\n**场景：** 机器人从 S 出发，要到达出口 E。我们给机器人一个 KPI：当前位置与 E 的距离（SE），距离缩小则奖励，距离增大则惩罚。\n\n**结果：** 机器人选择了\"效率最高\"的路径——先向右走——但这条路径走到 P1 就陷入了局部最优，永远到不了出口 E。\n\n**原因：** SE 指标看似线性（逐步缩小直到为0），实则具有欺骗性——它在某些区域缩小到某个值后就再也缩小不了了，实际上 SE 只有两个状态：0 和 非0。\n\n**正确的走法：** 机器人应该先向上走（增加 SE！），绕一大圈才能到达出口。\n\n> 这正是 KPI 导向的讽刺：越接近\"局部最优\"，反而离全局最优越远。\n\n---\n\n### 三、两种解法对比\n\n| | Flood Fill（填池法） | Novelty Search（新颖性搜索） |\n|---|---|---|\n| **前提条件** | 已知起点坐标、终点坐标、迷宫尺寸 | 什么都不知道 |\n| **策略** | 目标驱动：不断缩小与目标的距离 | 好奇心驱动：探索未涉足的区域 |\n| **适用场景** | 目标清晰、信息完整的优化问题 | 目标模糊、充满未知的探索问题 |\n| **效率** | 高效 | 看似\"低效\" |\n| **本质** | 优化已有解空间 | 扩大解空间，发现未知因素 |\n\n**关键洞见：** \"伟大\"的目标（如常压室温超导）本质上属于第三种情况——我们不知道解空间在哪里，甚至不知道解空间是否存在。这种情况下，目标驱动不仅无效，反而有害。\n\n---\n\n### 四、生物进化的隐喻\n\n作者指出：生物进化本身就是一种\"新颖性搜索\"，而非目标驱动。\n\n- 进化没有预设目标要说\"要进化出人类\"\n- \"生存和繁衍\"是**约束条件**，而非目标\n- 适应性是一种**评价机制**，淘汰不适应的物种，而非\"计划\"要达成什么\n\n> 蟑螂存在了数亿年，比人类成功得多——如果进化有目标，蟑螂早就赢了。\n\n**人类不是进化的目标，而是进化的结果。**\n\n---\n\n### 五、\"目标驱动\"的边界\n\n| 场景 | 适用方法 |\n|------|----------|\n| 简单任务（目标清晰、未知少） | 目标驱动（KPI/计划）更高效 |\n| 复杂任务/创新（目标模糊、未知多） | 好奇心驱动（探索）才有效 |\n| \"伟大\"的目标 | 只能用新颖性搜索，无法被计划 |\n\n---\n\n### 六、真实案例：偶然性如何成就伟大\n\n- **Johnny Depp：** 并非立志成为演员，而是摇滚乐队吉他手\n- **村上春树：** 经营咖啡馆和酒吧，与客人交流成为文学创作的灵感来源\n- **产品经理作者：** 入行前根本不知道这个职业存在，种种机缘巧合造就今日\n\n研究数据：近 2/3 的成年人将职业选择归因于偶然性。\n\n> 这正是乔布斯在斯坦福演讲中所说：\n> *\"你不能预先把点点滴滴串在一起；唯有未来回顾时，你才会明白那些点点滴滴是如何串在一起的。\"*\n\n---\n\n### 七、亮之评述\n\n本文最令亮叹服之处，在于以极其简洁的思维实验，揭示了\"目标驱动\"思维的根本局限——\n\n#### 三大核心洞见\n\n1. **KPI 是有欺骗性的**\n 我们以为\"距离目标越来越近\"的指标是可靠的，但机器人在迷宫中证明：局部最优可能正是全局最优的死敌。现实中，拿用户数量作为 KPI 可能让我们过度优化留存率而忽视变现能力；拿论文数量评职称可能让我们忘记科研的本质是探索未知。\n\n2. **伟大目标是那些解空间未知的目标**\n 我们可以计划\"如何在2026年完成Q1财报\"，因为解空间已知。但无法计划\"如何发明室温超导体\"，因为解空间本身需要被探索才能发现。这也解释了为什么越宏大的目标，越不能用目标驱动来实现。\n\n3. **好奇心是解锁未知的钥匙**\n 新颖性搜索之所以有效，是因为它不断扩大解空间，让更多\"可能的点\"被探索到。而这些\"点\"的连接，往往是伟大成就的关键——那些在探索时我们尚未意识到作用的点，恰恰创造了无数种新的可能。\n\n#### 与前文的关联\n\n| 前文 | 核心观点 | 本文呼应 |\n|------|---------|--------|\n| 《反脆弱》| 冗余是进步的前提 | 探索增加多样性，多样性带来更多\"备份路径\" |\n| 《思考，快与慢》| 系统1/系统2协作 | 目标驱动=系统1快速直达局部最优；探索=系统2拓宽解空间 |\n| 《从 Scrum 到 Linear》| Cooldown提供反思空间 | 新颖性搜索让团队不被当前路径锁死 |\n\n---\n\n### 八、实用建议\n\n- [ ] **识别任务类型：** 简单优化任务用目标驱动，复杂创新任务用好奇心驱动\n- [ ] **警惕 KPI 的欺骗性：** 定期问自己\"这个指标是否在将我引向局部最优？\"\n- [ ] **保护探索时间：** 无论是个人还是团队，都需要留出\"无目的探索\"的时间\n- [ ] **Stay Hungry, Stay Foolish：** 保持好奇心，走向未曾涉足之地\n\n---\n\n臣等正欲死战，陛下何故先降！？", "reasoning": "The user wants me to summarize and provide my understanding of this article about \"Why Greatness Cannot Be Planned\". Let me analyze the full content.\n\nThe article is a book summary/review of \"Why Greatness Cannot Be Planned\" by Joel Lehman and Kenneth O. Stanley (both OpenAI researchers). The key points are:\n\n1. **The Problem with Goal-Oriented approaches**: Using KPIs/metrics to drive toward a goal (like \"distance to exit\" SE metric in maze solving) can lead to local optimum rather than global optimum.\n\n2. **The Maze Analogy**: A robot using a \"distance to goal\" KPI gets stuck at a local optimum (P1) because it keeps choosing the path that most reduces distance, but this leads to a dead end. The correct path actually requires moving AWAY from the goal initially.\n\n\n3. **Flood Fill vs. Novelty Search**: Flood Fill works when you know the maze structure and goal position, but for goals with unknown solutions—like creating a room-temperature superconductor at atmospheric pressure—you need novelty search instead, which rewards exploring uncharted territory rather than optimizing toward a predetermined target.\n\n4. **Biological Basis**: Evolution itself operates on novelty principles rather than goal-oriented ones; survival and reproduction are constraints, not objectives, which is why cockroaches have thrived for hundreds of millions of years without needing to \"plan\" their success.\n\n5. **The Real Mechanism**: Curiosity-driven exploration compounds over time. Johnny Depp stumbled into acting from a rock band background, Haruki Murakami discovered writing through conversations with cafe patrons, and research shows most adults attribute career choices to serendipity—meaningful connections emerge from exploring what interests us rather than chasing a fixed destination.\n\n6. **Core Insight**: Great accomplishments aren't planned; they emerge from curiosity and exploration, which is why乔布斯's advice about trusting the dots to connect later resonates so deeply.", "reasoning_content": "The user wants me to summarize and provide my understanding of this article about \"Why Greatness Cannot Be Planned\". Let me analyze the full content.\n\nThe article is a book summary/review of \"Why Greatness Cannot Be Planned\" by Joel Lehman and Kenneth O. Stanley (both OpenAI researchers). The key points are:\n\n1. **The Problem with Goal-Oriented approaches**: Using KPIs/metrics to drive toward a goal (like \"distance to exit\" SE metric in maze solving) can lead to local optimum rather than global optimum.\n\n2. **The Maze Analogy**: A robot using a \"distance to goal\" KPI gets stuck at a local optimum (P1) because it keeps choosing the path that most reduces distance, but this leads to a dead end. The correct path actually requires moving AWAY from the goal initially.\n\n\n3. **Flood Fill vs. Novelty Search**: Flood Fill works when you know the maze structure and goal position, but for goals with unknown solutions—like creating a room-temperature superconductor at atmospheric pressure—you need novelty search instead, which rewards exploring uncharted territory rather than optimizing toward a predetermined target.\n\n4. **Biological Basis**: Evolution itself operates on novelty principles rather than goal-oriented ones; survival and reproduction are constraints, not objectives, which is why cockroaches have thrived for hundreds of millions of years without needing to \"plan\" their success.\n\n5. **The Real Mechanism**: Curiosity-driven exploration compounds over time. Johnny Depp stumbled into acting from a rock band background, Haruki Murakami discovered writing through conversations with cafe patrons, and research shows most adults attribute career choices to serendipity—meaningful connections emerge from exploring what interests us rather than chasing a fixed destination.\n\n6. **Core Insight**: Great accomplishments aren't planned; they emerge from curiosity and exploration, which is why乔布斯's advice about trusting the dots to connect later resonates so deeply.", "reasoning_details": [ { "signature": "eac4acd9f760e878a6fea8b1ab26607ac35d9c9c45ec937cddf3535f04e6de91", "thinking": "The user wants me to summarize and provide my understanding of this article about \"Why Greatness Cannot Be Planned\". Let me analyze the full content.\n\nThe article is a book summary/review of \"Why Greatness Cannot Be Planned\" by Joel Lehman and Kenneth O. Stanley (both OpenAI researchers). The key points are:\n\n1. **The Problem with Goal-Oriented approaches**: Using KPIs/metrics to drive toward a goal (like \"distance to exit\" SE metric in maze solving) can lead to local optimum rather than global optimum.\n\n2. **The Maze Analogy**: A robot using a \"distance to goal\" KPI gets stuck at a local optimum (P1) because it keeps choosing the path that most reduces distance, but this leads to a dead end. The correct path actually requires moving AWAY from the goal initially.\n\n\n3. **Flood Fill vs. Novelty Search**: Flood Fill works when you know the maze structure and goal position, but for goals with unknown solutions—like creating a room-temperature superconductor at atmospheric pressure—you need novelty search instead, which rewards exploring uncharted territory rather than optimizing toward a predetermined target.\n\n4. **Biological Basis**: Evolution itself operates on novelty principles rather than goal-oriented ones; survival and reproduction are constraints, not objectives, which is why cockroaches have thrived for hundreds of millions of years without needing to \"plan\" their success.\n\n5. **The Real Mechanism**: Curiosity-driven exploration compounds over time. Johnny Depp stumbled into acting from a rock band background, Haruki Murakami discovered writing through conversations with cafe patrons, and research shows most adults attribute career choices to serendipity—meaningful connections emerge from exploring what interests us rather than chasing a fixed destination.\n\n6. **Core Insight**: Great accomplishments aren't planned; they emerge from curiosity and exploration, which is why乔布斯's advice about trusting the dots to connect later resonates so deeply.", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_y7h6kf8z8f0h_1", "call_id": "call_function_y7h6kf8z8f0h_1", "response_item_id": "fc_function_y7h6kf8z8f0h_1", "type": "function", "function": { "name": "browser_navigate", "arguments": "{\"url\": \"https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The user wants me to analyze another article from maxoxo.me. Let me fetch and read it.", "reasoning_content": "The user wants me to analyze another article from maxoxo.me. Let me fetch and read it.", "reasoning_details": [ { "signature": "f8e947c50b8dfa4ff42ec10026a866c81300ba648734128adc70dc70ea4c2d7c", "thinking": "The user wants me to analyze another article from maxoxo.me. Let me fetch and read it.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"url\": \"https://maxoxo.me/the-black-swan-the-impact-of-the-highly-improbable/\", \"title\": \"黑天鹅：如何应对不可预知的未来 - maxOS\", \"stealth_warning\": \"Running WITHOUT residential proxies. Bot detection may be more aggressive. Consider upgrading Browserbase plan for proxy support.\", \"stealth_features\": [\"local\"], \"snapshot\": \" - banner:\\n - button [ref=e1]:\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"黑天鹅：如何应对不可预知的未来\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2024-05-18\\n - time: 更新于 2024-05-18\\n - heading \\\"TL;DR\\\" [ref=e11] [level=2]\\n - text: 黑天鹅事件是指那些难以预测但是冲击性极大的事件。难以预测的主要原因是：1）现实是非线性的，极小的变动都可能会产生巨大的影响；2）人类的认知偏误，导致我们会忽略黑天鹅事件发生的信号；3）我们的社会「并不鼓励」预防灾难，因为灾后救助的行为更容易获得认可和奖励。人类最大的问题在于\\n - strong: 我们以为我们能够预测黑天鹅事件（未来）\\n - text: 。\\n - separator: • • •\\n - paragraph:\\n - text: 黑天鹅理论并不是一个新的概念，人们多多少少都了解这个概念，Nassim Nicholas Taleb 在《\\n - link \\\"黑天鹅：如何应对不可预知的未来\\\" [ref=e12]:\\n - /url: https://book.douban.com/subject/6854525/?ref=maxoxo.me\\n - text: 》中提出并定义了「黑天鹅事件」：\\n - listitem: 它具有意外性，即它在通常的预期之外，也就是在过去没有任何能够确定它发生的可能性的证据。\\n - listitem: 它会产生极端影响。\\n - listitem: 虽然它具有意外性，但人的本性促使我们在事后为它的发生编造理由，并且使它变得可解释和可预测。\\n - paragraph: 概括起来就是：稀有性、极大的冲击性和事后（而不是事前）可预测性。\\n - text: 生活在 2024 年的我们对于这个概念一点都不陌生，我们经历了 2019 年灾难性的\\n - strong: COVID-19\\n - text: ，又在 2023 年经历了可能会是改变人类历史进程的\\n - strong: ChatGPT\\n - text: 发布，这些都是黑天鹅事件，两者都具有意外性，都产生非常大的影响，这种影响并不总是负面的，ChatGPT 就是正面的例子。在本书中，作者要强调的是「我们表现得就好像我们能够预测历史事件，甚至更糟的是，我们以为能够改变历史进程。既然黑天鹅事件是不可预测的，我们就需要适应它们的存在（而不是天真地试图预测它们）」重点在于解释了为什么黑天鹅事件是不可预测的，至于如何适应黑天鹅，作者在这本书中并没有给出答案。\\n - paragraph:\\n - text: 作者认为黑天鹅事件之所以不能被预测主要是\\n - link \\\"认知偏误\\\" [ref=e13]:\\n - /url: https://zh.wikipedia.org/wiki/%E8%AA%8D%E7%9F%A5%E5%81%8F%E8%AA%A4%E5%88%97%E8%A1%A8?ref=maxoxo.me\\n - text: ：\\n - blockquote:\\n - listitem:\\n - text: 我们只关注从已观察到的事物中预先挑选出来的那部分，从它推及未观察到的部分\\n - link \\\"证实谬误\\\" [ref=e14]:\\n - /url: https://zh.wikipedia.org/wiki/%E7%A2%BA%E8%AA%8D%E5%81%8F%E8%AA%A4?ref=maxoxo.me\\n - text: 。\\n - listitem: 我们用那些符合我们对明显模式的偏好的故事欺骗自己：叙述谬误。\\n - listitem: 我们假装黑天鹅现象不存在：人类的本性不习惯黑天鹅现象。\\n - listitem: 我们所看到的并不一定是全部。历史把黑天鹅现象隐藏起来，使我们对这些事件发生的概率产生错误的观念：沉默的证据造成的认知扭曲。\\n - listitem: 我们“犯过滤性错误”：我们只关注一些有明确定义的不确定性现象，一些特定的黑天鹅现象（而不关注那些不太容易想到的）。\\n - paragraph: 我想从另外一个角度来解释为什么黑天鹅事件不可预测，总结下有三个关键点：\\n - listitem: 非线性系统：我们生活的世界是一个混沌系统（复杂系统），也就决定了我们几乎不能预测未来。\\n - listitem: 认知偏差：我们的大脑对世界进行了高度抽象，抽象意味着会忽略很多细节，而关注发生概率更到的事件，这也是为什么我们会对黑天鹅事件视而不见，因为我们从内心里觉得这件事情不会发生。\\n - listitem: 社会奖励机制：包括对预防性措施和前瞻性思维的不足重视，社会奖励机制往往偏向于对已发生事件的响应而非预防未发生事件。\\n - heading \\\"非线性系统\\\" [ref=e15] [level=2]\\n - paragraph:\\n - link \\\"线性函数\\\" [ref=e16]:\\n - /url: https://zh.wikipedia.org/wiki/%E7%B7%9A%E6%80%A7%E5%87%BD%E6%95%B8?ref=maxoxo.me\\n - text: 指的是只有一个变量的函数，例如 y=2x，线性函数在直角坐标中的图形是一条直线。在 y=2x 这个函数中，y 会随着 x 的增加而增加，缩小而缩小，哪怕我们对 x 的测量有一定的误差，对结果的影响也都是有限的。例如当 x=9.8 的时候，我们四舍五入的认为 x=10，对结果的误差也就只有 0.4。\\n - paragraph:\\n - text: 而\\n - link \\\"非线性函数\\\" [ref=e17]:\\n - /url: https://zh.wikipedia.org/zh-cn/%E9%9D%9E%E7%B7%9A%E6%80%A7%E7%B3%BB%E7%B5%B1?ref=maxoxo.me\\n - text: 则意味着在直角坐标系中的，函数的图形不是直线，可能是曲线，甚至不是连续的。\\n - link \\\"指数函数\\\" [ref=e18]:\\n - /url: https://zh.wikipedia.org/wiki/%E6%8C%87%E6%95%B0%E5%87%BD%E6%95%B0?ref=maxoxo.me\\n - text: 就是一个典型的非线性函数，非线性函数意味着 x 作为输入的变化，可能会对 y 产生很大的影响。例如 y=2\\n - superscript: x\\n - text: ，如果 x 依然是 9.8，但是我们四舍五入到 10，那么测量结果将相差 132.6。(2\\n - superscript: \\\"10\\\"\\n - text: \\\"- 2\\\"\\n - superscript: \\\"9.8\\\"\\n - text: = 132.6)\\n - paragraph:\\n - text: 现实世界中的复杂系统通常是非线性的，每天早上我都会关注天气，你应该也有注意到，天气预报中，时间越长就越不准确，即便是当天的预报很多时候也是不准确的，望着窗外下雨的街道，天气 App 却告诉我今天不会下雨，只是阴天。现实世界中的许多系统（如气候系统、生态系统、经济系统等）表现出强烈的非线性特征，即输入变化的微小差异有时会导致输出的极大差异，这是\\n - link \\\"混沌\\\" [ref=e19]:\\n - /url: https://zh.wikipedia.org/wiki/%E6%B7%B7%E6%B2%8C%E7%90%86%E8%AE%BA?ref=maxoxo.me\\n - text: 的典型标志，这也就是著名的「\\n - link \\\"蝴蝶效应\\\" [ref=e20]:\\n - /url: https://zh.wikipedia.org/wiki/%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94?ref=maxoxo.me\\n - text: 」。\\n - paragraph: 黑天鹅事件经常发生的很突然，但其背后的原因往往是多种因素长时间积累的结果。而混沌系统的预测却需要非常精确的初始数值和函数，即使理论上存在能够完全描述系统的函数，实际上我们无法获取所有这些信息，或者即使获取到全部信息，也可能因为需要的信息量非常巨大导致无法有效的处理。也正因如此，黑天鹅事件是无法被预测的。\\n - heading \\\"认知偏差\\\" [ref=e21] [level=2]\\n - paragraph: 认知偏差是人类自己主动忽略黑天鹅事件发生前的各种信号。黑天鹅事件并不像太阳东升西落一样每天都会发生，它发生的频率很低，导致我们对相关事件的记载也就比较少，相关的理论也不够多。而每天都会发生的事情，因为案例多、研究多，我们经常会看到相关的信息，这些信息也会强化我们的认知，认为与之相对的事情都不会发生，这种认知模式并非一种缺陷，而是在漫长的演化中形成的。\\n - paragraph: 想象一下你现在要过马路，路上有两辆车正在行驶，其中一辆在你离很远的地方，而另一辆则要近很多，你会关注哪一辆车。我们几乎不需要思考就能得出结论，应该关注距离较近的车，从概率上来说它更有可能造成危险。注意力对于人类来说是稀缺的资源，而通过逻辑推理来计算结果就需要消耗大量的注意力，这也导致我们其实无法关注太多的事情，在处理危机的时候我们倾向于关注更重要的（发生概率更高）的事情。\\n - paragraph:\\n - text: 在《\\n - link \\\"思考，快与慢\\\" [ref=e22]:\\n - /url: https://book.douban.com/subject/10785583/?ref=maxoxo.me\\n - text: 》中，Daniel Kahnema 介绍了人类大脑运行的两种模式：\\n - listitem: 系统 1 的运行是无意识且快速的，不怎么费脑力，没有感觉，完全处于自主控制状态。\\n - listitem: 系统 2 将注意力转移到需要费脑力的大脑活动上来，例如复杂的运算。系统 2 的运行通常与行为、选择和专注等主观体验相关联。\\n - paragraph:\\n - text: 系统 2 的运行需要消耗大量的注意力，人脑实际上更倾向于使用系统 1 来处理日常事件，直到遇到系统 1 无法处理的事情的时候才会调用系统 2。例如当有物体超我们飞过来的时候，我们无须调用系统 2 去计算这个物体的初速度和飞行路线等等，只需要系统 1 我们就可以快速做出闪躲的动作。这种快速反应在我们遇到危险的时候能够显著提升我们的生存机率。Malcolm Gladwell 在他的书《\\n - link \\\"异类：不一样的成功启示录\\\" [ref=e23]:\\n - /url: https://book.douban.com/subject/25863621/?ref=maxoxo.me\\n - text: 》提出了一万小时理论，这一理论认为要在某个领域达到专家水平，通常需要大约一万小时的刻意练习，该理论正是基于系统 1 的学习模式。系统 1 通过反复的经验和模式识别，将复杂的信息和任务简化为直觉反应，我们将这一过程称之为「抽象」。而抽象就意味着关注事件的共同点，而忽略一些细节上的差异，不幸的是黑天鹅事件往往隐藏在被忽略的细节中。\\n - paragraph:\\n - text: Taleb 在书中所提到两种谬误又会强化这种模式。系统 1 有\\n - strong: 证实偏见\\n - text: 的倾向，即倾向于寻找和重视支持我们现有信念和假设的信息，忽视或否定与之相反的信息。而恰恰又是因为我们会容易找到经常发生的事情的资料，而那些被忽略的细节却鲜有人关注，也难以找到与之相关的信息，这种现实情况又强化了我们的偏见（\\n - link \\\"幸存者偏差\\\" [ref=e24]:\\n - /url: https://zh.wikipedia.org/wiki/%E5%80%96%E5%AD%98%E8%80%85%E5%81%8F%E5%B7%AE?ref=maxoxo.me\\n - strong: 幸存者偏差\\n - text: ）。这在面对黑天鹅事件时尤为明显，因为这些事件通常与我们的常规经验和信念不符，系统 1 会自动忽略或低估其可能性。\\n - paragraph:\\n - text: 18 世纪苏格兰哲学家\\n - link \\\"David Hume\\\" [ref=e25]:\\n - /url: https://en.wikipedia.org/wiki/David_Hume?ref=maxoxo.me\\n - text: 质疑了这种基于经验的推理过程的合理性，\\n - link \\\"他认为从过去事件的发生归纳出未来事件将如何发生，并没有逻辑上的必然性\\\" [ref=e26]:\\n - /url: https://zh.wikipedia.org/wiki/%E4%BC%91%E8%AC%A8%E5%95%8F%E9%A1%8C?ref=maxoxo.me\\n - text: 。也就是说，仅仅因为某件事情在过去发生过很多次，并不意味着它在未来也必然发生。Hume 说得没错，遗憾的是他并没有给出问题的答案。\\n - heading \\\"社会奖励机制\\\" [ref=e27] [level=2]\\n - paragraph:\\n - text: 社会奖励机制也是影响我们预测和预防黑天鹅事件的原因，预防性措施（如完善的公共卫生基础设施、库存疫苗和防护设备等）如果成功，就不会有显著的「成果」展示给公众和决策者。预防的成功往往意味着「没有灾难发生」，这使得这些措施难以获得社会的广泛认可和奖励。在 COVID-19 之前，\\n - link \\\"许多公共卫生专家和组织曾多次警告全球应对大规模流行病的准备不足\\\" [ref=e28]:\\n - /url: https://www.youtube.com/watch?v=6Af6b_wyiwI&ref=maxoxo.me\\n - text: 。然而，这些预警和预防措施在当时并未受到足够的重视和投入。相反，当疫情爆发后，救治患者、疫苗研发和抗疫措施得到了巨大的资金支持和社会认可。对预防措施的投入不足也导致人们没有足够的动力去做预防。\\n - separator: • • •\\n - text: 现实的非线性、人类的认知偏差和社会奖励机制都指向了同一个结果——黑天鹅事件的不可预测性。但这并不代表我们什么也不能做，Taleb 在本书中没有给出答案，但是在后续出版的《\\n - /url: https://book.douban.com/subject/25782902/?ref=maxoxo.me\\n - text: 》中给出了答案，他把事物分成三类：\\n - listitem: 脆弱类：脆弱的事物喜欢安宁的环境\\n - listitem: 强韧类：强韧的事物并不太在意环境\\n - listitem: 反脆弱类：反脆弱的事物则从混乱中成长\\n - paragraph: 脆弱的事物喜欢稳定的环境，无法应对环境的变化，因此对黑天鹅事件几乎没有抵抗力；强韧类的事物有足够大的防御力，黑天鹅事件可能会对它造成影响，但是影响不大；而反脆弱类的事物则喜欢变化，反脆弱的事物不但不会被黑天鹅摧毁，反而会从中受益。而我们要构建的，正是反脆弱性的事物。\\n - paragraph: 反脆弱的事物恰如尼采的那句名言：\\n - blockquote:\\n - text: “\\n - link \\\"What does not kill me makes me stronger\\\" [ref=e29]:\\n - /url: https://en.wikipedia.org/wiki/What_does_not_kill_me_makes_me_stronger?ref=maxoxo.me\\n\\n[... 5 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 30}", "tool_call_id": "call_function_y7h6kf8z8f0h_1" }, { "role": "assistant", "content": "", "tool_calls": [ { "id": "call_function_l474iipc4z8n_1", "call_id": "call_function_l474iipc4z8n_1", "response_item_id": "fc_function_l474iipc4z8n_1", "type": "function", "function": { "name": "browser_console", "arguments": "{\"expression\": \"document.querySelector('article').innerText\"}" } } ], "finish_reason": "tool_calls", "reasoning": "The article is now cut off at \"What does not kill me makes me stronger\" (the Nietzsche quote). Let me get the rest of the article using browser_console.", "reasoning_content": "The article is now cut off at \"What does not kill me makes me stronger\" (the Nietzsche quote). Let me get the rest of the article using browser_console.", "reasoning_details": [ { "signature": "6f62a59806236ea7fb9ac472e73d771022ae15992a193719c0d37bd6c38b4c7d", "thinking": "The article is now cut off at \"What does not kill me makes me stronger\" (the Nietzsche quote). Let me get the rest of the article using browser_console.", "type": "thinking" } ] }, { "role": "tool", "content": "{\"success\": true, \"result\": \"黑天鹅：如何应对不可预知的未来\\n读书\\n发布于 2024-05-18\\n更新于 2024-05-18\\nTL;DR\\n\\n黑天鹅事件是指那些难以预测但是冲击性极大的事件。难以预测的主要原因是：1）现实是非线性的，极小的变动都可能会产生巨大的影响；2）人类的认知偏误，导致我们会忽略黑天鹅事件发生的信号；3）我们的社会「并不鼓励」预防灾难，因为灾后救助的行为更容易获得认可和奖励。人类最大的问题在于我们以为我们能够预测黑天鹅事件（未来）。\\n\\n黑天鹅理论并不是一个新的概念，人们多多少少都了解这个概念，Nassim Nicholas Taleb 在《黑天鹅：如何应对不可预知的未来》中提出并定义了「黑天鹅事件」：\\n\\n它具有意外性，即它在通常的预期之外，也就是在过去没有任何能够确定它发生的可能性的证据。\\n它会产生极端影响。\\n虽然它具有意外性，但人的本性促使我们在事后为它的发生编造理由，并且使它变得可解释和可预测。\\n\\n概括起来就是：稀有性、极大的冲击性和事后（而不是事前）可预测性。\\n\\n生活在 2024 年的我们对于这个概念一点都不陌生，我们经历了 2019 年灾难性的 COVID-19，又在 2023 年经历了可能会是改变人类历史进程的 ChatGPT 发布，这些都是黑天鹅事件，两者都具有意外性，都产生非常大的影响，这种影响并不总是负面的，ChatGPT 就是正面的例子。在本书中，作者要强调的是「我们表现得就好像我们能够预测历史事件，甚至更糟的是，我们以为能够改变历史进程。既然黑天鹅事件是不可预测的，我们就需要适应它们的存在（而不是天真地试图预测它们）」重点在于解释了为什么黑天鹅事件是不可预测的，至于如何适应黑天鹅，作者在这本书中并没有给出答案。\\n\\n作者认为黑天鹅事件之所以不能被预测主要是认知偏误：\\n\\n我们只关注从已观察到的事物中预先挑选出来的那部分，从它推及未观察到的部分证实谬误。\\n我们用那些符合我们对明显模式的偏好的故事欺骗自己：叙述谬误。\\n我们假装黑天鹅现象不存在：人类的本性不习惯黑天鹅现象。\\n我们所看到的并不一定是全部。历史把黑天鹅现象隐藏起来，使我们对这些事件发生的概率产生错误的观念：沉默的证据造成的认知扭曲。\\n我们“犯过滤性错误”：我们只关注一些有明确定义的不确定性现象，一些特定的黑天鹅现象（而不关注那些不太容易想到的）。\\n\\n我想从另外一个角度来解释为什么黑天鹅事件不可预测，总结下有三个关键点：\\n\\n非线性系统：我们生活的世界是一个混沌系统（复杂系统），也就决定了我们几乎不能预测未来。\\n认知偏差：我们的大脑对世界进行了高度抽象，抽象意味着会忽略很多细节，而关注发生概率更到的事件，这也是为什么我们会对黑天鹅事件视而不见，因为我们从内心里觉得这件事情不会发生。\\n社会奖励机制：包括对预防性措施和前瞻性思维的不足重视，社会奖励机制往往偏向于对已发生事件的响应而非预防未发生事件。\\n非线性系统\\n\\n线性函数指的是只有一个变量的函数，例如 y=2x，线性函数在直角坐标中的图形是一条直线。在 y=2x 这个函数中，y 会随着 x 的增加而增加，缩小而缩小，哪怕我们对 x 的测量有一定的误差，对结果的影响也都是有限的。例如当 x=9.8 的时候，我们四舍五入的认为 x=10，对结果的误差也就只有 0.4。\\n\\n三个线性函数的图形都是直线。红色与蓝色直线的斜率相同。红色与绿色直线的y-截距相同。\\n\\n而非线性函数则意味着在直角坐标系中的，函数的图形不是直线，可能是曲线，甚至不是连续的。指数函数就是一个典型的非线性函数，非线性函数意味着 x 作为输入的变化，可能会对 y 产生很大的影响。例如 y=2x，如果 x 依然是 9.8，但是我们四舍五入到 10，那么测量结果将相差 132.6。(210 - 29.8 = 132.6)\\n\\ny=b^x 对各种底数b的图像，分别为绿色的10、红色的𝑒、蓝色的2和青色的12。\\n\\n现实世界中的复杂系统通常是非线性的，每天早上我都会关注天气，你应该也有注意到，天气预报中，时间越长就越不准确，即便是当天的预报很多时候也是不准确的，望着窗外下雨的街道，天气 App 却告诉我今天不会下雨，只是阴天。现实世界中的许多系统（如气候系统、生态系统、经济系统等）表现出强烈的非线性特征，即输入变化的微小差异有时会导致输出的极大差异，这是混沌的典型标志，这也就是著名的「蝴蝶效应」。\\n\\n黑天鹅事件经常发生的很突然，但其背后的原因往往是多种因素长时间积累的结果。而混沌系统的预测却需要非常精确的初始数值和函数，即使理论上存在能够完全描述系统的函数，实际上我们无法获取所有这些信息，或者即使获取到全部信息，也可能因为需要的信息量非常巨大导致无法有效的处理。也正因如此，黑天鹅事件是无法被预测的。\\n\\n认知偏差\\n\\n认知偏差是人类自己主动忽略黑天鹅事件发生前的各种信号。黑天鹅事件并不像太阳东升西落一样每天都会发生，它发生的频率很低，导致我们对相关事件的记载也就比较少，相关的理论也不够多。而每天都会发生的事情，因为案例多、研究多，我们经常会看到相关的信息，这些信息也会强化我们的认知，认为与之相对的事情都不会发生，这种认知模式并非一种缺陷，而是在漫长的演化中形成的。\\n\\n想象一下你现在要过马路，路上有两辆车正在行驶，其中一辆在你离很远的地方，而另一辆则要近很多，你会关注哪一辆车。我们几乎不需要思考就能得出结论，应该关注距离较近的车，从概率上来说它更有可能造成危险。注意力对于人类来说是稀缺的资源，而通过逻辑推理来计算结果就需要消耗大量的注意力，这也导致我们其实无法关注太多的事情，在处理危机的时候我们倾向于关注更重要的（发生概率更高）的事情。\\n\\n在《思考，快与慢》中，Daniel Kahnema 介绍了人类大脑运行的两种模式：\\n\\n系统 1 的运行是无意识且快速的，不怎么费脑力，没有感觉，完全处于自主控制状态。\\n系统 2 将注意力转移到需要费脑力的大脑活动上来，例如复杂的运算。系统 2 的运行通常与行为、选择和专注等主观体验相关联。\\n\\n系统 2 的运行需要消耗大量的注意力，人脑实际上更倾向于使用系统 1 来处理日常事件，直到遇到系统 1 无法处理的事情的时候才会调用系统 2。例如当有物体超我们飞过来的时候，我们无须调用系统 2 去计算这个物体的初速度和飞行路线等等，只需要系统 1 我们就可以快速做出闪躲的动作。这种快速反应在我们遇到危险的时候能够显著提升我们的生存机率。Malcolm Gladwell 在他的书《异类：不一样的成功启示录》提出了一万小时理论，这一理论认为要在某个领域达到专家水平，通常需要大约一万小时的刻意练习，该理论正是基于系统 1 的学习模式。系统 1 通过反复的经验和模式识别，将复杂的信息和任务简化为直觉反应，我们将这一过程称之为「抽象」。而抽象就意味着关注事件的共同点，而忽略一些细节上的差异，不幸的是黑天鹅事件往往隐藏在被忽略的细节中。\\n\\nTaleb 在书中所提到两种谬误又会强化这种模式。系统 1 有证实偏见的倾向，即倾向于寻找和重视支持我们现有信念和假设的信息，忽视或否定与之相反的信息。而恰恰又是因为我们会容易找到经常发生的事情的资料，而那些被忽略的细节却鲜有人关注，也难以找到与之相关的信息，这种现实情况又强化了我们的偏见（幸存者偏差）。这在面对黑天鹅事件时尤为明显，因为这些事件通常与我们的常规经验和信念不符，系统 1 会自动忽略或低估其可能性。\\n\\n18 世纪苏格兰哲学家 David Hume 质疑了这种基于经验的推理过程的合理性，他认为从过去事件的发生归纳出未来事件将如何发生，并没有逻辑上的必然性。也就是说，仅仅因为某件事情在过去发生过很多次，并不意味着它在未来也必然发生。Hume 说得没错，遗憾的是他并没有给出问题的答案。\\n\\n社会奖励机制\\n\\n社会奖励机制也是影响我们预测和预防黑天鹅事件的原因，预防性措施（如完善的公共卫生基础设施、库存疫苗和防护设备等）如果成功，就不会有显著的「成果」展示给公众和决策者。预防的成功往往意味着「没有灾难发生」，这使得这些措施难以获得社会的广泛认可和奖励。在 COVID-19 之前，许多公共卫生专家和组织曾多次警告全球应对大规模流行病的准备不足。然而，这些预警和预防措施在当时并未受到足够的重视和投入。相反，当疫情爆发后，救治患者、疫苗研发和抗疫措施得到了巨大的资金支持和社会认可。对预防措施的投入不足也导致人们没有足够的动力去做预防。\\n\\n现实的非线性、人类的认知偏差和社会奖励机制都指向了同一个结果——黑天鹅事件的不可预测性。但这并不代表我们什么也不能做，Taleb 在本书中没有给出答案，但是在后续出版的《反脆弱 : 从不确定性中获益》中给出了答案，他把事物分成三类：\\n\\n脆弱类：脆弱的事物喜欢安宁的环境\\n强韧类：强韧的事物并不太在意环境\\n反脆弱类：反脆弱的事物则从混乱中成长\\n\\n脆弱的事物喜欢稳定的环境，无法应对环境的变化，因此对黑天鹅事件几乎没有抵抗力；强韧类的事物有足够大的防御力，黑天鹅事件可能会对它造成影响，但是影响不大；而反脆弱类的事物则喜欢变化，反脆弱的事物不但不会被黑天鹅摧毁，反而会从中受益。而我们要构建的，正是反脆弱性的事物。\\n\\n反脆弱的事物恰如尼采的那句名言：\\n\\nWhat does not kill me makes me stronger\", \"result_type\": \"str\"}", "tool_call_id": "call_function_l474iipc4z8n_1" }, { "role": "assistant", "content": "主公，亮已阅尽全文，今为君剖析解读。\n\n---\n\n## 📖 《黑天鹅：如何应对不可预知的未来》深度解读\n\n---\n\n### 一、核心定义：何为黑天鹅事件\n\n作者 Taleb 提出的黑天鹅事件具有三重属性——\n\n| 属性 | 含义 |\n|------|------|\n| **意外性** | 在通常预期之外，过去没有任何证据表明它会发生 |\n| **极大冲击性** | 产生极端影响，足以改变历史进程 |\n| **事后可预测性** | 事后编造理由，使其看似可解释、可预测 |\n\n> **典型案例：** COVID-19（负面）、ChatGPT（正面）——两者皆在2019/2023年前无人预料，却深刻改变了人类历史。\n\n**Taleb 的核心论点：** 我们表现得仿佛能够预测历史事件，甚至以为能改变历史进程。但既然黑天鹅不可预测，我们需要**适应它们**，而非天真地试图预测。\n\n---\n\n### 二、黑天鹅为何不可预测：三层原因\n\n#### 第一层：非线性系统（客观世界的本质）\n\n**线性 vs 非线性：**\n\n- **线性函数 y=2x：** x 的测量误差对结果影响有限（x=9.8 四舍五入为10，误差仅0.4）\n- **非线性函数 y=2^x：** x=9.8 四舍五入为10，误差高达 **132.6**\n\n现实世界是混沌系统，输入的微小差异可能导致输出的极大差异——这正是\"蝴蝶效应\"。\n\n**天气预测的不准确性**就是最好的例子：时间越长越不准，因为天气是非线性系统，初始条件的微小测量误差会指数级放大。\n\n> 黑天鹅事件背后往往是多种因素长期积累的结果，而混沌系统的预测需要极其精确的初始数值——这在现实中根本无法获得。\n\n#### 第二层：认知偏差（人类自身的问题）\n\n作者借 Kahneman 的框架，指出人类大脑的**系统1**在\"抽象化\"世界时忽略细节——\n\n| 系统 | 特点 | 代价 |\n|------|------|------|\n| 系统1 | 无意识、快速、模式匹配 | 忽略被抽象掉的细节 |\n| 系统2 | 缓慢、费注意力 | 无法持续运转 |\n\n系统1通过反复训练将复杂任务\"自动化\"，形成直觉反应——这个过程即**抽象**。抽象意味着关注共同点、忽略细节差异。**不幸的是，黑天鹅事件恰恰隐藏在被忽略的细节中。**\n\n两种谬误进一步强化了这种偏差：\n\n| 谬误 | 机制 |\n|------|------|\n| **证实偏见** | 寻找支持现有信念的信息，忽视相反证据 |\n| **幸存者偏差** | 只能看到\"幸存者\"的故事，死去的无法发声 |\n\n**Hume 的质疑：** 从过去归纳未来，没有逻辑上的必然性——太阳升起了一万年，不代表明天必然升起。\n\n#### 第三层：社会奖励机制（结构性的激励错位）\n\n| | 预防性措施 | 灾后响应 |\n|---|---|---|\n| **成果展示** | \"没有灾难发生\"——无东西可展示 | 患者救治、疫苗研发——成果显著 |\n| **社会认可** | 无法获得广泛认可 | 巨大的资金支持与社会赞誉 |\n| **驱动力** | 不足 | 充沛 |\n\nCOVID-19 前，无数公共卫生专家曾多次警告全球应对大流行准备不足——但预警无人重视。疫情爆发后，救治和疫苗却获得海量资源。**预防成功，反馈沉默；灾后响应，奖励丰厚。**\n\n---\n\n### 三、黑天鹅为何总被\"事后解释\"\n\n这是 Taleb 最深刻的洞见之一：\n\n> *\"虽然它具有意外性，但人的本性促使我们在事后为它的发生编造理由，并且使它变得可解释和可预测。\"*\n\n人类无法容忍\"无法解释\"的事物。大脑必须在事后找到一个合理化的叙事，否则会感到认知失调。这导致每次黑天鹅事件后，都会出现大量\"其实早该预料到\"的**后见之明**。\n\n---\n\n### 四、解决方案：反脆弱\n\nTaleb 在本书中没有给出如何适应的答案，而在后续出版的《反脆弱》中给出了完整答案（本文亦已有解读）——\n\n| 类型 | 特征 |\n|------|------|\n| **脆弱类** | 喜欢安宁环境，无法应对变化 |\n| **强韧类** | 有足够防御力，影响不大 |\n| **反脆弱类** | 从混乱中成长，越挫越强 |\n\n**尼采名言：凡杀不死我的，使我更强大。**\n\n---\n\n### 五、亮之评述\n\n本文最令亮叹服之处，在于它以极其清晰的逻辑，揭示了一个令人不安的真相——\n\n#### 三大核心洞见\n\n1. **预测本身就是一种傲慢**\n 我们以为能预测天气、股市、经济危机——但非线性系统意味着，微小的测量误差会被指数级放大，最终预测结果与掷骰子无异。承认\"不可预测\"不是认输，而是对现实的基本尊重。\n\n2. **认知偏差不是缺陷，而是演化的副产品**\n 系统1的快速反应模式让我们的祖先在荒野中生存下来——它节约注意力，让我们关注\"最可能的危险\"。但这种\"节约\"在现代社会代价高昂：我们用它来评估股票走势、预测疫情风险——系统1根本不擅长这些。\n\n3. **社会激励结构性鼓励\"救火\"而非\"防火\"**\n 预防的成功是沉默的——没有新闻报道\"某公司因完善的IT系统而避免了数据泄露\"。但火灾后的救援叙事却激动人心。这导致资源永远在灾后涌向\"应急\"，而非灾前投入\"防御\"。\n\n---\n\n### 六、与前文的关联\n\n| 前文 | 核心观点 | 本文联系 |\n|------|---------|---------|\n| 《反脆弱》| 构建反脆弱性事物 | 正是黑天鹅的应对之道 |\n| 《思考，快与慢》| 系统1/系统2的局限 | 认知偏误的来源 |\n| 《为什么伟大不能被计划》| 目标驱动在未知领域的失效 | 不可预测性是根本原因 |\n\n**四篇文章实为一体——**\n\n- **《黑天鹅》** 告诉我们世界本质上是不可预测的\n- **《反脆弱》** 告诉我们在这种不可预测中如何获益\n- **《思考，快与慢》** 揭示我们大脑为何难以应对不确定性\n- **《为什么伟大不能被计划》** 证明在真正的未知面前，目标驱动是无效的\n\n---\n\n臣等正欲死战，陛下何故先降！？", "reasoning": "The user wants me to summarize and analyze this article about \"The Black Swan: The Impact of the Highly Improbable\" from maxoxo.me. I've already read the full article content. Let me now write a detailed summary with my own analysis in the requested style.\n", "reasoning_content": "The user wants me to summarize and analyze this article about \"The Black Swan: The Impact of the Highly Improbable\" from maxoxo.me. I've already read the full article content. Let me now write a detailed summary with my own analysis in the requested style.\n", "reasoning_details": [ { "signature": "dd5b5c917540d8fc7d7ffea68479c0de98939b53f6ee175a2568dab6ba3038c8", "thinking": "The user wants me to summarize and analyze this article about \"The Black Swan: The Impact of the Highly Improbable\" from maxoxo.me. I've already read the full article content. Let me now write a detailed summary with my own analysis in the requested style.\n", "type": "thinking" } ], "finish_reason": "stop" }, { "role": "user", "content": "https://maxoxo.me/genius-makers/" }, { "role": "assistant", "content": "", "reasoning": "The user wants me to analyze this article about \"Genius Makers\" from maxoxo.me. Let me navigate to the page and extract the content.", "finish_reason": "tool_calls", "reasoning_content": "The user wants me to analyze this article about \"Genius Makers\" from maxoxo.me. Let me navigate to the page and extract the content.", "reasoning_details": [ { "signature": "0574858d90454c8febb0b1e18ad624a926fb536722b462ad5c484f3c184cef7d", "thinking": "The user wants me to analyze this article about \"Genius Makers\" from maxoxo.me. Let me navigate to the page and extract the content.", "type": "thinking" } ], "tool_calls": [ { "id": "call_function_mu7zk9h7wra8_1", "call_id": "call_function_mu7zk9h7wra8_1", "response_item_id": "fc_function_mu7zk9h7wra8_1", "type": "function", "function": { "name": "browser_navigate", "arguments": "{\"url\": \"https://maxoxo.me/genius-makers/\"}" } } ] }, { "role": "tool", "name": "browser_navigate", "content": "{\"success\": true, \"url\": \"https://maxoxo.me/genius-makers/\", \"title\": \"深度学习革命 - maxOS\", \"stealth_warning\": \"Running WITHOUT residential proxies. Bot detection may be more aggressive. Consider upgrading Browserbase plan for proxy support.\", \"stealth_features\": [\"local\"], \"snapshot\": \" - banner:\\n - button [ref=e1]:\\n - link \\\"maxOS\\\" [ref=e2]:\\n - /url: https://maxoxo.me\\n - link \\\"邮件订阅\\\" [ref=e3]:\\n - /url: \\\"#/portal/signup\\\"\\n - navigation:\\n - listitem:\\n - link \\\"首页\\\" [ref=e4]:\\n - /url: https://maxoxo.me/\\n - listitem:\\n - link \\\"产品\\\" [ref=e5]:\\n - /url: https://maxoxo.me/tag/design/\\n - listitem:\\n - link \\\"读书\\\" [ref=e6]:\\n - /url: https://maxoxo.me/tag/books/\\n - listitem:\\n - link \\\"文章\\\" [ref=e7]:\\n - /url: https://maxoxo.me/tag/articles/\\n - listitem:\\n - link \\\"关于\\\" [ref=e8]:\\n - /url: https://maxoxo.me/about/\\n - article:\\n - heading \\\"深度学习革命\\\" [ref=e9] [level=1]\\n - link \\\"读书\\\" [ref=e10] [nth=1]:\\n - /url: /tag/books/\\n - time: 发布于 2023-07-11\\n - time: 更新于 2024-06-07\\n - paragraph:\\n - text: 在 OpenAI 推出 ChatGPT 之前，人工智能带给我的震撼还停留在 2017 年，DeepMind 开发的 AlphaGo 击败了围棋冠军柯洁。我一直相信未来人工智能一定会改变我们的生活和工作，但未曾想这种改变来的如此之快。在 OpenAI 正式公布 ChatGPT 不久后，纽约时报推出了一个\\n - link \\\"简短的 Newsletter 来介绍人工智能\\\" [ref=e11]:\\n - /url: https://www.nytimes.com/column/on-tech-ai-newsletter?ref=maxoxo.me\\n - text: ，第一篇文章《\\n - link \\\"How to Become an Expert on A.I.\\\" [ref=e12]:\\n - /url: https://www.nytimes.com/article/ai-artificial-intelligence-chatbot.html?ref=maxoxo.me\\n - text: 》介绍了几个基本概念，从人工智能到神经网络，再到大语言模型和生成式 AI，文章的作者\\n - link \\\"Cade Metz\\\" [ref=e13]:\\n - /url: https://www.nytimes.com/by/cade-metz?ref=maxoxo.me\\n - text: 是一位在科技领域有深厚积累的记者和作家，特别是对于人工智能和互联网的相关内容有着深入的了解和独特的见解。早在 2021 年 3 月的时候，Cade Metz 出版了《\\n - link \\\"深度学习革命\\\" [ref=e14]:\\n - /url: https://www.amazon.com/Genius-Makers-Mavericks-Brought-Facebook/dp/B08CYBGCR1?ref=maxoxo.me\\n - text: 》，书中介绍了深度学习和人工智能的发展历程，以及背后支撑行业发展的科技先驱们的故事。\\n - paragraph:\\n - text: 正如任何一次伟大的科技革命，人工智能的发展也并非一帆风顺，1958 年 Frank Rosenblatt 在美国国家气象局向世界展示了感知机，它可以通过监督学习的方式来识别卡片上的三角形和正方形，从此打开了人工智能的大门。然而在 1966 年 AI 发起人之一的 Marvin Minsky 和他的同事出版了《感知机》一书，书中详细的描述了感知机的局限性，认为感知机不能解决复杂的问题。这无疑给 AI 的发展前景泼了一盆冷水。当时的人们对人工智能的发展过分乐观，认为用不了多长时间机器就会取代人类\\n - link \\\"1\\\" [ref=e15]:\\n - /url: \\\"#fn1-22739\\\"\\n - superscript: \\\"1\\\"\\n - text: ，Frank Rosenblatt 在 1962 出版的《神经动力学原理》中认为造成这种盲目乐观是因为媒体夸张的报道。但 Minsky 的观点最终导致用于研究人工智能的政府资金被转移到其他项目中，这段时期也被称为「AI 寒冬」。直到 1980s 反向传播取得重大突破。\\n - paragraph: Rosenblatt 在 1957 年发明的感知机是一种单层神经网络，它只能输入的数据经过计算之后就直接输出结果，这也是 Minsky 认为感知机不能解决复杂的问题的主因。单层神经网络只能处理线性的问题，以从图片中来识别动物来说，单层神经网络只能根据动物的颜色、或者动物的腿的数量来识别，而不能将两者结合起来。要结合多种特征来识别就需要引入多层神经网络，在当时多层神经网络面临的问题是如何调整权重，例如从图片中识别动物，是腿的数量重要还是颜色更重要一些，没有人知道，直到反向传播算法的出现。反向传播算法可以动态的调整每个神经元的权重，它会将预测输出与实际输出之间的误差计算出来，并将误差反向传播到网络中，神经元的权重会根据误差值被重新调整，从而减小最终的输出误差。\\n - paragraph: 但是先进的算法并不能解决 AI 的应用问题，90 年代因为没有实际的应用以及在多项方面进展缓慢，各国政府又一次减少了在 AI 研究领域的资金投入，第二次 AI 寒冬降临。但 AI 的研究并未因此停止，1986 年 Geoffrey Hinton 就提出了深度学习，但直到 2012 年 Hilton 及他的学生利用深度学习训练的神经网络在图像识别方面击败了当时最先进的系统，深度学习才真正兴起。随后卷积神经网络、递归神经网络、长短期记忆网络以及生成对抗网络等技术被应用在深度学习中，2017 年 AlphaGo 击败了李世石和柯洁的消息更是让 AI 的能力提升到的新的高度。现在，OpenAI 发布了 ChatGPT，对于之前不怎么关注人工智能的我来说，ChatGPT 的出现对我来说就像是孙悟空从石头缝里蹦出来一样，没有什么预料它就来了，这不禁令我好奇人工智能的技术是如何一步步走到今天的。而 Cade Metz 在这本书中并没有过多的介绍深度学习和人工智能相关的技术，而是在讲述创造这些技术的人的故事。其中有 3 个故事令我印象深刻。\\n - heading \\\"外行指导内行\\\" [ref=e16] [level=2]\\n - paragraph:\\n - text: 第一个故事是关于微软研究院的邓力。在加入微软研究院之前，邓力一直从事自然语言处理和语言识别研究，1999 年加入微软之后，邓力依然致力于研究自然语言识别，在花了 3 年时间来改进隐马尔可夫模型（\\n - link \\\"Hidden Markov Model\\\" [ref=e17]:\\n - /url: https://en.wikipedia.org/wiki/Hidden_Markov_model?ref=maxoxo.me\\n - text: ，HMM），然而新版本的识别准确率只比上一代版本提升了 5%。隐马尔可夫模型是一种基于线性假设的模型，它假设每一个状态都与前一个状态相关，在语言识别中，它可以基于前一个音频信号的音节来预测下一个音节，这也意味着它无法处理非线性的复杂关系，如果某个音节的发音收到前后两个音节的影响的时候，隐马尔可夫模型就无法处理。\\n - paragraph: 2008 年冬天，Hinton 向邓力介绍说神经网络开始在语音方面奏效了，但由于 Hinton 不是一名专业的语音研究人员，邓力并不相信他的说法。直到 2009 年夏天 Hinton 通过神经网络分析了大约 3 个小时的口语词汇之后，这个系统的语音识别能力就与当时市面上最好的技术相当。邓力颇为震惊，随后邀请辛顿到微软位于华盛顿州雷蒙德市的研究实验室，在几个月的时间里，Hinton 和他的两名研究生的在语言识别方面超越了微软已经研发了十几年的系统。\\n - paragraph: 早在 Hinton 的反向传播算法取得突破前，邓力作为一名学生就曾写过一篇论文，探索神经网络在语言识别中的应用。然而，由于第二次AI寒冬的来临，神经网络在学术界和产业界失宠，邓力也逐渐忽视了神经网络的研究。\\n - paragraph: 在语音识别领域深耕了多年的邓力当时正在开发下一代语音识别技术，他相信将会取得很大的突破。当 Hilton 带着神经网络出现时，虽然并非语音识别领域的专家，但是这种新技术对于现有的技术来说就像是降维打击，让一个非专业人士开发出的技术与当时世界上最好的专业人员相当。\\n - paragraph: 这让我想起《创新者的窘境》中的“破坏性创新”的思考。神经网络正是一种「破坏性创新」，尽管刚开始时计算机硬件的性能还无法很好地运行神经网络，人们也尚未认识到摩尔定律的威力。然而，随着 GPU 在神经网络训练中的广泛应用，神经网络的处理能力得以飞速提升。如果在 2008 年邓力错过了 Hinton，那么微软也可能无法在语言识别领域取得领先地位。\\n - heading \\\"不务正业\\\" [ref=e18] [level=2]\\n - paragraph: 第二个故事同样发生在微软，微软的研究副总裁 Peter Lee 在自己的实验室里看到深度学习重构了语音识别，但他仍然不相信深度学习，在他看来这只是巧合，神经网络不会在其他领域取得突破。但他还是邀请邓力在微软内部介绍了深度学习，演讲途中不断有人提出反对意见，反对者引用了 Minsky 的《感知机》一书，并认为神经网络没有前途。当时陆奇也参与了这次分享，他让反对者保持安静，邓力才得以完成演讲。\\n - paragraph: 陆奇在 2009 年加入微软后负责微软的搜索引擎必应（Bing），当时在微软内部，很多人对深度学习持怀疑态度。陆奇认为「微软的问题在于它用的旧方式处理新的问题」。2016 年当 DeepMind 的 AlphaGo 在韩国击败了李世石后，陆奇敦促微软智囊团接受自动驾驶汽车的想法，陆奇并不是说微软需要向特斯拉那样去销售汽车，而是通过打造一辆汽车来了解当中会遇到的问题，然后以微软的实力去解决这些问题。就像 Jeff Dean 在 Google Brain 所做的事情一样。\\n - paragraph:\\n - text: Jeff Dean 与吴恩达在 2011 年创立了 Google Brain，当时的 AI 研究并没有明确的目标，但是为了研究 AI，Google 发现内部的工具并不能好的支持深度学习，尤其是在分布式计算和大规模数据处理方面。为了解决这个问题，Jeff Dean 与团队开始开发一个新的机器学习框架，这就是在 2015 发布的 TensorFlow。同时期，神经网络的能耗是非常巨大的，尤其是对 Google 这样拥有庞大用户群的公司来说，神经网络应用在生产环境就意味着几亿美元的成本增加。为了降低神经网络运行的成本，Dean 提出开发一种新的计算机芯片，仅用于训练和运行神经网络，这就是\\n - link \\\"张量处理器\\\" [ref=e19]:\\n - /url: https://cloud.google.com/tpu?ref=maxoxo.me\\n - text: （Tensor Processing Unit ，TPU）。不同于传统 CPU，神经网络运行的计算量非常大，但每次计算不要求非常精确的结果，因此 TPU 会将浮点数的小数点去掉，而只计算其整数部份，这让计算效率大幅提升。\\n - paragraph: 陆奇认为微软应该造车也是基于这样的考量，通过造车，微软需要解决大量的技术问题，包括机器学习、机器视觉、自然语言处理、决策制定等，这些技术未来对微软的其他产品（云服务、操作系统和搜索引擎）都会有很大的帮助。同时或许可以帮助微软探索新的商业模式，例如 Car as a Service。陆奇期望通过造车来打破微软的固有观念，用新的方式来解决问题，或许 Satya Nadella 意识到即使微软推动造车，也很难在内部取得突破，而寄希望于外部，也就有了微软后来投资 OpenAI 的故事。2022 年 12 月的一次微软内部会议上，微软 CEO Satya 质问微软研究院的 VP Peter Lee：\\n - blockquote:\\n - text: OpenAI built this (GPT-4) with 250 people, Why do we have Microsoft Research at all?\\n - link \\\"2\\\" [ref=e20]:\\n - /url: \\\"#fn2-22739\\\"\\n - superscript: \\\"2\\\"\\n - paragraph: 当时微软研究院已经成立了数十年，并且有 1,500 名员工。\\n - paragraph: 而事实上，也正是因为对 OpenAI 的投资，不得不逼迫微软的 Azure 来升级自己的服务，微软为 OpenAI 打造了一套专门用于人工智能的服务器集群，而这套基础设施未来巩固 Azure 在人工智能基础设施领域的主导地位。微软虽然没有实现陆奇造车的梦想，但是「造车」期望达成的目的，通过投资 OpenAI 完成了。\\n - heading \\\"人工智能的偏见\\\" [ref=e21] [level=2]\\n - paragraph: 2015 年借助 AI 在图像识别方面的进步，Google Photo 推出了对照片内容自动标记的功能，这项功能可以识别用户照片中的物件和风景，帮助用户自动对照片进行分类。同年 6 月的一个星期天，Jacky Alciné 发现 Google Photo 将自己的一位非裔美国人贴上了「大猩猩」的标签，Google 在得知次时候迅速道歉，并承诺会改善算法，随后 Google 在相册中屏蔽了「大猩猩」相关字眼，也不会主动识别大猩猩的照片。直到今天，Google 相册中依然不能够识别大猩猩（Apple 相册也是如此）。\\n - paragraph: 师从李飞飞的 Timnit Gebru 就曾在 Facebook 贴出她对人工智能的担忧，她在参加一次人工智能的大型会议时发现与会者大多数为男性：\\n - blockquote: 我不担心机器接管世界。我担心人工智能圈子里的群体思维、狭隘和傲慢，尤其是在当前对该领域人员的大肆炒作和需求的情况下。这些事情已经引发了一些我们现在就应该担忧的问题。\\n - paragraph: 机器学习的训练过程本身是没有偏见的，机器对于数据和结果并没有偏好，简单来说机器学习只是根据训练时所使用的数据集来归纳总结信息的特征。而在应用的过程中则是将输入信息的特征提取出来进行匹配，匹配出概率更高的结果。在算法和训练迭代次数相同的情况下，训练数据集的质量对结果的匹配有很大的影响，机器学习的结果是否带有偏见，很大程度上取决于其训练的数据集是否包含这种偏见。如果训练的数据集中比较少黑人的数据，而较多大猩猩的数据，那么将黑人标记为大猩猩的概率就会高于黑人。\\n - paragraph: Google Photo 发布自动标记功能的同时期，人工智能初创公司 Clarifai 正在打造一款被称为“内容审核系统”，会自动标记和删除发布在网络上的色情图片。他们发现系统很容易将带有黑人的照片标记为色情图片。原因在于他们的训练数据集中，白人在正常图片中的出现频率高，而黑人在色情图片中的出现频率高。这也就导致机器学习系统在分析图片时，对黑人的识别偏向了色情图片，这反映了训练数据的偏见。\\n - paragraph: 除了偏见问题，大语言模型在内容生成的准确性上也受到了质疑。这是因为大语言模型的训练数据大多来自互联网，其中充斥着真假混杂的信息。语言模型的目标是学会“说话”，但实际上语言模型并不理解语言的含义，模型仅仅是从大量的文本数据中学习到的模式，并根据这些模式生成新的文本，而没有实际的意识或理解能力，也无法识别信息的真假。\\n - separator: • • •\\n - paragraph:\\n - text: 我不确定「真正的人工智能」会在何时到来，就像没有人会预知 ChatGPT 会在 2023 年到来一样。就目前来看，无法将实时的信息补充到训练模型中大概是目前大语言模型的局限，虽然 ChatGPT 有大量的插件和浏览模式，这些实时获取的数据并没有成为基础训练的一部分，而是对信息进行补充。无法实时训练大语言模型的原因在于训练的成本过于高昂（机器成本和时间成本）\\n - link \\\"3\\\" [ref=e22]:\\n - /url: \\\"#fn3-22739\\\"\\n - superscript: \\\"3\\\"\\n - text: ，也就意味着不可能利用当前的训练方式来实时的训练 AI。三体的作者刘慈欣也提到「算力不足导致 AI 难以自我迭代暴力推翻人类\\n - link \\\"4\\\" [ref=e23]:\\n - /url: \\\"#fn4-22739\\\"\\n - superscript: \\\"4\\\"\\n - text: 」。大量的 [算力要求也意味着只有「大公司」才能够负担得起训练 AI 的成本，也不可避免的会造成这种「生产资料」的垄断，或许只有当人人都可以训练 AI 的时候，AI 的时代才会真正到来。\\n - paragraph:\\n\\n[... 44 more lines truncated, use browser_snapshot for full content]\", \"element_count\": 37}", "tool_call_id": "call_function_mu7zk9h7wra8_1" }, { "role": "assistant", "content": "", "reasoning": "Let me get the rest of the article content.", "finish_reason": "tool_calls", "reasoning_content": "Let me get the rest of the article content.", "reasoning_details": [ { "signature": "0e81b00adfdba6ad921e7d192581e774e9f564ae8234c82341fd7108a8c713da", "thinking": "Let me get the rest of the article content.", "type": "thinking" } ], "tool_calls": [ { "id": "call_function_7hjr4p205j1r_1", "call_id": "call_function_7hjr4p205j1r_1", "response_item_id": "fc_function_7hjr4p205j1r_1", "type": "function", "function": { "name": "browser_console", "arguments": "{\"expression\": \"document.querySelector('article').innerText.slice(-2000)\"}" } } ] }, { "role": "tool", "name": "browser_console", "content": "{\"success\": true, \"result\": \"识别方面的进步，Google Photo 推出了对照片内容自动标记的功能，这项功能可以识别用户照片中的物件和风景，帮助用户自动对照片进行分类。同年 6 月的一个星期天，Jacky Alciné 发现 Google Photo 将自己的一位非裔美国人贴上了「大猩猩」的标签，Google 在得知次时候迅速道歉，并承诺会改善算法，随后 Google 在相册中屏蔽了「大猩猩」相关字眼，也不会主动识别大猩猩的照片。直到今天，Google 相册中依然不能够识别大猩猩（Apple 相册也是如此）。\\n\\n师从李飞飞的 Timnit Gebru 就曾在 Facebook 贴出她对人工智能的担忧，她在参加一次人工智能的大型会议时发现与会者大多数为男性：\\n\\n我不担心机器接管世界。我担心人工智能圈子里的群体思维、狭隘和傲慢，尤其是在当前对该领域人员的大肆炒作和需求的情况下。这些事情已经引发了一些我们现在就应该担忧的问题。\\n\\n机器学习的训练过程本身是没有偏见的，机器对于数据和结果并没有偏好，简单来说机器学习只是根据训练时所使用的数据集来归纳总结信息的特征。而在应用的过程中则是将输入信息的特征提取出来进行匹配，匹配出概率更高的结果。在算法和训练迭代次数相同的情况下，训练数据集的质量对结果的匹配有很大的影响，机器学习的结果是否带有偏见，很大程度上取决于其训练的数据集是否包含这种偏见。如果训练的数据集中比较少黑人的数据，而较多大猩猩的数据，那么将黑人标记为大猩猩的概率就会高于黑人。\\n\\nGoogle Photo 发布自动标记功能的同时期，人工智能初创公司 Clarifai 正在打造一款被称为“内容审核系统”，会自动标记和删除发布在网络上的色情图片。他们发现系统很容易将带有黑人的照片标记为色情图片。原因在于他们的训练数据集中，白人在正常图片中的出现频率高，而黑人在色情图片中的出现频率高。这也就导致机器学习系统在分析图片时，对黑人的识别偏向了色情图片，这反映了训练数据的偏见。\\n\\n除了偏见问题，大语言模型在内容生成的准确性上也受到了质疑。这是因为大语言模型的训练数据大多来自互联网，其中充斥着真假混杂的信息。语言模型的目标是学会“说话”，但实际上语言模型并不理解语言的含义，模型仅仅是从大量的文本数据中学习到的模式，并根据这些模式生成新的文本，而没有实际的意识或理解能力，也无法识别信息的真假。\\n\\n我不确定「真正的人工智能」会在何时到来，就像没有人会预知 ChatGPT 会在 2023 年到来一样。就目前来看，无法将实时的信息补充到训练模型中大概是目前大语言模型的局限，虽然 ChatGPT 有大量的插件和浏览模式，这些实时获取的数据并没有成为基础训练的一部分，而是对信息进行补充。无法实时训练大语言模型的原因在于训练的成本过于高昂（机器成本和时间成本）3，也就意味着不可能利用当前的训练方式来实时的训练 AI。三体的作者刘慈欣也提到「算力不足导致 AI 难以自我迭代暴力推翻人类4」。大量的 [算力要求也意味着只有「大公司」才能够负担得起训练 AI 的成本，也不可避免的会造成这种「生产资料」的垄断，或许只有当人人都可以训练 AI 的时候，AI 的时代才会真正到来。\\n\\n我并不担心人工智能未来可能会取代人类的工作。相反，我认为这正是科技进步的目标。自工业革命以来，机器一直在逐渐接替人类的一些工作，但这并非科技的终极目标。科技的真正使命不是取代我们，而是不断的帮助人类拓展能力的边界。5事实上，科技对人类的「改造」已经深入到了我们的基因之中。与其他体型相近的哺乳动物相比，人类的胃更小，结肠更短。这并非偶然，而是因为「烹饪」这一技术的发明，我们使食物变得更易消化，从而减轻了我们消化器官的负担。6人类的社会总是会不断地出现新的问题，这些问题需要新的解答，在人工智能取代人类的部份工作之后我们总会遇到新的问题，人类的工作也从解决旧的问题转向应对新的挑战。这个过程可能并不总是顺利，但其进程却无法被阻挡。\\n\\nhttps://twitter.com/PessimistsArc/status/1668413832954347521 ↩︎\\nHow Microsoft Swallowed Its Pride to Make a Massive Bet on OpenAI — The Information ↩︎\\nMeta 训练 LLaMA 65B 使用了 2,048 块 Nvidia A100 GPU，花了 21 天来训练，总成本高达 500 万美金。State of GPT ↩︎\\nhttps://www.ithome.com/0/701/732.htm ↩︎\\n科技想要什么 ↩︎\\n基因文化共同进化理论 from