我们知道，学习可以分为三个区域：舒适区、学习区和恐慌区。

舒适区里面的内容，基本上都是你已经掌握的，学习这些东西会让你感觉到很无聊。

而在恐慌区，你又会感到非常的吃力，比如让你跟老外交流。

无论是舒适区还是恐慌区，都很容易让我们失去对学习的兴趣。

只有在学习区，就是我们大部分的内容都会，但同时又有一些具有挑战性的问题，而且是我们努力一下又可以解决的问题。只有在这样的一个条件下，人的学习热情才会被激发出来，旧的知识不断被巩固，新的知识不断被吸收，人们会觉得时间过的充实和满足！

很多游戏之所以让人着迷，也是应用了类似的设计，事实上我认为在人与人的交往当中也遵守着这个规则，如果你停止学习，没法给别人带来新鲜感，也很容易变成别人的舒适区。

意外比例

我们可以用万维钢老师的一个公式来统一这三个区域：学习=熟悉+意外，熟悉和意外这两者内容的比例决定了你当前在哪个区域中，如果熟悉的内容过多，就在学习区，如果意外的内容过多，就在恐慌区，问题是，这个比例可不可以量化，就是当比例是多少时，才能让我们处于学习区。

亚利桑那大学和布朗大学的研究者刚刚贴出一篇论文的预印本，叫《最优学习的85%规则》，里面给出了一个值，而且是非常精确的一个值：15.87%，这个值是怎么来的呢？

现在人工智能本质上是机器学习，其实就是模拟人的学习方式。我们弄一个神经网络，用大量的数据去训练这个网络，网络不断的调整内部参数，从而拥有自己的判断能力。

每一次训练，都是先让网络对数据做个自己的判断，比如给它一张照片让它判断里面是否有猫，如果网络判断正确，它就会加深巩固现有的参数；如果判断错了，它就调整参数。

现在的问题是，如果数据难度太低，网络每次都能猜对，那显然无法提高判断水平；如果数据难度太高，网络总是猜错，那它的参数就会东一下西一下变来变去，就会无所适从。那每次训练中网络判断的错误率是多少，才是最优的呢？

研究者首先用了一个比较简单的数学模型做理论推导，又用了一个AI神经网络学习算法和一个模拟生物大脑的神经网络模型做模拟实验，结果得出一个精确解：15.87%。

也就是说，当你训练一个东西的时候，你给它的内容中应该有大约85%是它熟悉的，有15%是它感到意外的，这个15%就是学习的最佳意外率。

15.87 对我们的帮助

知道一个道理有用和知道一个道理多么有用是有本质区别的。

有了最佳意外率我们就知道，如果你学习英语的时候看到一篇英文文章，里面有很多生词让你感觉晦涩难懂，你应该果断换一篇，因为就算你花费时间把它硬啃了，也是非常低效的。

如果你感觉工作很无聊，并且已经持续了很长时间，这其实是一个非常危险的信号，说明你很长时间没有进步了！你必须给自己创造出那15%的意外和困难。

15%和5%的进步速度有非常明显的差异。假设你是一个上进好学的人，博览群书还选修了很多课程，你总是泡在图书馆或者自习室里。有时候你觉得所学的内容很轻松，有时候感到吃力，但你总是那么用功，你觉得自己学得很不错，每天都在进步。

但是世界上还可能存在另一个同学，该同学有个教练，给他精心安排每次学习的内容，确保每次15%的意外率。他学习效率达到了最大化。

我们知道那是一个特别理想的状态，没有人能确保这样的高效率。但是在好的教育环境和资源条件下，是可以最大化的逼近最佳意外率，可能这位同学每天只是每天学习那么一小会，但假以时日，他所取得的成绩将远远超过你。这是多么可怕的一个事实。