原创 精进学思行 精进学思行
最近在解决一个比较复杂的工程问题，一个同事的一句话给我很大启发“我们最大的优势是手上有模型”，我明白他的意思，因为我们要控制的对象和多个变量都有关系，我们应该如何进行控制呢？那个是最关键的呢？应该控制到什么程度呢？
如果只是凭经验，除非你是专家，一下能抓住关键的要素，并且知道合理的量化结果是多少，否则常常很难知道更改一个变量，对需要优化的对象到底影响有多大。比如在我的专业中有个重要的概念是固有频率，如果要改变一个物体的频率，无非是改变它的质量和刚度（这是影响频率最关键的要素），但如果没有一个模型，你常常很难回答，要提高频率，质量和刚度常常要变化多少。
但如果有了模型，不仅可以预测改变带来后果的大小，还可以分析出在一定的边界下，我们能达到的极限是哪里，从而不至于做无用功。
其实这种基于模型的思维方式还可以进一步拓展到生活方面，比如要保持好身材，就要保持运动和健康的饮食，具体应该是多少量？有没有基于个人的模型？再比如我们大多数人都追求幸福，但是幸福和很多变量都有关，如财富，人际关系，健康程度等。
出于对模型思维的兴趣，最近在阅读斯科特．佩奇的《模型思维》，在后续的文章中，我会陆续和你分享书中的内容，本文先重点分享如下的内容：
什么是模型？
模型可以用来做什么？
使用模型的正确方式？
1 什么是模型？
1.1 模型是知识一种体现
在《好好思考》：如何建立基于思维模型的知识体系？中，我们简单分享过思维模型，在那里模型主要指的是“重要学科的重要原理”，在《模型思维》中，作者从“数据-信息-知识-智慧”这个框架中界定模型所处的位置，这个框架也被称为智慧层次结构（wisdom hierarchy），在如何高效检索信息？我们进行过程分享，在《模型思考》用了如下更加形象的图进行了说明：
数据：原始的，未经编码的时间，经历和现象，它们可以是一长串的0和1，也可以是降水，出生，死亡，投票，时间戳等；
信息: 进行了命名并归类的数据， 比如北京，上海每月的降水量的分布；
知识：柏拉图将知识定义为合理的真实的信念，现代的定义则是相关关系，因果关系和逻辑关系的理解。知识是对信息的组织，而模型就是这种组织的一种呈现，比如牛顿第二定律F=ma, 市场竞争的经济学模型，地震的地质学模型，生态位形成的生态学模型等，这些模型可以帮助我么更好地理解和预测。
智慧：选择使用哪个模型甚至是哪些模型。就像雨水落到的地面时的速度，如果你只选择自由落体的速度计算，会发现雨水到地上可能杀死人，但实际不是这样，因为你忽略雨滴下落中受到的阻力，所以必须还要考虑阻力模型。
1.2 模型的三个共性
从上面我们理解了模型其实是对信息的一种组织，为了更加精准，《模型思考》总结了模型的三个共性：简化，形式化，错误。
首先是简化，我们建立模型的一个重要原因就是为了以我们能够掌控的方式，理解复杂的世界，对人而言，我们很难处同时处理很多信息，而且，我们常常喜欢找出少数关键的要素，所以模型常常是对现实的抽象和简化；
其实是形式化，这里的形式化重点强调的是模型最好要给出精确的定义，而我们目前已知最精确的定义是数学公式，所以模型最好是用公式表达的；
最后是错误。这个有点反常识，其实也好理解，结合第一点，因为是对现实的简化。正如统计学大师“乔治.博克斯(George Box)”指出的“所有模型都是错误的”，即使是牛顿定律，它也是需要在一定的应用边界下。
所以，在我看来，我们使用模型，不是为了正确性，而是为了有效性，而这种有效性可以体现在模型的7个作用上。
2 模型的7个作用
《模型思考》中总结了模型的7个主要作用，并用其首字母组成一个拉风的名字“REDCAPE”（红色披风）：
推理(Reason）:识别条件并推断逻辑含义；
解释（Explain）：为经验现象提供了可检验的解释；
设计（Design）：选择制度、政策和规则的特征；
沟通（Communicate）：将知识和理解联系起来；
行动（Action）：指导政策选择和战略行动；
预测（ Predict）：对未来和未知现象进行数值和分类预测；
探索（Explore）：分析探索可能性和假说。
2.1 推理
先看下面的常见的谚语，你有没有对其中的有些感到困扰？特别是“破釜沉舟ＶＳ留条后路”和“完美是优秀的敌人ＶＳ尽善尽美”，让我感到很困扰。
但是模型可以部分解决这个问题，解决的方法就是通过在设定前提下的模型推演。书中用我们常用的“要事优先”来进行说明，比如典型的两个场景：
场景１：将大小不同的货物装到容量有限的箱子中，保证箱子数目最少；
场景２：国际空间站上，需要给不同的项目分配空间，而每个项目都对有效载荷重量，空间大小，动力以及宇航员的认识有要求，而且每个项目都有为科学做出巨大贡献的潜力。
在场景１，通过模型可以推算出，的确“要事优先”（先装大东西）是最优的方案，但是在场景２中，“要事优先”不仅很难操作，它也被证明是糟糕的原则。
模型在推理上的价值就在于，他能识别不同的前提条件下的最佳方案，而不是泛泛而谈。
2.2 解释
这个不同多说，牛顿定理对我们宏观物理运动的解释精度，是证明模型解释力的绝佳例证。
2.3 设计
在系统架构8 概念|需求和具体方案的探索空间中，我们分享了概念设计的重要性，而基于概念建立模型可以进一步提升设计能力，因为它可以提前预测出一个方案的性能边界。而我自己最近的工作中，也深刻理解到模型在设计中的重要性，比如我们知道多个参数会影响一个性能（如噪声），但是每个参数的影响程度是什么样的呢？如果资源有限，我们应该优先调整哪个参数呢？
2.4 交流
如果你喜打球，你的经验告诉你“力越大，球飞的越远”，但是增加一定的力，球飞行的距离会增加多少呢？如果模型预测，我们很难讲清楚，而通过数学公式表达出来，就很清楚，歧义很少，因为数学是最精确的语言。
2.5 行动
有了模型的预测，可以让我们行动更加有底气。书中举了美国联邦储备银行在2008年金融危机中的救助行动，当时它提供了1820亿美元的钱拯救跨国保险公司美国国际集团（AIG），而同时其也有雷曼兄弟的破产，美国政府为什么不救？在《问题资产救助计划》中展示了国际货币基金组织给出的一个网络模型，根据该模型的预测，如果不救助AIG，很可能对美国金融体系产生巨大的破坏，而雷曼的倒闭则影响小很多，从下面的这张图中，我们也能初步看出AIG连接的节点比雷曼要多。
2.6 预测
关于模型预测，书中提到最典型的例子是法国天文学家奥本.勒维耶（Urbain Le Verrier）利用牛顿第二定律解释了天王星的异常运动，并预测到了另一行星的存在，1864年9月18日，他将结果发给柏林天文台，5天后，天文学家就发现了该海王星。
2.7 探索
模型可以用来探索现实不会出现，或者实验代价很高的事情。比如在工程设计中，我们常常想知道一个结构参数（比如刚度）的修改，对性能的影响（比如模态）极限，我们可以将结构参数调整到通常实际参数的好几倍（实际中不存在），通过模型预测结果，就能探索不同的设计方案。
3 使用模型的正确姿势
从上面的分析，我们发现模型的确很好，但是我们会不会有个困扰，那我是不是要学习很多模型？作者也思考过这个问题，但是后来他发现其实我们不需要掌握100个模型，甚至50个也不需要，顶多几十个。但是我们面对的问题却这么多，怎么办?
3.1 一对多
我们为什么要使用模型，除了前面提到的模型的7个主要用途外，还有一个重要原因就是模型可以以少御多，我们在《好好思考》：如何建立基于思维模型的知识体系？分享过，很多事物背后对应的模型是相同的。书中举了两个不看似完全不相关的事情，但是可以用同一个模型解释。
为什么游轮都越做越大？老鼠和大象那个代谢速度快，为什么？
解释它们的模型都是：幂律公式（y=X^n），n表示多少个X的乘积。比如正方形的面积是边长的2次方，立方体的体积是边长的3次方。
我们先尝试用这个模型理解游轮问题，假设游轮的尺寸简化为下图，游轮的表面积为34S^2,体积则为8S^3,油门的盈利主要靠体积（能装多少），而耗材主要和面积有关。我们用体积比上面积，得到8S/34≈S/4，这意味着什么？随着尺寸的增加，盈利能力线性增长，这既是为什么船要越造越大，而现代的超级游轮诺克.耐维斯号制造的刚好通过苏伊士运河。
对于代谢问题，如果把老鼠和大象都简化为立方体，每个细胞都要代谢，而代谢产生能量必须通过动物的体表发散掉，通过下面的简单计算，老鼠的表面积：体积=5:1，而大象的表面积：体积=1:15，也就是说，平均而言，老鼠的散热速度是大象的75倍，所以，对于要维持相同的温度，大象必须比老鼠代谢的慢，如果大象和老鼠一样的代谢速度，会因为散热不够而热到冒烟并爆炸，不过我估计你没见到过这样的大象。
3.2 多对一
查理芒格有个广为人知的理论——"多元思维模型“，要对一个事情发起跨学科的攻击。《模型思考》中有更形象的比喻“使用一个模型就像管中窥豹，但是我们可以多管齐下”。
3.3 如何选择
针对模型的精准度和用途，作者给出了建议：
①对于推理、解释、沟通和探索，我们可以使用简化的模型，也即是粗糙一点的模型；
②对于预测，设计和行动，可以使用高保真的模型。
书中特别提到了要将模型和大数据结合，这是对我最大的启发，就像一个比喻，大数据是石油，但如果你没有萃取技术，就得不到它的价值，而建立模型，通过模型理解数据，利用数据训练模型，就能发挥数据的价值。
总结
模型是知识的一种精确表达形式，通过模型，可以帮助我们推理、解释、设计、交流、行动、预测和探索。
网友评论