职业天花板来自认识的局限性
我们身处在一个快速变化的时代，职场工作五到十年你会发现可能已经处在一个“隐形”的职业瓶颈之中，我们也会称之为“职业天花板”。这时有人会感到焦虑，也有人心态平和顺其自然，但无论怎样这都是一个困扰职场人许久不可避免的问题。不单单是我们个人，在企业中也存在这样一个“玻璃顶”，管理者穷尽一切可能的方式方法，借鉴优秀企业的成功案例，想从先行者探索出的经验找出适合自身企业的发展之道，但尝试过后往往都不太理想。这其中的原因究竟是什么呢？
无论是个人还是企业，可能都缺乏一种信息时代的新认知——“计算机思维”。
什么是“计算机思维”呢？我们先从人类和计算机思维中的“大”与“小”来看看其中的差别吧！
我们人类生活的环境，决定了我们对大数字是无感的。
宇宙大爆炸理论以及核聚变理论的提出者——著名物理学家伽莫夫在他的科普书籍《从1到无穷大》中举了这样一个例子：
两个原始部落的酋长比赛，看谁说的数字大。第一个酋长说了 “3” ，第二个酋长想了半天，然后说你赢了。
今天我们听起来觉得很可笑，至少说出 “4” ，不就赢了吗？但是对于生活在原始社会之中的酋长来说，他们所拥有的东西很少超过三个，比三个多的东西他们就觉得没有必要数清楚了，就用许多来形容了。
也就是，他们生活的环境限制了他们的认知。
人对“大”和“小”这两个概念的理解，其实受限于具体生活的环境。你习惯了某一个环境的度量，其实很难理解在量级上大得多的世界。对大部分人来讲，一亿等于财富自由，等于无穷大。而对于一小部分人来说，那只是他的一个“小目标”而已。
我们再来看看围棋，Google公司的Alpha GO战胜屡屡战胜人类顶级棋手的奥秘究竟在哪里呢？
人类顶级棋手与我们常人在棋艺水平上的差距并不是因为他们智力超群，而是在于他们掌握更多的棋局记忆。人类认知科学家们研究顶级棋手时发现顶级棋手的大脑内存有大量棋局记忆，在落子的每一刻他们是在大脑中检索各种棋局盘面，而并不是走一步看一步的下棋模式。所以顶级人类棋手是靠刻意练习训练出来的。
那Alpha GO是怎样下棋的呢？我们先来从数学的角度来分析下围棋的复杂性。
- 棋盘上每一个点最终可以是黑子、白子或空位三种情况
- 棋盘有361个交叉点
- 围棋最多可以有 3^361 ≈ 2*10^172 这么多种情况（"^"代表次方）
这么多变化对人类来说就是无穷无尽。于是我们人类就不把下围棋当作一种计算问题，而把这件事当成一种文化，或者更直接地讲是“棋道”。
认知决定了思维方式，当我们算不清的时候，我们就发明了所谓“围棋文化”这种思维方式。
而对于计算机来说，围棋再复杂， 2*10^172 数字再大，它也是一个有限的数学问题。我们人类认为它不可计算，是因为人类脑子的计算能力有极限，缺乏计算复杂问题的思路。但对于计算机看来，这个大问题是可以计算的。
所以我们就能知道为什么人类棋手是无法战胜Alpha GO了吧！人类只能通过记忆检索长久以来流传下来的棋盘碎片来下棋，而Alpha GO是把围棋当作是一个数学问题来下棋，其中的认知差距是相当大的！难怪Alpha GO下棋时会走一些人类根本没见过的棋，面对未知的棋面，人类棋手内心也是比较焦躁不安的吧！
相比计算机，人类对数字的认知也受限于我们作为生物进化的速度，这是人的思维和计算机的思维的另一个不同之处。
思维方式决定商业模式
- 生活在不同世界的人，习惯性的做事方法不同
- 从小数量总结出来的方法无法应用到更高量级的问题之上
藏书近万册的朋友与书柜里只有几十本的朋友，在找书时的习惯显然不同；同样拥有上百双鞋子的朋友与鞋柜里只有十几双鞋子的朋友，在出门挑选鞋子的时候也一定不同。数量一旦变多，我们就必须进行分类管理，以便下次找寻起来方便。同样生活在一个世界里，但习惯性的做事方法却截然不同。习惯于小数量生活的人总结的经验往往并不适用于生存在大数量之中的人的生活。
对于个人，必须要升级思维模式，才能适应增长迅速的大数世界，成为新时代前2%的受益者。
随着技术的进步，新兴事物不断催生，长久以来的思维模式一次又一次被击败，原来在学校里接受的一些知识放在现在可能已经过时，我们只能通过不断的学习新事物、新思维模式才能适应这个高速变化的时代。上学那会哪能想到现在可以通过手机代替钱包，免去了找零钱、防假币的麻烦。
对于企业来说，需要提前把自己定义在大数世界里，才能建立更有竞争力的商业模式。
互联网刚起步时，巨头存在于各个门户网站，雅虎、新浪、网易，当时内容并不多，因此通过简单的分类见目录的方式组织信息是有效的，但现如今每天都有海量的信息通过互联网传播，再用简单的“小数量”模式已经无法承受了，所以如今兴起的今日头条等个性化筛选信息的“大数量”模式取得了成功。
工程思维：直觉和极限
人的直觉也不总是准确的，有时也会因为直觉造成一些错误。下面一个分苹果的例子就可以说明。
在分苹果时 刮掉里面直径的70% 与 剩下部分 哪个更大？
常人思维会觉得都刮掉70%了，肯定是前者大嘛！但事实确实是后者更大些。这里我们直觉会忽视体积这个概念，如果一个球直径大一倍，体积是大了7倍！而不是直觉认为的2-3倍。
再来看看另一个例子：
在一辆高速行进的火车上分别往前、后各打一束光，哪束光速度快？
常人思维或者说是低速世界里的经验肯定会认为肯定前者嘛，因为速度是叠加的嘛。但通过爱因斯坦的相对论我们可以得知光是一个常数，产生不了叠加的效果。
在信息时代，我们人类的思考方式应该是这样的：
抛开我们生活中习惯的约束，或者说认知的约束，用一个正确的数学或者工程工具去寻找答案。
观察蚂蚁的爬行轨迹时，不能跟在它的后面，而要从它的上方看。所谓掌握工程思维的技巧，就是要比生活超越一个层级。
为什么计算机不是万能的
上个世纪30年代中期，图灵在思考三个问题：
- 世界上是否所有数学问题都有明确的答案？
- 如果有明确的答案，是否可以通过有限步骤的计算得到答案？
- 对于那些有可能在有限步骤计算出来的数学问题，能否有一种假想的机械，让它不断运动，最后当机器停下来的时候，那个数学问题就解决了？
图灵思考计算机
- 首先考虑“数学问题是否都有明确的答案”
- 如果这个问题不解决，就去解题最后可能发现无解，一切努力都是在浪费时间
人工智能的边界
- 世界上有很多问题，其中只有一小部分是数学问题
- 在有解的问题中，只有一小部分是有解的
- 在有解的问题中，只有一部分是理想状态的图灵机可以解决的
- 在后一类的问题中，又只有一部分是今天实际的计算机可以解决的
- 而人工智能可以解决的问题，又只是计算机可以解决问题的一部分
计算机思维需要处理好七对关系
-
大和小
-
快和慢
慢：人的进化很慢，每个世纪只有百分之几，总体来说经济和社会的发展也比较慢，每年最多几个百分点。因此，人本身并不适应非常快速的发展变化
快：计算机本身的发展是18个月翻一番，大约相当于10年增加100倍
在智能时代，人的思维要适应这种快速变化。
-
多维度和单一维度
单一维度：人脑是线性处理事务的，看问题常常是一个角度，没有能力把很多角色综合起来
多维度：计算机有这个能力，因此占到了多维度的便宜 -
网络和个体
个体： 人的思维是个体行为，做决定彼此不干扰。这有好的一面，但也难以集中很多人的智慧，产生叠加的效果。事实上，群体智慧的简单叠加甚至不如个人的智慧
网络： 但人工智能是建立在网络效应基础上的，它是通过很多彼此联系的计算机共同协作工作而产生的 -
自顶向下和自底向上
自顶向下： 是计算机的精髓
自底向上： 在一个组织内，自底向上的做事方式更容易激发群体的积极性，但是容易造成资源的浪费 -
全局和局部
局部： 人做事情时，限于自己的认知，通常得到的是局部最佳，失去对全局的优化的可能性
全局： 由于计算机有处理大数的能力，以及自顶向下的做事方式，更容易得到全局最佳 -
成本和表现
人很多时候喜欢强调对错，喜欢追求绝对的公平，喜欢要求最好的结果。但是，从工程的角度讲，好和坏，只是在固定成本下相对的表现。计算机里面无论是软件设计，还是硬件设计，都是在平衡性能和成本的关系。
掌握计算机思维，但需理解两个原则
-
等价性原则
很多时候，一个较难的问题A和相对容易的问题B是等价。但是人类常常容易给什么问题就解决什么问题，给了A就解决A，尽管它很难。而计算机则会试图解决等价，但是却更简单的问题 -
模块化原则
我们在生活中，做一个桌子，或者是一个椅子，会直接去做。而在计算机的世界里，永远是先制作几个非常简单能够大量复制的乐高积木块，然后用很多这样简单的模块，搭出更多的桌子和椅子。
各行业升级转变，应遵循四个原则：
- 目标要超前，方法和知识要彻底更新
- 做法上要渐进，反对一切推翻重来
- 坚持“原有产业＋新技术＝新产业”的原则
- 要知道，很多人是不适合改变的，因此不要指望所有人都能适应新环境，对不能适应新环境的人员要坚决淘汰
网友评论