想必很多人都看过《穷查理宝典》或者听说过多元思维模型，李善友在6月17日的混沌研习社课程上也一直在强调芒格的多元思维模型，为什么多元思维模型会突然变得如此流行呢？
查理芒格经常举铁锤人倾向的例子，“在手里拿着铁锤的人看来，每个问题都像钉子。” 这就如同医生的眼中看到的永远是做某件事对身体是否有危害，程序员眼中的世界仿佛都能和编程扯上关系，老师经常会不自觉地想要教育每一个他见到的人。铁锤人倾向最极端的情况，会盲目生搬硬套，而忽视事实本身，这是最可怕的。
为了规避铁锤人倾向，查理·芒格建议我们要拥有多元思维模型，如果你只能使用一两个，研究人性的心理学表明，你将会扭曲现实，直到它符合你的思维模型，或者至少到你认为它符合你的模型为止。
我们现在的教育体系更倾向于把每一个人培养成为某一个领域的专业人才，这其实是工业革命的产物，工业化分工赋予了人们成为专才的土壤，也让人们开始丧失学习多学科的动力。走到今天，如果我们还是只用专业思维理解世界，那么我们看到的世界就永远只是我们眼中以为的世界。
自然界有一种蚂蚁，当它在巢穴里嗅到蚂蚁尸体散发出的外激素时，它就会和其他蚂蚁合作把尸体运出巢穴。哈佛大学教授E. O. 威尔逊做过一个这样的实验：他将死蚂蚁分泌的外激素涂在一只活蚂蚁身上。很自然，其他蚂蚁把这只有用的蚂蚁拖出了巢穴，尽管他在整个过程中不断地踢腿和挣扎。在蚂蚁的世界里，它们只会生搬硬套地根据这个程序做出机械反应。回想一下过去，我们是否曾经就是那样一群简单思考的蚂蚁。
既然培养多元思维模型如此之重要，那么我们应该怎么做呢？芒格提出多元思维模型必须来自与各个不同的学科，每一个学科都是人类智慧精华的提炼浓缩，学习各个学科的经典原理和思维模型，可以加深我们对这个世界的理解，也能让我们在分析和看待问题时有更多角度的观察，避免陷入铁锤人倾向。
思维模型.jpeg
数学作为其他很多学科的基础学科，很多学科都在借鉴数学中的思维方式，而欧氏几何提出的公理化思维更是被很多人推崇备至，既然数学如此之重要，我觉得有必要先从这门学科中提取思维模型的精华。
矩阵
矩阵在代数领域扮演中举足轻重的地位，而矩阵乘法能让我们更深刻地理解降维攻击的含义，学习过高等代数的同学都知道一个NxN的矩阵可以由一个Nx1与另一个1xN的矩阵相乘得到，后两个矩阵我们可以称之为一维模型，NxN阶矩阵则为N维模型。
在大数据和人工智能算法中有大量这样类似的降维处理过程，把原来计算量非常庞大的运算分解为多个相对容易计算的单元。今天的计算机运行速度已经很接近光速了，提升的空间非常有限，于是就有了分布式计算。而分布式计算的前提就是需要把复杂的计算任务拆解为一个个小的计算单元，然后让每一台计算机处理小的计算单元，最后再将结果进行汇总计算。
所谓的降维打击就是把对方看起来几乎不可能完成的事情，通过分解的方式转换成容易实现的小模块。我们在面对问题，有的时候也会感觉到无从下手，但是如果换个角度或者尝试将问题拆解开来，思路有可能就豁然开朗了。一块小石头在蚂蚁面前就是一个非常逾越的障碍，但是对于人来说它根本就是一个值得探讨的问题，我们可以理解为蚂蚁在用一个二维空间的视角看待这块石头，而人却站在了更高的维度。
而管理者面对公司宏大的愿景和目标时，其核心能力就是要将其拆解为可以落地的具体任务。对于我们每个人的成长而言，年度目标也需要分解到每月每周甚至每天的具体执行上，而分解能力决定了我们能解决多大的问题。
以互联网开发工作流为例，通常产品经理会提供一份需求文档，一个稍微大的项目，需求文档可能长达几十页，甚至更多。对于一个新手来说，看到这样一份需求文档，内心估计是绝望的，因为不知道该如何下手。而有经验的工程师通常会先根据需求文档分解为一个个的模块，每个模块在分解为一个个具体的功能点，然后再评估每个功能点大致需要花费的时间，最后汇总在一起就是整个项目的大致开发时间。
大家在中学的时候肯定都学过多元一次方程，要想有明确的解就必须要有相同个数的方程式，在大数据和人工智能领域也会遇到类似的情况，比如说10个10元一次方程组，如果直接解答非常困难，但是如果将其转换成一个10x10阶和10x1阶的矩阵相乘的形式，那么就可以利用计算机强大的计算能力很快得到答案。矩阵计算在很多领域都可以将一个看似负责的问题，转换成计算机方便处理的形式，这对我们转换思维方式非常有启发。
概率
我们每天都要面临各种各样的选择，有选择肯定就有放弃，每一项选择的成本都是放弃了的最大代价，为了得到最优解，我们就需要用概率的思维去分析每一种选择给我们带来的潜在收益。
当我们遇到一种罕见的疾病会询问医生过去治愈的概率，当我们选择开车走哪条路线时会考虑每条路拥堵的概率，当我们面对两个工作机会时会考虑每个工作未来在待遇和前景上的概率，当我们选择两只股票时会比较股票背后的公司在未来市场上的收益概率，我们每天都在计算概率，只是更多的时候没有定量罢了。
在金融领域，人们常常需要复杂的模型评估某一项资产的风险系数。反映在数学概念上，收益对应着数学期望，风险则可以用方差来衡量。过去华尔街在金融风险定价模型的探索上基本上就是沿用这样的思想，而靠提出“市场有效假说”获得诺贝尔经济学奖的尤金·法玛就是将概率思维用在金融领域的集大成者。
概率思维还可以让我们很容易理解逆向思考的好处，有两个筛子，我想要求得两个筛子对应点数之和不大于10的概率，如果按正常的思路去解答会非常麻烦，但是如果反过来思考，我先求得点数之和大于10的概率，那么不大于10的概率就自然而然就有结果了。芒格提倡我们要逆向思考，而从概率学的角度来思考就是我们可以先求得比较容易的对立事件的概率，然后再得出原来的概率，这就是逆向思维在数学领域的具体呈现方式。
统计
统计学揭示了很多现实规律，例如全世界人口的身高、智商遵循正态分布，财富分布遵循二八法则，世界上80%的科学定律和技术革新是由20%的人完成的，互联网产品市场占有率遵循赢家通吃，人们学习英语、锻炼身体的曲线是一条先陡升在平缓的对数曲线，而企业的成长、个人财富的增长更多的是符合先平缓再陡升的指数曲线。
当我们理解了这些行为背后的运行规律时，我们就更能科学地看待我们所处的环境和状态，用更平和的心态面对眼前的问题和瓶颈。统计让我们认识行为背后真实规律的同时，也让我们放弃了很多不现实的幻想，例如有些人会幻想自己一朝在股市上财富暴增，幻想自己的英语能力可以短时间内提升到无障碍看懂英语文章。放弃幻想才能脚踏实地做好当下的事，而这一点对于很多人来说至今依然做不到。
我们都知道今天的大数据和人工智能其实就是建立在统计学的概念上，只是传统的统计学样本是有限的，而大数据是全部数据，我们通过统计分析寻找事物背后的规律。亚马逊、京东会统计你过往大量的购物记录和浏览足迹以及其他类似的购物场景，推荐你最有可能购买的商品；输入法会统计你过往词汇的使用频来动态调整下次展示的次序；新闻资讯APP会统计你过往的浏览历史定会推荐相关的文章。
结语
除了数学这个基础硬科学，还有很多学科提供了大量的思维模型，总结提炼这些思维模型的精华，然后经常做关联思考，肯定会对这个世界看得越来越清楚。未来的系列文章还会不定期地分析其他学科的思维模型，欢迎你的持续关注。
网友评论