溝通非常重要，尤其是對于工程師來說。工程師們經常會犯一個錯誤：當想要介紹一個技術多么有用、可以帶來什么效益、有什么好處時，卻開始介紹這個技術本身是什么。

今天我們講一講關于利用蒙特卡洛樹搜索（Monte Carlo tree search）來做風險評估。

首先我們需要了解他的基本原理：

通過上面的圖，可以得知蒙特卡洛樹搜索分五步：

1. 選擇：從根節點R向下利用遞歸選擇最優節點到某一節點L。
2. 擴展：若需要進行一個新的動作A，需要在節點L下創建子節點，任選其中一個子節點C進行擴展。
3. 模擬：從C節點開始隨機向下進行，直到找到最終的結果。
4. 反向傳播：記錄下此次的迭代結果，為新出現的子節點評分。
5. 重復1到4步，最后選擇每項評分最高的節點，即我們所需的最優解。

蒙特卡洛樹搜索的優點是……

停停停，我們不是來這里學算法的！

我們工程師經常會犯一個錯誤：當他想要介紹一個技術多么有用，可以帶來什么效益，有什么好處時，卻開始介紹這個技術本身了。

最后工程師還不能理解：“為什么我解釋的這么清楚了，他卻依然不懂我在說什么？”

因為你可能沒注意到：當你懂得了一個技術原理的同時，你就自動剔除了不懂時的記憶。

為何教小孩子很累？

因為你認為是常識的東西，他并不能理解。你是站在“懂”的角度來看待這個問題的，而他站在“不懂”的角度。而這中間隔著很深的鴻溝。

雖然現在與你溝通的都是成年人，但是在技術領域中，他們也只是新手，還處于“不懂”的角度看待問題?？菰锏募夹g講解并不能讓你們的溝通變得高效。

那么，如何才能將讓別人“懂”呢？

我們需要做到以下四點：

1. 闡述結論，講明效用
2. 活用例子，允許偏差
3. 少用術語，多用圖形
4. 相互溝通，加強反饋

一、闡述結論，講明效用

• 在餐廳吃飯時，你不會在意廚師的切菜技藝多么高超，而是他做的好不好吃。
• 在買香水時，你不會在意里面的成分是什么，而是它香不香。
• 在挑手機時，你不會在意里面的工藝走線，而是它好不好用。

所以，在你介紹一門技術時，講清楚有什么用，遠比講技術本身重要。

如果你看過我寫的其他文章，你會發現我的文章都有清楚明了的加粗了關鍵詞。

正和一本書的目錄一樣，這些關鍵詞的作用在于，你哪怕不去看文章本身，你也可以從中大概預估到文章內容。

如果你找到了有興趣的部分，就可以選擇性閱讀。這樣大大減少了閱讀的時間和精力。

和閱讀時類似，你想要在有限的時間內將自己的想法讓他人引起興趣，首先就需要講明結論和效用。

技術手段都是用來解決問題的。大多數人對技術本身不感興趣，他們是出于“技術變現”的態度來了解這項技術的。你的技術介紹，是用來佐證技術的可行性，而不是來進行知識科普的。

我們需要抓住聽眾的核心需求：

• 如果他是老板，就告訴他效益的提升。
• 如果他是經理，就告訴他時間的節省。
• 如果他是客戶，就告訴他產品的優勢。

二、活用例子，允許偏差

很多情況下，利用一個大家常用的例子，就能很容易的解釋一個看起來很高深的問題。

比如說初中課本里，我們在解釋電流時，學生很難想象電流在電線中流動的樣子。

但是如果將電流類比成水流，將電壓類比成水壓，將電阻類比成流阻，那么就能很清楚直觀的將電流的基礎原理解釋清楚。

覺得這個太簡單了？

我們來解釋一下區塊鏈。

如果按照正常情況來說，你需要解釋關于公共賬本、分布記賬、權益證明等等。

如果要更加深入的話，你就要解釋SHA-256、區塊存儲單元、默克爾樹等等。

而我會利用非常簡單一個例子：

假設我們有一個小村莊，每個人都擔心其他人是壞人。那么怎么樣才能在這種情況下將張三家的白菜賣給李四呢？

我們規定每家門口有一個郵箱，這個郵箱的郵件可以閱讀，但是不能更改內容。

當張三要賣白菜給李四，他們要將“賣白菜”這件事情群發到所有人的郵箱里，然后每個人都要回信“我知道了”。那么，張三才能將這顆白菜才能賣給李四。

因為大家都了解“張三將白菜賣給李四”這件事情了，那么張三就不能將同一顆白菜再賣給其他人了，那個郵箱就是區塊鏈。

區塊鏈的專業人士一定會覺得我這個例子十分不靠譜：哪有這么簡單？而且根本沒有講清楚關于記賬權，交易認證，分布式存儲等等！

那么，你還記得牛頓力學原理么？

我們現在通過引力波證明了“牛頓力學原理是有偏差的”。那么為何我們中學還在教牛頓三定律呢？

因為大多數情況下，了解到基礎知識已經足夠于應用了。

而和非專業人士交流時，他們只想要了解其中的核心思想。所以適當的偏差其實并不影響技術的理解，還能利用生動的例子來引起他人的興趣。

三、少用術語，多用圖形

如果我們想要傳授一個知識點時，專業術語是必不可少的。

但我們不是培訓機構，不必利用專業術語來顯示自己的專業多么強。過多的專業術語，反而更難讓聽眾理解。

那么，我們如何才能讓聽眾簡單明了的聽懂呢？

一圖勝千言。

人是視覺動物。法國科學家就證明過，我們的視覺在150毫秒內，就可以將圖片中非常復雜的信息讀取出來。這也是為何我們到現在為止，都無法利用計算機來處理圖片中，物體與物體間的關系的問題。正如下圖，電腦無法識別“人站在羊駝旁”和“人被羊駝追”的區別。

所以當我們看見一張圖片時，我們的大腦會其中的信息自動分類，而這樣也能 避免我們用語言溝通時帶來的各種不便。

比如，如果你想告訴你同事，新開的那家牛肉面館湯頭多么的鮮美，面條多么勁道，肉料多么豐富。不管你用多浮夸的語言來形容牛肉面的味道，都不如直接給他發一張圖：

看到這張圖，他還不會心動嗎？

所以，一張恰到好處的圖片，完全可以替代你的所想所說。激發聽眾的自我思考，可以促進他們對知識的理解。

四、相互溝通，加強反饋

當你用盡量平實的語言，配合以圖片和例子，將一個技術難題用生動形象的方式解釋清楚。

那么你還缺什么？

你還缺乏聽眾的反饋。

本杰明·富蘭克林說過：“告訴我，我會忘記；教給我，我可能會記得；讓我參與，我才能學會?！?/p>

我們很容易陷入自說自話的窘境。

當你講的時間過長時，聽眾就很容易走神。而減少走神的方法就是互動。

激活你和聽眾的互動，才能真正理解到聽眾了解了多少。

我們在講解的過程中，很容易將自己代入老師的身份。

那你還記得你上學時最喜歡哪種老師么？

你是喜歡：

• 你們聽懂沒有？
• 你，來重新講一遍。
• 這么簡單都不懂。

還是喜歡：

• 大家覺得我哪個地方講的難懂？
• 有沒有哪里還需要我復述一遍的？
• 我們來畫個圖。

我們不能讓聽眾產生“聽不懂是因為自己笨”，而是“多交流就能解決問題”。

所以我們的互動不能是直接式，命令式的。互動方式應該是間接式，請求式的。

那么我們現在重新介紹一下蒙特卡洛樹搜索。

蒙特卡洛樹搜索可以減少50%風險評估時的工作量。是一個非常適用于風險評估師的輔助工具。

蒙特卡洛樹搜索作為一種啟發式算法，常用于不確定游戲中，例如著名的圍棋大師，阿爾法狗(Alpha Go)，就利用該算法打敗了柯潔。

因為風險的不確定性也很強，所以我們可以利用這個算法來提升我們評估的準確度，從而大量節省評估時間和成本。

既然是樹搜索，那么我們就用樹來舉一個例子：

一顆小樹長大了，它需要向著陽光生長才能更好的吸收營養。

以下是先決條件：

太陽是按照一定規律運行的（信息對稱）。周圍有其他物體遮擋，小樹不知道具體在什么方位陽光最好（黑盒）。小樹的營養是有限的（時間限制）。小樹長得越高，就越能接近陽光（最優策略）。

我們從種子階段開始，一共有四步：

1. 隨意向著一個地方生長。
2. 如果這里光線溫暖，就分配更多營養在這里增長（權重增加）。
3. 如果這里光線暗淡，也不會停止生長，而是減緩生長速度（權重減少），直到發現這個地方的陽光更好。
4. 重復1到3步。

最后，小樹就能找到最合適的方向生長了。

這樣理解的話，蒙特卡洛樹搜索是不是一下子變得簡單明了？

本文由 @鹵豆干 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。