人生算法模型
找到一件自己覺得有用的事情長期堅持下去,重復練習并進行階段性強化,就好比滾雪球一樣,在未來的某一天,我們終將收獲成果。
一、線性算法
一開始人的內部有個會自學習的自適應學習算法,可以認為是底層基因的植入。是一種可以學習改良自身算法的算法。繞一點說也是能學習怎么學習的一種能力。
生下來后的嬰兒階段,算法庫里沒有任何數據與模型參數。嬰兒生下來后的一聲哭啼,開啟了信息采集的步伐。父母的喜悅笑聲、家里人的家常對話,一組組信息源形成的訓練集輸入了嬰兒冷啟動的簡易模型。
這個模型或許一開始是線性的。有人指著他爸爸說“爸爸”,他就把這個男人的圖片標記為“爸爸”這個標簽。對應的慢慢知道了有“媽媽”、“飯飯”、“狗狗”、“貓貓”等等圖像。當然少不了一開始圖像識別的算法存在準確率的問題,有時會把爸爸叫做“媽媽”,把狗狗叫成“貓貓”,這時候大人往往會及時糾正。這相當開始有了監督標簽,給你的判斷算法糾錯。
隨著測試數據的實驗的逐步增加,只要有圖像,然后外界告訴他這個圖像對應的標簽。那慢慢地,小孩就形成了對周圍能接觸到的足夠多次的物品的認知。開始擁有了自己的數據庫,這里的東西叫做信息;
這時候的算法是一條線,事物是一對一的。單純而簡約。
二、非線性算法
慢慢地,小孩從認識物品,開始走向了認識事物間的聯系的過程。知道餓了要喝奶,這是一個覓食的動作;知道爸爸可以抱你,給你帶來安全感;知道按下家里的各種開關,燈會亮、風扇會開、電視會有影像等等。這時候事物不再是獨立的,兩個或者多個事物是通過一定媒介可以互動關聯起來。關系可以是線性的,也可以是各種非線性的響應。這是在原有數據庫獨立點間建立一定的數據連接方式。
這時候,底層的元認知慢慢迭代算法模型以適應外界信息的輸入與輸出。這個階段的不再只關注信息的輸入,而更趨向于在意信息輸入后與現有知識體系認識建立關聯。
對于無法關聯的,甚至會重新開辟一個空間,給這部分信息慢慢積累內容與關聯。這類似之前一直待在房子內沒出去過的孩子只認識房間內的場景。第一次走出家門后,路上跑的汽車、天上飛的小鳥、水里游的小魚,這一切都在自己原有體系中找不到對應映射分類、或者可以關聯的東西。于是乎只能建立一個新的空間叫“外面的世界”,并把這些東西放進去。
在自己的認知庫里找到位置給這些事物合適的位置放,再從現有的其他概念中引條線把概念“綁住”,與現有概念綁地越緊固,這個新東西才會內化為自己的一部分。這就是為什么“聯想”在學習中非常重要,這就是為什么學一樣新東西需要多用多想。在用于想中,實際上就是引出更多的線將新事物一層層綁緊在自己的認知架構上。
這時候的算法,是一個平面網。網上各種點用錯綜復雜的關系鏈及權重連接起來。人的世界觀倒不如說是一個世界網,網上有或粗或細、或直或曲的線。而人在迭代過程更多的是自己去調節各個鏈接之間的權重關系,以達到外界的輸入與結果,符合自我的預期,從而對下一時刻的人生做出合適的預判。
三、高階算法
更高階的算法,不單純是上面一直說的調整鏈接的過程。要從信息獲取、數據儲存、算法自適應乃至調整底層認知方面優化。
- 儲存數據的方式對不對,是否有可以優化的數據結構
- 表之間數據連接是否高效簡潔,可以優化處理數據的邏輯效率
- 信息提取后算法是否準確,對外界的判斷、執行以及反饋是否符合預期。
- 算法能否自我學習……
除了基礎的調整,更重要的是自我學習?這里的自我學習并不是說自己不學習了,就能自動地進化?;孟氩还ぷ骶湍艿玫焦ぷ鹘涷灥南敕ㄊ遣豢赡艽嬖诘?。這里說的自我學習,是指學習如何學習的能力。
誠然,我們很多人的學習方式可能就只有一種方式。就如那個網,點與點的學習可能都是直直一條線過去,整個網絡錯落著無數直線。而牛人的學習方法各種各樣,有直線、有指數函數、有正弦余弦函數、有的點之間的連接還可能是多種函數組合,或者直接是一個龐大的神經網絡。更上一層的人網絡是立體的,思維上的升維使得思維空間極大地擴展了。
如此繁亂的算法模式,對應不同的場景該如何選?這就是自學習的高級之處。類似機器學習,會自主挖掘在海量的數據下的事物規律,但要他給個顯示映射的解釋出來,又貌似給不出。非解釋性,似乎是機器學習更深層次的劣勢,還是優勢?所謂劣勢是因為人類需要有個“更科學”的解釋,也是需要有顯示具象的映射,沒有這一層又讓人似乎心有不安。而說優勢,是因為可表現解釋的東西似乎已經已經被舊技術占領,而關鍵是可解釋性已經是他們性能的極限了。因而需要非解釋性的東西摻和進來。
這樣的自主特性像不像平時說的:經驗,或者說是知覺!在大量的經歷中積累經驗后,根據經驗選擇適當的方式。而且對于一些經驗豐富的人,你叫他有個明確的解釋,也不一定能完整描述。這就類似機器學習下大量的數據導入以及訓練后得出的一定程度不可解釋性的預測過程一樣。
越高階的人,其經驗越像是一門玄學,道理一樣。
四、總
人生就是一個在不斷學習如何學習的過程。人生就是一個外界進行信息輸入后,人通過自己算法后給出響應的過程。人自身的算法的優劣直接關系一生的質量。你可以自己調整參數、學習新的算法模型、乃至經歷足夠多的事與嘗試做更多的思考,使得自己的深度學習算法從底層幫你自主學習與迭代。
思考必不可少,但對大多數普通人來說,除了思考更重要地是在經歷中迭代自己的思考模型、更替自己的元認知。而人的最重要優勢,無非就是核心算法。當算法迭代到足夠優的時候,只要重復不同的做輸出與調校,成就就只是時間的問題。
找一件自己能堅持覺得有用的事情堅持下去,重復堅持強化。如果我們不能在人生方方面面的算法都迭代得很好,那選擇一個領域重點迭代無意說是最好的選擇。類似滾雪球,終有一天,我們將看到結果。
作者:way菜畦
來源:https://www.jianshu.com/p/6231d5884d99
本文由 @way菜畦 授權發布于人人都是產品經理,未經作者許可,禁止轉載
題圖來自Unsplash,基于CC0協議
寫的很好,人的內在算法或者說底層架構需要不斷更新迭代。