Thinking on Thinking （二之一） (Patreon)

01，早兩個星期有位朋友問：「可唔可以分享多啲關於學習嘅方法？」（大概意思）

02，呢個題目，我極之有興趣，原因兩個。首先，最基本當然係我哋都希望自己可以係個不斷進步嘅人。但更重要係，後現代嘅世界，除咗人類識得學習，就連機器都識得學習。當機器都識得學習，作為人類嘅一份子，就更加要反省，學習係乜嘢一回事。

03，小學生都知，人類跑又跑得慢過其他動物，氣力又唔係特別好，生存之道不外乎兩件事：（一）人與人之間透過溝通建立出嘅社群；（二）借助工具將人類薄弱嘅力量放大，改變環境。以上兩個生存之道，以唔同嘅形式融合，結果就係人類文明嘅進程，亦都係巴別塔嘅比喻。

04，一萬年前，最重要嘅知識，可能係知道邊度可以搵到水源、搵到食物。一千年前，最重要嘅知識，可能已經係點樣建造水利、幾時種啲乜嘢植物、點樣養牲口、點養管理農奴。一百年前，人類要識嘅嘢，已經唔再係可以用一句說話講得晒。當知識，亦開始專門化；與此同時，我哋唔需要人人都識得點搵水源，點樣種菜、養豬。

05，分工，合作，係人類文明之本。 不過，由分工引起嘅 Generalist vs Specialist 之辯，我個人認為係偽命題。學胡適話齋，真正嘅識見修養，好似金字塔，個底夠闊，先至建得夠高；兩個條件，缺一不可。知識嘅分工，唔代表我哋要將自己嘅眼界局限。

06，資訊，就對事實簡單陳述，例如今日氣溫幾多度，會唔會落雨。知識同資訊最大嘅分別，在意義在於知道之後，你可以有啲乜嘢行動。例如知道今日會落雨，你又知道有好多失魂魚會唔記得帶遮出街；如果你知道幾時，去邊度賣會搵到最多唔記得帶遮嘅人，呢個就唔單止係資訊，而係 actionable 嘅知識。

07，學習，其實就係搜集同整合資訊變成知識嘅過程。人類本能有基本嘅學習能力，但高層次少少嘅，就已經係後天嘅功夫。

08，從小朋友點樣去認知世界，大概都可以見到點樣由簡單嘅認知發展出複雜嘅概念。小朋友學習語言，最初都係認人、表達簡單嘅感覺（餓、眼瞓、開心、痛、嬲、熱、凍）、顏色、形狀、字母、動物、水果、稱呼等。再之後，下一步嘅學習 就係類比，例如「蘋果同橙都係水果」「小雞對小鴨都係鳥類；但小鴨識游水，小雞唔識。」

09，正如 Aristotle 話齋，習慣，係人類嘅第二本能；所以，最理想嘅狀態，係將學習變成習慣。孔子都話，學而時習之，不亦說乎。但現實當中，去到某個年紀，好多人都以為自己會停止學習；又或者會覺得，越來越難學習新嘅知識同技能。

10，其實我哋從來都無停止學習，只不過係有計劃同無計劃嘅分別；有計劃，點都比無計劃來得更有效率。學，明白同記得資訊只係表面功夫，習，先至係重點。我相信呢篇文一開始講嗰位朋友，其實想討論嘅問題係：「點樣去有計劃咁持續學習。」

11，之前睇 TED Talk 見有位叫 Barbara Oakley 嘅姨姨，講 Learning How to Learn，佢響 Coursera 都有一個同名嘅課程；佢亦都有一本書。但係好簡單咁講，佢主張學習有兩種模式，focused 同 diffused；但係講呢兩種模式嘅分別之前，先講吓呢個世界有嘅兩種問題。

12，其實學過簡單四式算術，都一定識得計 4781564383 x 23728913 ，有啲人計得快啲，有啲人計得慢啲，但只要肯計，就一定知道答案。呢種問題，我哋雖然唔知答案，但會知道點樣去搵答案。我哋暫且叫呢啲做第一類問題。

13，「下星期五恆指收市價位」「有冇上帝？」呢類問題，重點唔在於個答案，而係在於你有個點樣嘅 hypothesis，用啲乜嘢方法去抽樣攞數論，再用乜嘢方法去推斷結論。呢種連搵出答案嘅方法都係一個 unknown 嘅問題，我哋暫且叫呢啲做第二類問題。

【第一類問題】

14，無論係乜嘢教育理念，乜嘢教育制度，現代嘅學校，傳授同操練嘅，主要都係拆解第一類問題嘅方法。

15，可以好肯定咁講，所有第一類問題，都可以化成 algorithm 由機器運算處理，速度一定快過人腦，消耗嘅能量亦都比人腦更少。人腦嘅最大用處，係去不斷改進呢啲 algorithm，而唔係去執行呢啲 algorithm。

16，當然，有啲人為咗表演，又或者想成為世界第一，將自己訓練到可以一眼計出 4781564383 x 23728913 。但呢啲所謂嘅「神童」，好多時都因為操練而犧牲其他嘅發展，我個人認為唔值得。

17，我其實唔反對操練，甚至相信一定程度嘅操練係必須；但操練要有方法，要有好明確目的。盲目嘅操練，唔單止浪費時間，更加會扼殺真正學習嘅動機同興趣。最緊要係：「生有涯呀！」

18，Barbara Oakley 嘅 Learning How to Learn 所講到嘅 focused learning，其實就係將處理第一類問題嘅 Algorithm ，hard code 咗啲常用嘅答案，內化成為我哋嘅記憶。語文、數學、音樂等嘅操練，就係透過 focused learning，建立極有效高速嘅記憶存取，當我哋用到呢啲思想嘅工具時，可以完全不加思索。

19，語言究竟係點運作呢？不如我試下用一個例子去解釋：

假如我話，有樣嘢叫「贔屭」；你望住呢兩隻字，連點讀都唔識，轉個背就唔記得點寫。但如果我解釋話：「贔，似唔似三隻烏龜疊埋？屭，又似唔似三隻烏龜疊埋再加多啲嘢響上面？古代神話入面，三山五嶽都係一隻大烏龜嘅背上面；呢隻背負大地嘅烏龜，就係贔屭。後來形容一個人睇落好似有好大嘅負擔，我哋就會話佢好贔屭。贔屭嘅讀音，係閉翳。」

20，係唔係即刻明晒？我哋要明白一件新事物，首先就要用另一啲已經明白咗嘅概念去聯想。任何語言嘅學習，就係將概念同為聲音、圖象建立關聯。唔知乜嘢係贔屭，但只要你見過烏龜，就可以聯想到一層層嘅「贔」。語言，亦好似咁樣「贔」，都係層層疊。

21，任何可以表意嘅，其實都係語言；識得越多語言，個世界就越廣闊。除咗中、英、法、日、拉丁文，Python、C，都係語言。數學、音樂、甚至舞蹈，亦係語言。

22，當一個人識得用多過一種語言，好準確咁去表達同一個意念，呢種能力，其實唔單止翻譯咁簡單。各知識範疇，都有自己嘅術語；呢啲術語，我哋可以當係平時日常語言嘅 subset。有冇睇過 Catch me if you can 呢套劇（或者書）？雖然故事內容有好多虛構，但絕對可以想象，如果真係有個好似 Frank Abagnale 咁嘅 con artist，可以又扮飛機師又扮醫生又扮律師，佢最厲害嘅地方，就係可以極速掌握唔同小圈子嘅語言。

23，學任何新嘅知識，其實都會增加自己對某個範疇嘅詞彙；所以，學習任何知識，都當作學習語言咁去諗。又舉個例，學品酒，其實除咗提升味覺嗅覺嘅辦析度，亦都係學一套詞彙去形容呢啲感覺。就算係體能嘅學習同鍛練，都係會令我哋對自己嘅身體每組肌肉，每個關節，更加了解，亦會有更精細嘅語言去描述自己嘅每個動作。甚至靜觀冥想，一樣有咁嘅結果，就係每件事、每個感覺嘅形容，都會更貼切。

24，學習語言，最基本嘅方法，就係模彷；無論係小朋友定大人，學習任何知識技能，第一步，就係模彷。小朋友模彷大人，呢一點唔需要我多解釋，但唔知大家有無留意到，好多父母，係掉返轉頭，因為有咗小朋友而令自己嘅語言能力突飛猛進。以我自己嘅經驗為例，我父母哋第一語言，係印尼話同福清話，第二語言係普通話。但生咗我之後，佢哋嘅第一語言，漸漸變咗做粵語。有次我問阿媽，佢發夢嘅時候係咩語言，佢話係粵語。

25，所以，對成年人，學習最有效嘅方法，除咗模彷，其實係將自己識嘅嘢，同其他人分享，即係教。教嘅過程，最易令自己進入專注嘅狀態。不過，教學相長，知易，行難，原因係未必搵到人畀你去教。退而求其次，寫筆記，都係一個將所學嘅知識內化嘅方法。

【第二類問題：人腦對電腦】

26，但當我哋遇到連方法都唔知嘅問題，究竟點樣去搵答案呢？哲學家嘅方法，就先唔去搵答案，而係去問更多問題。有人相信，解答唔到嘅問題，係因為問錯問題。所以，處理呢類問題，首先就係挑戰條問題：「有冇上帝？」「何謂有？何謂冇？何謂上帝？」

27，假如咁樣一直問落去，最終嘅答案，好可能係：「道可道，非常道。」去到人類認知嘅盡頭，亦即係 Gödel's Incompleteness Theorems 所指，成個知識體系裡面，總有啲 Axioms 係無可能被證明或推翻。

28，「問題比答案重要。」可惜呢個心態，並非我哋平時嘅教育制度所鼓勵。有種心態認為，只要有一個可行嘅答案，就唔需要知道，世界上係唔係仲有其他嘅答案。「第一類問題」同「第二類問題」，其實就係普及教育同高等教育嘅分別。

29，正如 #15 所講，AI 會逐漸取代處理「第一類問題」嘅各種專業，disruption 只係時間問題。診斷病症、撰寫法律文件等工作，唔會完全消失於地球，但呢啲工作過去好依賴人去做判斷，目前已經開始越來越多用到 AI，未來會有更多嘅分析判斷，會係有程式去做。

30，AI 發展嘅其中一個里程碑，係四份一個世紀前， Garry Kasparov 輸畀 Deep Blue 。捉象棋，究竟有幾複雜呢？點解要去到 1997 年，電腦先至可以贏人腦呢？我睇 Kasparov 寫嘅 Deep Thinking 解釋返，最初嘅所謂 AI ，其實只係用 brute force 去計算。到後來，程式嘗試去分析棋局，但呢啲固定嘅 Algorithm ，太容易被對手捉到路，所以一般都打唔贏 Grandmaster 甚至一般職 業棋手。

31，去到 Deep Blue，電腦已經可以每秒鐘計兩億步棋，但呢部電腦除咗用 brute force，背後都經過兩個 Grandmaster 去每日同佢捉棋，調校出更複雜嘅 Algorithm；呢個調校過程，亦即係我哋平日講嘅 Training。但就算係咁，Deep Blue 對 Kasparov，六場都係三勝一和兩敗。

32，Kasparov 自己話，寧願做世界上第一個被電腦擊敗嘅 Grandmaster，都唔想煙歿響人類歷史嘅洪流裡面。去到今時今日，真係求其一部手提電腦，都可以勁過 Deep Blue。其實當我哋好擔心人類被電腦取代，其實電腦嘅世界，推陳出新嘅速度更加無情，更快。

33，電腦嘅優勢在於可以無限 scale up ；machine Learning 嘅能力，由最初辨識圖象、聲音、pattern 等等，去到目前已經可以識得去聯想同構想。用 Alan Turing 嘅標準，幾何亂真呢個形容詞，其實再次確認，AI 距離我哋越來越近；尤其係有大數據去調校出來嘅 AI。

34，由 Deep Blue 去到 Alpha Go，Machine Learning 已經去到完全另一個層次。自從 2014 年，Machine Learning 用 Generative Adversarial Network （GAN）呢個方法，等電腦去自己 train 自己。結果係，電腦都好似掌握咗「想象力」；用 GAN 去 Train 嘅程式，已經可以無中生有咁，生成一張幾可亂真嘅人像照片。

35，《射鵰英雄傳》裡面，周伯通去到最後好抽得，應該係最抽得嘅一個，原因係佢透過自己左手打右手去練功。小說就只係 metaphor；但 GAN 就係 AI 嘅「周伯通」。

36，正如我好鍾意嘅 Fitzgerald 嘅一句名言 the test of a first-rate intelligence is the ability to hold two opposed ideas in the mind at the same time, and still retain the ability to function。最近有科學家嘗去教機器類比；類比，其實係人類意識裡面，最基本嘅功能之一。兩件事，有啲乜嘢係相似？又有啲乜嘢係唔同？如果再加多一件事，三件事又可以點樣歸類？以上所描述嘅思想過程，就係類比。

The Computer Scientist Training AI to Think With Analogies | Quanta

37，理論上，遇到唔識答嘅問題時，可以從類比歸納，搵出更多嘅問題，從而搵出相關可能嘅答案。換言之，過去有啲我哋以為係「第二類問題」，好可能有朝一日都會被電腦用類比嘅方法，搵出破解方法；尤其係數學上未搵到 proof 嘅 theorems，相信可見將來會由電腦破解。早兩年，已經 [Google 已經用 AI 搵出 1200 條 theorems 嘅 proofs](https://mathscholar.org/2019/04/google-ai-system-proves-over-1200-mathematical-theorems/#:~:text=When they applied their software,day-to-day research.)。

38，如果綜合以上嘅發展，人腦唔係絕對唔係用來同電腦鬥快；正如跑得再快跑人類，都唔會快得過松鼠（fun fact of the day）。所以，返到去最初嘅命題 #03，多得兩個好重要嘅因素，令人類脆弱嘅存在，變得強大：（一）社群（二）工具。

39，電腦，只係工具，問題係我哋點樣去用呢啲工具。唔識得用呢啲工具嘅人，難免會被時代淘汰；但更重要係，識得利用工具嘅人，點樣去利己利人？

40。講到呢到，不得不提意識形態呢個問題。自工業革命，好多人用機器作為一個 metaphor，去描述一個社會，又或者人類身體嘅機能。不過，後現代嘅文化之下，機器嘅 metaphor 都開始轉變；由過去好 deterministic 嘅機械，漸漸進化成一個會隨環境變化而演進，類似有生命嘅個體。AI 就係其中一個後現代嘅例子。

41，甚至乎我哋對自己嘅身體，都開始有唔同嘅理解。目前越來越主流嘅睇法係，我哋嘅身體唔止係一個生命，一組 DNA 排序；我哋係一個百萬億計（係 hundred trillions）隻生物共存嘅生態系統；呢啲同我哋共生嘅微生物，雖然只係佔我哋 biomass 嘅 1 - 3%，但對我哋嘅身體狀況有好大關係。

42，有啲問題，始終係不論你掌握到幾多數據，永遠都唔可以絕對咁搵到答案；例如下星期五恆指收市價位。

43，當然，無話唔可以靠估，事實上我哋所有嘅科學實驗，多少都有 approximation ；觀測越精細，預測越可以越準確。呢個亦都係好多人希望搜集好多好多數據，而且要有咁詳盡仔細就得咁詳盡仔細，然後就用來估下一秒鐘個世界會點，例如股票指數會升幾多，又或者跌幾多。

44，但呢啲預測，如果會影響到某啲行為，最終又會影響返整個市場嘅平衡，結果影響返最初預測嘅準確。Chaos Theory 重點係，各種因素極微細嘅差別，都可以令走勢同結果完全唔同晒。

45，換句話說，當觀測者又係參與在其中嘅時候，預測嘅結果，會令到未來變得更不可預測。任何涉及到呢類 feedback loop 嘅預測，唔理用乜嘢分法，有幾咁精密，其實都係唔會絕對準確。市場，其實就係一個咁樣彷彿有生命嘅互動適應過程。

46，目前為止，以上所講嘅問題，仍然屬於「第二類問題」嘅範疇，莫講唔識得去處理，人類自己都唔識。但未來不可能絕對地被預測，亦都令我哋永遠都會面對各種嘅第二類問題；只不過係，我哋知唔知呢啲問題嘅存在。

47，人類嘅社會，包括市場現象，其實都係 complex adaptive system ；理論上無論係人腦定電腦，都會永遠咁追逐不停走位嘅 equilibrium。

48，好重要，所以要講多幾次；正如 #3 所講，人嘅存在係脆弱嘅。但人建立出一個嘅社群，越來越複雜，掌握嘅工具效率亦越來越高。一直以楚，都有人擔心，人唔係被社群所吞噬，就係被科技取代。但實情係，我哋從來都係社群＋科技呢個發展組合當中，一直扮演我哋嘅角色。

49，千百年來，宗教、政治、哲學等，一直嘗試去解答人類究竟應該扮演乜嘢角色，道德嘅標準又係乜。以上呢啲「第二類問題」，有朝一日可能會成為人類同電腦嘅辯題，就好似 Kasparov vs Deep Blue 嘅經典一戰。

50，結論：人腦嘅存在，係為咗不斷尋找新嘅「第二類問題」，然後借助科技，將呢啲解題嘅方法，變成「第一類問題」，再交畀機器去處理。

【點樣將第二類問題化成第一類問題】

51，以上 #11 介紹 Barbara Oakley 講嘅兩種學習模式，第一種係 focused，用來對應係第一類問題嘅學習同內化。順理成章，第二類問題嘅學習模式，就係 diffused。

52，點樣可以唔專注又可以學習到呢？Barbara Oakley 話，慢慢來，停一停，瞓個靚覺，發個夢。坦白講，我覺得呢種佛系嘅方法，講咗等於冇講，所以呢部份，我就用我嘅方法去解讀。

53，好多年前，我去上咗一個講 creativity 嘅課程。簡單講，課程背後嘅精神，就係認為「創意」都可以訓練成為習慣；亦即係話，創意其實可以由「第二類問題」，變成「第一類問題」。

54，點樣可以將創意變成可以重複嘅習慣呢？不停問問題，係其中一個方法。但究竟問啲乜嘢問題？「係真唔係㗎？」「點解嘅？」呢啲好似好煩嘅問題，其實永遠都值得去問。當然，問邊個都要睇對象。

55，人腦又好，電腦又好，遇到任何問題，首先都總係從記憶中，尋找出類似嘅經驗，然後推論出一個好似係最好嘅答案。經驗越豐富，搵出來嘅答案，就越大機會係接近「最佳答案」。當然，可以 Google 、Wikipedia、Stackoverflow、甚至 Reddit 、連登等，都將人嘅共同經驗值放大咗好多倍。

56，「第二類問題」唔可以單憑經驗；代入 #55 嘅講法，即係 0 乘一個再大嘅數，答案都仲係 0。所以，有啲人處理「第二類問題」，靠嘅係「靈感」。

57，靈感都可以操練？有個講法話，點解莎士比亞咁多經典傳世？因為佢寫嘅劣作更多，只不過係煙歿於歷史。係唔係不斷試就有結果？生有涯喎。當然，其中一個答案就係，好多人，一齊咁去不斷試，自然會有人老趁撞手神，就會見到所謂嘅靈感。

58，但我去上個 creativity 嘅課程就話，當我哋遇到「答非所問」嘅時候，首先唔好夾硬說服自己，話手上嘅答案就係最終答案。其次，就係好似上面講，就係令自己進入類比嘅思維。

59，具體係點樣去令自己去進入「類比思維」嘅模式呢？首先，就係將本身要處理嘅問題，先放低。然後，搵本字典，去隨機搵一個字，名詞、動詞、形容詞，無所謂。然後，用盡自己嘅記憶，將呢個隨機嘅字相關嘅形容詞同概念，都列晒出來。最後，攞返最初嘅問題出來，逐個逐個形容詞、概念 map 一次，睇吓會唔會有靈感。

60，不如，我又試吓舉例去示範；以下嘅呢一段，係隨手而來嘅 train of thought（即時，打真軍、無修正）。

問題：「如何處理各國財赤問題？」

Random Word：Announcement

Announcement 嘅關聯詞：official、隆重其事、講咗當做咗（shit，好似咁快有答案嘅）、一個人講好多人聽、影響群眾嘅觀感、事實 vs 觀感、隆重得來又唔係受法律約束、講咗唔做最多都係失信於民、失信於民最多咪推到重來、推到重來⋯⋯

Reflections：各國財赤，係唔係已經 official？隆重其事？係唔係講咗出來，就解決到問題？如果隆重其事咁去宣佈要處理財赤，但最終不了了之，結果會點？係唔係無後果？會唔會首先係要令今後嘅政府為財赤問題負責？可唔可用類似宣揚氣候變化嘅 agenda setting 去提醒各國人民留意財赤問題⋯⋯

61，信我，以上呢類 exercise，好費神；亦係呢個原因，好多人唔會去做，寧願用平時嘅直線思維，亦都係點解創意咁值錢。當然，亦都有人嘅思考，傾向天馬行空。

62，久不久就要跳出思想嘅 comfort zone，做多呢類 exercise 會令一個人平常思考嘅空間嘅擴闊。

63，另一個將創意變成習慣嘅方法，就係強迫自己去思考極端條例之下嘅例外，然後再用呢啲例外去質疑最基本嘅前設。其實，呢個都係類比思維變奏出來嘅方法；所謂嘅「逆向思維」，講到尾，就係呢種推到極限嘅思考方法。

64，簡單總結今日分享過嘅概念：第一類問題 vs 第二類問題、人腦 vs 電腦、focused vs diffused learning。

65，本來，我想再分享多一個我自己好常用嘅分析方法：2 x 2。但原來都寫咗成五千幾字，又寫咗成三日，所以呢個題目都係留返下篇再講。

【待續．未完】【Thinking on Thinking 二之一】