知识分层与应用直觉比如相关性/延展分析布尔解释所指的返回值为Boolean的,比如“书是纸做的”这种事实。机械论/经典逻辑经过有限步骤的推理就可以复制覆盖律因果律倒排索引: 标记、相似综合(synthesis)时间空间递归(控制论)反馈/转导/存在与时间蕴含复杂概念柯里化:编译器,EDA、DNA复杂系统:身体中的B细胞与T细胞每个深层的指导是浅层的理论支撑,越向下越需要坚定的信念来寄托。
按照ROI的分层
认知范式假设
以下是我个人的假设,下文以此为依据
- 一定要打破犹豫,不要给自己下死锁/等待,先投入一天试试,枚举下试试。
- 知识是基于符号的索引,有且只有通过广度遍历尽快“见过”这些符号,才能将符号作为概念带入语境;当足够多的符号录入大脑后,才会形成网状的立场、视角与经验,最终作为信念作为前置条件进行试推(abduction)与再现。当前AI知识问答已经很成熟,准确提问可以让效率提高约4倍。
- 获取符号后,需要进行记忆、实践与经验,才能启发“顿悟感(Feeling of knowing)”。
- 产生顿悟感后,才能在细节上进行填充,上述是螺旋上升的流程。这种顿悟感可能是反直觉、自反性的。
- 从递归的维度进行内隐化,这个难度极高,可遇不可求
我个人的认知流程如下,需要时刻POC调整
- 先POC一套知识体系,比如树形分类方案;
- 一定要找现成且权威的大纲,很多时候只是没找到教材或者术语,不要自己分类。
- 先整体枚举后还原,也就是将黑盒事物自上而下分解为树,树要求互斥且定义明确,再基于逻辑方法组合的方式去推导;
- 不要对存粹理性的逻辑定义过分地苛刻要求,部分难以分解的知识内容(比如心理/语言学),我认为死记硬背后,就算没有因果强证明,成为“经验公式”也是实用的。
综上,我的总体思路是优先成为通才(所谓的万金油)获取知识,然后再讨论某个细节的落地,最终知识结构是一种根茎状的联结分布,并不断螺旋循环。
"认知"工具链
如下认知流程,可以实现处理任何确定性的任务
- 专业技术: Strong independent trouble shooting skills
- 应试流程: 比如专业证书、语言学习。留学、面试与工作等。
- 软件:比如ToB领域需求分析
如下是流程图
上述学习过程,理论上说是可以通过IT工具承载的,这里的工具并不是类似notion这种单纯的笔记工具,目前各个工具各有优点