借助工具链实现知识的外显化

知识的分层

我个人对知识的理解如下,主要是基于投入的ROI(价值与难度)角度思考

按照抽象维度的分层 $2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 $2专业类知识死记硬背即可,但是单一而脆弱绝对标准,高质量,低成本精细管理(泰勒化)理性主义(还原论)从点到面进行枚举、分类与逆向就有收获MECE原则最新技术,工程架构改进等黑盒的维护交付工作经验主义(反脆弱)有挫折碰壁,但是定期复盘就可以更强逻辑,算法,统计,语言学习SWOT、IPD、L2C行销,PM,Coordinator本体论、符号学、心理距离因果、演绎归纳、认知没法预测确坚持信念复杂却仍可还原:半导体设计与制造延迟问题:啤酒游戏、代谢组学、项目管理无法预测:天气预报投资:收集信息预测复杂性推动:创业/立项,需要信心、希望、勇气与MVP社会与政治:出生/上学/工作/结婚/生娃

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

$2借助工具链实现知识的外显化需求/现状模糊的大方向Hierarchy of needs目的论(ROI)打破犹豫本体诠释无从下手MindMap的MVP版本Cognition经验与理性螺旋整体论与还原论MindMap的迭代版本全部都枚举了吗?解释概念覆盖律因果律倒排索引: 标记、相似递归: 柯里化&复杂系统工具链寻找领域辅助工具信息辅助工具可信知识源离散知识录入结构化外显Wiki+Tag验收Wiki输出应试刷题决策落地外显化知识符号枚举(MECE)* AI辅助* 预研分类树;* 符号的内涵与外延* 预研倒排索引自训练pivot alignfork制定度量标准进行SWOT对比synthesis

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