时间过得真快,又到了和2018年说再见的时候了。2008年的时候遇到了全球性的金融危机,今年也爆发了裁员潮,不过还好我还在,两年之期的日子也快圆满了,内心有点小激动。从年初4月份一周一篇博文的任务也完成了,今天这篇就是最后一篇了。后面我的文章就不在这个里面发表了,如果你真有兴趣了解我的读书笔记,不妨给我留言,我给你新的地址。今天聊最后一个有关成功的话题,不过我不是聊教人怎么成功,而是聊有关成功的 科学。
从大学二年级开始我浪费了十年时间看了一些自由民主社会学与经济学方面的很多东西,曾经也是一个十足的愤青。如今人到中年才逐渐意识到自己浪费了多少时间和精力,特别是去年所经历的工作上一些事情,更看清了人性更看清了世界。如果以前十年时间能像现在这样以平和的心态读书,或许我就不是现在的处境了。以前把社会学和经济学当规律解读,现如今才明白社会学和经济学不是科学,他们的理论是不可重复不可实验的。不像物理学和化学都是可重复的,给定条件一样,结论必定是一样,而且有实验依据。社会科学和经济学只能总结历史,不能预测未来是不可重复的,而且也没法实验。现在社会上的一些成功学所灌输的鸡汤就属于这类东西,他们的理论貌似自洽,但是无法重复检验和实验,带有很大的煽动性。我今天聊得是美国科学家经过大数据样本研究,为我们揭示了有关成功的科学。
首先我们要定义成功。成功可能每个人的定义都不一样,这个是比较主观的东西。比如有的人觉得创作了一个超越自我的作品,不管别人怎么说我认为我是成功的,有人会觉得有一个幸福的伴侣算成功,这些都很主观没法测量。美国科学家要研究成功,必须成功是可测量的,像上面的例子就不是一个可测量的东西。那他们怎么定义成功的呢?他们是按照世俗的标准定义的,比如你是一个作家,你的成功就是你的书销量怎么样?你是一个品牌,你的知名度怎么样?你是一个律师,有多少人请你打官司?等等,这里说的成功都是客观可测量的。现代互联网和大数据技术可以使研究者做一些过去办不到的极端分析,比如他们统计了有史以来的所有学术论文,分析每个学者怎么成长起来的?他们拿到美国所有图书馆销量数据,看看每本书的销量如何?而且他们还有机会了解世界上所有的博物馆和艺术展览官,可以获取每一个艺术家是如何发迹的。他们从这些全覆盖无死角的样本中找到了一些定律,这些定律是可以重复检验的,比如他们能根据网球运动员的成绩,准确预测他的关注度。
第一个定律:业务表现不能和成功画等号。 比如你是一个画家,在专家看来你的绘画技法、作品意境都特别优秀,但是你的画不一定卖的很好,这种在他们的研究中不叫成功。比如你是一个程序员,你写程序搞算法很牛,但是你的薪水你对业界影响力可能还不如那些纯管理者,对不起这种也不叫成功。业务表现是我们自己的事情。我们经常做的事情是提高自己,会有一些励志书教你怎么刻意练习、要有意志力要提高效率。这些都是教你怎么提高业务表现能力,你的业务表现好,说明你是高手,但是这个定律告诉你高手不一定等于成功。
既然业务表现好不一定成功,那成功是有什么决定的呢?这就引出第二个定律:成功不取决于业务表现,而是别人对你业务表现的评价。也就是成功不是你的事情,是社会是你所在的环境决定的。 也很有意思,他们列举和一个例子:在第一次世界大战中,德国有个王牌飞行员叫曼弗雷德.冯.里稀特霍芬,他曾经击落过80架敌机,外号叫红色男爵。红色男爵不但技艺高超而且个性张扬,故意把飞机涂成红色,在空中特别显眼,就是向敌方挑衅的。红色男爵目前在德国家喻户晓,在全世界也是鼎鼎大名,他的故事还被拍成动画片全球上映。那红色男爵是一战中击落敌机最多的飞行员吗?不是,同时期的法国飞行员雷类.方克击落了超过100架飞机,而且自己还没事,论战斗力水平是超过男爵的。红色男爵是被敌人击中而死的。方克的名气远不如红色男爵,这个是从几个侧面来定义的,方克在维基百科只有18中语言,红色男爵在维基百科页面有52中语言。像这种例子非常多,比如我们国内的,现在说到杂交水稻就想到袁隆平,可是你知道吗?中国有好几位水稻专家不论是科研水平还是实际贡献都是超过袁隆平的,但是有多少人知道其它专家的名字。我们从小受学校教育,有一个固化的升学思维模式在我们每个人的脑海,那就是谁成绩好谁就上好大学,努力了就应该得到奖励,真实的世界不是这样的。这种思维模式就是相信那些成功人士都有超强的业务表现一样错误。请记住成功都是别人给的。
西方科学家做研究还是比较严谨。虽然业务表现不直接决定你成功,但是某些领域业务表现就能决定成功。他们研究了职业网球选手和他们的受关注程度有什么关系。他们能根据网球运动员的比赛成绩准确预测他的维基百科页面获得了多少点击率,而且网球运动员去搞什么绯闻也不影响预测结果。还有一个例子是他们研究了一组因一分之差有人去了重点高中有人去了普通高中的样本,最后这两人考上大学的成绩没有显著的差距。在绝对分数面前,环境因素并没有决定性的影响。
上面说的业务表现都是清晰可测,在业务表现不可测的情况下有什么定律在左右你是否成功呢?答案是你所处的网络决定你是否成功。他们列举了艺术品的例子,分析艺术家是如何获得成功的?艺术品就是一个不可测量的领域,可能好作品和坏作品行内专家能一眼看出来,但是都是好作品你如何对比其中的好坏,从而决定艺术品的价格呢?他们为了研究这个领域,收罗了从1980年到2016年的所有艺术品交易和展出数据,包括14000个画廊和8000个博物馆,涉及50万个画家,总共300万幅作品。他们通过这些样本研究分析成名的画家是如何发迹的?他们得出的结论,你要想成为超级明星,你的作品必须在几个顶级的画廊和博物馆里出现过。画廊也分一流二流三流,通常情况是你一旦进入某个网络,你几乎不可能跳到更高级的网络。也就是你在二流画廊展览过,你几乎不可能在一流画廊展览。艺术网络是由画廊、博物馆、收藏家和艺术家组成的。如果有收藏家花钱买了你的作品,那你就进入了网络。顶级网络会确保你始终留在这里,从此你就只属于顶级网络,就算你偶尔作品很差很久都没有卖出去,画廊不会给你减价。而是安排另一个收藏家买下这幅画,这样保证圈子里的人利益都最大化。这个规律如此明显,以至于只要看了艺术家出道的前五场展览,就能准确预测他一生的成就。有些人运气好,有些人老师好,一出道就在顶级网络。而如果前五场都在外围二流三流等外围画廊里面转,基本这个人一生就不可能有大出息。通过样本分析,50万艺术家中一开始运气不好从外围逆袭到顶级网络的只有227人,非常少。这些逆袭的人有两个共同的特点:第一他们的动作都很快,在职业生涯的前十年奋斗到了一流画廊。第二他们完全知道网络的重要性,他们会不知疲倦的在世界各地画廊里面转场,想方设法露面和各种圈类人交往,期待能碰到一个上升的机会。身在外围,你得非常非常着急才行。
再说回到圈子和网络。现在比较流行什么人脉,强联系交换人情,弱联系交换信息,起得作用太偶然。你有时候对人家有很大期待,可人家根本不在乎。混这种圈子花费大量时间去做虚伪的社交,纯粹的浪费时间投入产出太少。人为什么不能真诚的交往呢?网络是一个利益共同体,你想加入网络,你得和网络其它人有共同利益,网络中的其他人都不必和你三观一样,网络中的个体都是对等的,甚至大家都不必认识有很深的交情。相对于人脉来说,加入网络是最重要的。当然入网是不公平的,有的人一出生就在某个网络,有的人能力虽有却只能在网络外游离,而且想要成功还不得其法。诚然,人到中年渐渐都会意识到自己的能力边界,正确认识自己是获得人生幸福的关键,不必一味苛责自己。上面科学家分析的样本,基本大部分人都是平凡走完自己的一生,成功的毕竟是少数。但是幸运的是成功和幸福是两码事。
关于年终最后一篇也该结束了,这一年想通了很多事情也开阔了不少视野,孔子说的困而知之者就是我这种,我和自己总算和解了。上面说的那些 定律至少和我目前在职场遇到的人和事是自洽的,现在反思自己以前确实走了不少弯路。选择了领域,你就选择了生存方式。这上面所说的成功都是世俗的角度,但是人生的意义并不在追求世俗的成功,完全由自己个人选择。祝自己2019年有个好的开始,祝大家新的一年里步步高升。
大科学家的离去告诉了我们什么
前段时间著名的华人科学家张首晟教授自杀了,震惊之余不免感到惋惜。因为无论如何这样一个在科学上取得如此成就,头顶中美两国科学院院士头衔的人,怎么可能会抑郁自杀呢?抑郁的人一般都是失败者的副产品,成功的人怎么可能抑郁呢?我在得到专栏里面,还经常听到吴军博士经常夸耀张教授的跨界思维,说张教授在学术上和商业上都有建树,甚至杨振宁教授还预言他会得诺贝尔奖。在百度百科上,我们还能查到两项张教授的学术贡献,一个是量子霍尔自旋效应,一个是拓扑绝缘体。张教授的名字还和天使粒子联系在一起,据说这个是有可能得诺贝尔的一个成就。
我也看了不少这方面的报道,分析为什么张教授会选择自杀?归纳起来主要有三种说法。第一种,和最近的中美贸易战联系,带点阴谋论的色彩,说张教授是被美国暗杀的,为了阻止其帮助中国在芯片领域赶超美国。第二种,说张教授是币圈的大户,由于其控制下的丹华资本亏损严重,导致其抑郁而选择自杀。张教授生前十分推崇区块链,甚至上升到了信仰的地步,说是和人工智能结合有可能改变世界。虽然我承认区块链有价值,但是我一直不看好区块链前景。第三种,是说张教授因为天使粒子的贡献率进不了top5,天使粒子是很有可能会得诺贝尔奖的,而诺贝尔奖最多只可能发给3个人,因此注定张教授和诺贝尔奖无缘了,诺贝尔奖是张十分渴望的一个奖项,这件事给张教授带来很大的心理压力。事件触发的导火索是2018年11月基础物理学突破奖(Breakthrough Prize in Fundamental Physics)公布,张首晟在拓扑绝缘体(topological insulator)研究领域的两位搭档——Charles L.Kane 和 Eugene Mele 均获得了奖项,而张首晟教授却未在获奖名单中。
这三种说法都有一个自洽的逻辑,但是事实真相到底是什么?局外人很难了解事情的真相。我今天要聊的也不是澄清事情的真相,是想从大科学家的离去引出另一个话题。在我们大多数人眼里,成功的人是不可能抑郁的,抑郁只是loser的副产品。张教授是天才型的人物,高中没读就直接考入复旦大学物理系,后面去美国读博士,在32岁的时候就已经是斯坦福大学的终身教授了。张教授取得的研究成果和学术声望,常人羡慕还羡慕不来,这样的人怎么也会抑郁?抑郁无非是内心长期焦虑导致,想要的得不到,得到的怕失去。这件事也从侧面反映了一个事实:那就是焦虑是人人都可能面对的问题,不会因为你地位有多高有多成功了这个问题就消失了。
现代社会强调竞争,不进则退。搞得人人都很焦虑,焦虑得不到,焦虑没得到,焦虑怕失去。人人都在为钱权名这些东西争的头破血流,动物世界里的丛林法则在现代工业社会以一种更残酷的形式体现,只不过不像动物世界里面表现的那么明显。确实工业社会物质极大丰富,但是人们的精神世界相比于物质世界却很贫乏。以至于现在产生了很多以贩卖焦虑为手段的产业形态,例如知识付费和教育培训,好像多读了两本书多学了点东西就会不焦虑了。事实上焦不焦虑和你能力多大没有任何关系,能力强的人照样会焦虑。
以前的盛大创始人陈天桥就是一个很典型的例子,30出头的年纪就取得了中国首富的头衔,可以说很成功了,可是一样焦虑,最后得了抑郁症活得很痛苦。后来通过信佛治愈了,去年还听到关于他的报道,好像最近在关注脑科学研究,还出巨资资助加州理工学院的脑科学研究,希望破解大脑之谜帮助人们找到幸福的根源。
在当下的快节奏下,焦虑似乎已经成为了生活的标配,容易引起职场人的共鸣,而且制造焦虑成为公众号取得10w+的捷径了。为什么我们活得这样焦虑?社会的运转速度加快,实际劳动时间的延长,科技进步都会引发焦虑。就拿我所从事的互联网行业最具代表性,工作节奏太快而且工作时间也比较长,更悲剧的是技术跟新太快,你往往花了大力气学的一门技能过几年就过时了,你得从新学新的技能,才能保证你在职场更有竞争力。而转行从事技术管理呢?这个该没有什么技能之忧吧。实际情况是焦虑依旧,管理严重依赖一个公司的环境,一旦你因为某种原因被下掉,你将很难重新开始,这也是为什么管理岗位跳槽比较少的原因。
有心理学家就针对这个现状研究过,结论是说很多人的焦虑苦恼是源于攀比,尤其是面对身边的人以及自己的职业,位置差不多的人,攀比之心往往会无意识的出现。确实如此,而现在移动互联网出现更加剧了这一情况的发生。我们以前信息不发达的时候,听说某人发达了只是停留在脑海中的一个想象,不会为此焦虑,而现在是真真切切的通过手机镜头能实时感知到,再看看自己的现状,一对比就会焦虑。每个人的内心都像弹簧一样,如果长期被过度压缩,很难恢复原状。虽然短暂的焦虑是有好处的,它会促使你自律去奋发,但是人如果长期处于这种心理压力下,就会引发严重的心理焦虑进而发展成抑郁症。
总而言之,世界已经这样了,我们无力改变这个浮躁和喧嚣的世界,对身边的许许多多的人也无能为力,但是不等于我们什么都做不了。任何情况下,总有一些努力和改变是我们自己能做到和把控的。我们可以屏蔽一些负能量的东西,同时要正确认识评估自己。
爱因斯坦就是一个很好的例子。他第一次看破红尘创立了狭义相对论,第二次看破红尘创立了广义相对论,后来广义相对论和量子力学发生了矛盾。广义相对论认为物理定律完全可以计算一切运动,而量子力学不这样认为。量子的微观世界是一个随机的世界,是不可计算预测的。为了解决这个问题,爱因斯坦希望自己再次看破红尘,想建立一个统一微观和宏观的统一场理论。这导致后面他几十年脱离物理主流学界,最后一无所获。实际上现在物理学家已经发现爱因斯坦要做的事情是不可能成功的了。不过我倒觉得爱因斯坦最后还是看破红尘了,在他七十六岁的时候,因为腹主动脉瘤破裂引起内出血,这本身不是什么疑难杂症,医生建议马上手术,但是爱因斯坦拒绝了。他说:“当我想要离去的时候请让我离去,一味的延长生命毫无意义。我已经完成了我该做的,现在是该离去的时候了,请让我优雅的离去”。
佛教讲不执着,不要追悔过去,不要去焦虑未来,踏实感受当下。希望天堂没有抑郁,张教授走好。
聊聊西方哲学
好久没有写关于哲学的博文了,今天就聊聊我对西方哲学的一些认识。我大学学的专业是计算机不是哲学,没有经过严格的哲学训练,但我本人对哲学非常有兴趣。大学一年级的马克思主义哲学是必修课,虽然在哲学方面不乏有点启示意义,但是更多的是官方意识形态的宣传,和真正的西方哲学相去甚远。记得钱钟书先生曾经说过中国只有哲学家学家,没有哲学家。人人都研究哲学家,但是鲜有人去真正研究哲学。至今记得的大学里耳熟能详的有关哲学的定义就是爱智慧,但是什么是智慧却没有给出严格的定义。以前聊佛学的时候,给出过中国式智慧的定义,实际上各个文明对智慧的认识是不一样的,只有中国是从纯功利的角度来定义智慧,而西方的智慧是一个纯逻辑工程和功利不沾边。
我们由于是一个易经民族,所有的诸子百家思想都是以易经为蓝本延伸的。这种思维方式和西方存在根本区别。首先,易经虽然是自然哲学的追问,但是它用非常具象化的符号组成了对宇宙图景的理解,在知识观念上没有留出无知通道,这和西方思维范式完全不同。第二,没有对本质真伪问题的深度追问。第三,虽然易经用具象符号来图解世界,但是没有在纯逻辑的基础上展开和证明自己,而西方讲究的就是学问就是证明。这或许就是李约瑟关于为什么中国古代科学技术发达,但是没有发生工业革命的根本原因吧。在中国古代就没有假设和证明系统,经常是一个东西不用证明,就被大家视为一致遵守的真理。
西方文化的源头是古希腊。古希腊主张凡是能够应用的学问都是已经被解决并交付给匠人的学问,真正的学问都是和实用没有任何关系的纯理性追究。中国文化讲知行合一,而西方只追求知,不管行。这有可能是西方不产生宗教,东方产生宗教的原因。古希腊虽然也有神明崇拜,但是古希腊的神和人是一样的,神也有人的优点和缺点,而东方的神都是经过人格美化了的超越人的神。
大学给我灌输的是说唯物主义哲学是正确的,并大力批判唯心主义哲学。我认为这是对西方哲学最大的曲解,马克思本人是没有哲学著作的,称不上哲学家,资本论顶多算一门社会经济学问。各种文明的早期都是从唯物主义开始的,人类确立的原始感觉叫做唯物反映论,感知有各种各样复杂的规定性,不论是在感性的层面还是在逻辑的层面。即使主观是一面镜子,由于镜子的不同,对象反映在镜子的形象也不一定相同。因此唯物反映论是不成立的,它表达的人类最粗浅的认识,这时候的人类对自身的精神深度和规定性毫无了解。
还有大学课本十分推崇唯物辩证法,认为辩证法是最高级的逻辑形式。经常有人拿易经的阴阳辩证逻辑比西方黑格尔的辩证逻辑早,以此来证明中国文化的优越性。其实辩证法是早期东西方思想家都具有的,只不过西方到了亚里士多德时代,亚里士多德发现辩证逻辑是一个思想混乱的诡辩逻辑。于是他发明了形式逻辑,他认为逻辑是有一个必然导出的,不能像辩证法正一说反一说得不出一个确定的解。
辩证逻辑最重要的是A和非A这两点,之所以设定A是因为依存的对象太多,单位时间内只能关注一个问题,于是将这个问题抽出来叫A,其它的全部是非A,这就好比说矛以外的东西全部是盾,可事实上矛以外的东西不全是盾。辩证法是相对主义的,它可以任意设定一个点作为起点,这样什么叫前,什么叫后,你永远找不见。
后期西方哲学的研究逐渐深入,发现我们所看到的世界可能不是客观世界的反映,而是经过人类感知器官通过感知逻辑整顿后的一个主观逻辑模型,这时候发生了西方哲学史上一次大转型,从本体论转到认识论,因为我们的感知在接触外部事物的同时也扭曲了外部事物。这个时候开启了唯心主义哲学的全面纵深探讨。
比如笛卡尔就认为,我们所说的世界可能和真实的世界是两码事。他把真实世界叫做物质实体,而把我们所知的世界叫心灵实体,这就是著名的二元论。而且他还进一步认为是心灵实体缔造了知识,而物质实体只具有光源性。
后来贝克莱的主观唯心主义认为存在就是被感知,如果所说的世界是一个主观逻辑模型,你就不能说还有一个外部世界存在。而贝克莱认为所谓的对象就是感觉的集合,例如杯子就是感觉、听觉、视觉的感觉集合。你只能证明对象是感觉的集合,不能证明这个感觉是独立存在的,因为没有感觉以外的通道去证明它。
然后是休谟,休谟是西方不可知论的始祖。他提出知识都是经验而来,非经验的证明是无效的。最后是康德,康德是直接受休谟的影响才开始研究哲学的。他就认为知识都是现象,我们的主观有规定性,外部世界是存在的,否则找不见来源,但是外部是世界不被我们把握掌控。我们所有的科学研究都是基于现象去研究的,不是基于真实的世界。康德进一步提出时间和空间不是客观的,他认为我们的感知有先验规定性,就是说在经验以下,感知模式已经被规定了。
由康德开创的这一路哲学思路达到了西方哲学的高峰,我认为至今还没有人超越。人们第一次明白知识不是客观的经验对象,知识是一个被思想体系先验规定、感知模型给定的对外部世界的整理系统。
唯心主义的高明之处在于真正发现人类的感知是有规定性的,感知不是客体的直接反应,而是人类先验感知系统对外部世界的逻辑整顿。
感应系统在生理学上叫植物神经,在感官上继续延伸叫做感性,感性再往上走,就是当你处理对象越来越多时,就必须在诸多对象中加以判别求断,这个词引申就叫判断,在多个环境下对依存对象的判断叫知性。知性再往上走,依存对象越来越多,此时就必须把所有依存对象虚化为概念,然后在概念上将他们推演,这叫理性。也就是逻辑就是从感应、感性、知性、理性的逐步提升,不是突然发生的。
我们所说的知识从来不是真理,知识只是可以表达为正确。也就是知识在它正确的那个范畴和时段里是自洽的,感觉判断和逻辑不发生矛盾。人类的知识进化就是不断的用理性否定感性、接着用更高端理性否定低端理性的过程。以前托勒密的日心说到哥白尼的日心说,牛顿的绝对时空观到相对时空观,无不重复着这一过程。
人类文明的推进就是在我们不停地证伪和否定以前学说和理论的基础上发展而来的。从逻辑学和思想史上来看,任何一个学说都不是真理,人类的一切学说都不断的被推翻和证明,我们把这个过程叫做逻辑变革。那么逻辑变革究竟是怎么发生的呢?在学说体系上有一个现象,就是任何一个理论,一旦不能容纳新出现的信息量,就立即崩溃。逻辑变革就是所谓理论、知识、知识分析,面对新的信息量时,建立一个完全不同的整合模型。
因为“真”和“理”完全是一个悖论,但凡是“真”就一定是你的主观感知和逻辑没有施加在它上面才叫“真”;但凡是“理”,就一定是你的感官和逻辑施加在上面的扭曲结果。
凡真者一定无理,凡理者一定非真。
通常讲西方哲学是追求真理的学问,这是很可疑的说法。早在休谟和康德时代,知识和求真的关系就已经被证明完毕,也就是说知识和客体对象的本真没有对应关系。
既然现在的知识不是真理,那我们唯有特别注意让自己不断的反省,发现你固守的那些认知正是需要被刺破和需要被颠覆的。
再论系统思维
前面聊过一次从线性思维到系统思维的话题。系统思维并不是一个传统文化的概念,在中国古代传统文化中并没有系统思维这个部分。这个完全是一个现代化的概念,是最近几十年才成熟起来的。那到底什么是系统思维呢?下面就聊聊这个话题。
人的思维惯性一般考虑问题的时候都只考虑一个东西。比如这个工具怎么使用,这件衣服好不好看。。。等等,你把这一个东西搞明白了,问题也就解决了。这种思维习惯与身俱来非常的根深蒂固,以至于当我们面临好多问题的时候也是从一个东西入手。例如我们常常把一个群人或者一个组织当做一个人来处理,例如说“球队休息的不错”、“公司现在成长很快”。。。这种表述都是用一种拟人的形象代表一大堆东西。这种思维就还是研究一个东西。
如果要深入内部研究一堆东西,我们又习惯于把这一堆东西的运行机制归结到一个人身上。比如“领导干部要起带头作用”、“榜样的力量是无穷的”。说到底都是想让一个人带动一堆东西,这个仍然是一个东西的思维。
那如果出了问题,原因通常也只有一个,而且通常是因为有坏人。公司业绩不行,肯定是CEO有问题,长平之战失败,那是因为主将赵括纸上谈兵。这种把什么事情都归结到一个东西的思维叫做线性思维。不是说线性思维不好,实际上线性思维大部分是好使的,古人基本就是靠这种思维能力解决问题。但真实世界并不是只有这种思考范式,事实上,真实世界通常不是这样的。
比如,让你管理一个自然保护区,你要怎么做才能把它越做越强呢?保护区里面各种动物都有,你不可能把这些东西当做一个东西处理。例如老虎多了,草食动物就会减少。如果老虎少了,草食动物就可能大量繁殖甚至泛滥。你这个时候如果用线性思维就解决不了问题,你必须用系统思维。
首先你得把保护区看做一个系统,而不是一个东西。所谓系统,关键不在于它是一堆东西的集合,而是这些东西之间存在强烈的关联。你把其中任何一个东西弄的再明白也没用,你得理清楚他们之间的关系才能最终解决系统问题。
简单的说线性思维思考的是一个点,系统思维是考虑很多不同的点,同时考虑这些点之间的关系。
系统思维不属于任何一个学科,不是物理学、不是数学、不是哲学也不是管理学。系统可以是一个生态系统,一个公司,一个学校,一个经济体,或者是你自己的一堆工作。这些系统看起来都不相同,但是内部的互动关系有一些共同特征。系统思维会从这些内部关系中寻找反馈回路。如果你关注系统中某个量的库存,那么正反馈会让这个库存不断增加或减少,而负反馈回路会让这个库存维持在一个稳定的水平上。
比如说赚钱,你的库存钱越多,你就可以用更多的钱去投资,你投资产生的利润就越多,利润越多,你的钱就会进一步增多,这样投资-赚钱-投资就构成一个正反馈回路。反过来,钱越多,你交的税也越多,这样导致你攒钱的速度就会变慢,政府用收的税补贴穷人,使贫富差距不在至于太大,系统能持续的运转下去。
其实反馈思维古代也有,例如古人知道土地兼并导致富者越富贫者越贫。但是因为缺少系统思维,古人通常会把富人视为坏人,认为要解决问题就是解决富人,这个就不是系统思维了。真正的系统思维不仅要考虑穷人和富人,还要考虑系统中的土地、商品、资源、就业、环境等等一系列元素和他们之间的关系。
随着现代社会演化越来越复杂,已经超越了古代那种简单的协作关系。因此系统思维是我们必须掌握的一个思维范式。首先你的明白很多系统出了问题,不是因为某个东西坏了,而是东西和东西之间的关系没有理顺。这个时候解决问题就不能单纯的解决某个环节的问题,而是找到反馈回路,反馈回路是系统思维的关键。特别是负反馈回路,它能维持系统的稳定运行,如果一个系统发生了衰败,你应该首先考察是不是有一个负反馈回路。
掌握了系统思维你会遏制住自己想让一个系统变成一个东西的惯性思维。你会意识到好的系统并不是整齐划一的,最好的系统应该是充满活力,各个部分有自组织能力,整个组织有演化和抗打击的能力,是去中心化的,而且各个部分最终会保持某种平衡。
技术进步和程序员的黄昏
上个月了解了一些最近比较新的技术,例如深度学习和新一代微服务ServiceMesh。这半年转岗业务团队参考别人的SAAS设计,我自己也设计了一版SAAS化的消息中台。虽然最后没有被采纳,但是也改变了我以前对技术的一贯看法。对技术我以前是有着狂热的激情,不管工作中有没有实际用到,反正只要身边的人有人学了我不会的新技术,我都会去讨教利用空闲时间去学习,虽然掌握都不深,但是每学会一个新东西我都会感觉很满足。在我以前的世界里,是技术主导一切,最近这些天我还就真正好好反省了一下,以前的一些观念或许错了。
以前总觉得业务没有含量,一门心思研究技术,想做点有技术含量的事情,因此这些年工作基本集中在基础框架中间件和大数据相关领域。这段时间转岗业务团队,发现自己空有一身技术,有时和产品聊需求和开发聊业务很多业务术语不知道。特别是最近这一年多深入了解容器云和DevOps,越来越觉得走纯技术路线会越来越窄。像中间件这些活会越来越成为专业精英的特权,很多像我这样的会掉下阵来。
早期我就很羡慕那些运维人员,脚本语句和很多运维工具玩的很熟。但是随着云计算的出现,这会让以前会玩那么多工具的运维人员被淘汰,只需要少量的运维人员就能保障公司需求了。以前学的一切都没有任何意义了,也就是新技术不仅淘汰了一批人,还淘汰了一批旧技术。如果稍微学习速度慢一点,运维人员就真的可能失业。能参与到云计算领域研发的人少之又少,大部分人只能利用云计算平台做一些日常运维,以后的运维人员会和今天的打字员没有任何区别。
SaaS的进一步发展也会淘汰很多程序员。以前传统行业如果要做互联网+,就得组建自己的互联网研发团队。有了SaaS服务之后,这些公司就可以不用组建IT团队了,只需要一些日常的运营人员就可以满足公司的日常需求。当厉害的软件公司从卖单机软件到转向SAAS服务,从提供平台到提供基于平台的SAAS服务,自建研发团队已经没有多少空间了。
IT技术的发展让分工越来越细,关于这方面我是有明显的感受。以前开发哪里分前端后端,基本都是全栈工程师。为了提高开发效率,现在的前后端分离让人越来越细化,越来越需要将技术专家和项目管理分开设岗,CTO也从超级程序员变得越来越偏向超级项管。
以后大部分技术人员会转向业务领域,用技术实现业务。能深度参与到纯技术领域的会越来越少。从AI领域这种趋势看的特别明显,现在能小学生都会写模型。如果你深入了解AI背后的数学原理,你会发现AI还是有很高的门槛,入门容易深入难。随着深度学习算法的类库发展,这些类库掩盖了内部的复杂性。现在基本一个小学生就可以利用模型构建工具设计出可用的二分类模型,根本不用关心模型背后的原理。只有极少数的专家,能深入模型最深处,用数值分析和理论证明给出严谨的回答,为什么参数这样设置更合理?大部分人达不到这种程度,只能利用这些少数专家开发的模型,结合业务实践调调模型参数。但是随着AI的发展,以后估计调参都不要人去干预了,机器自己就能干。最近也听到一些搞机器学习算法的人抱怨职业瓶颈了,虽然目前AI薪资还可以,但是这碗饭也难端,背后也有不为人知的难处。
未来互联网+会成为标配,但对程序员的岗位需求却会大幅下降。程序员会越来越只给精英们机会,它将再也不是草根求得高薪的宝地。市场不再需要码农,这是程序员的黄昏,也是程序员的新生 —— 成为技术专家,要么成为有技术基因的商业复合性人才。
荒野猎人
什么是人文?人,即万物之灵;文,即纹。得天地灵犀的人创造出来、记录下来的“纹”——文化之中值得传之于子孙后代的东西,才叫人文。它首先是来自于内心世界进化出来的万物与我平等的尊严、悲天悯人的胸襟、独立于世的人格,来自于思想上无畏的自由探索,来自于对现实客观存在的质疑与反思。好的电影一定具有悲天悯人的人文情怀,小李主演的荒野猎人就是一部反映人类生存欲望和意志表达的人文佳作。得到奥斯卡影帝是实至名归,不仅包含对电影本身的肯定,也包含对小李演技的肯定。据说这部电影全部是实景拍摄,条件相当艰苦,片中很多时候都没有台词,全靠小李的面部表情和肢体动作来表达。
故事发生在1820年的落基山脉,根据历史上的真人真事改编的而成,一个运送皮草的猎人商队在树林休息时,突然遭到印第安雷族人的袭击。一场厮杀之后,只有少数人带着皮草乘船逃走了,就算这样也是不安全的。由小李子饰演的格拉斯是一个经验丰富的猎人,对这一带的地形非常熟悉,因为他曾经在当地部族生活过。因此为了货物和人员的安全,他向队长提议弃船改走山路,以避开雷族人的继续追击。剧中的反面人物杰拉斯处处针对格拉斯,说他和一个印第安的波尼族女人好上了,还生下一个儿子。对于这种小人,格拉斯不肖一顾,为了自己的儿子能活下去,他严厉训诫儿子要隐忍。
进入森林后的格拉斯在前面探路,结果一不小心闯入了大灰熊的领地,被大灰熊出其不意的扑倒在地。面对大灰熊的撕咬和拖拽,格拉斯的反抗显得格外无力,经过一番打斗格拉斯最终杀死了大灰熊,同时自己也受了重伤奄奄一息。正在这个时候商队赶到,救下了他,经过队医的简单包扎和处理之后,格拉斯才稍微好了一些。但是由于伤势太重,能活下来的机会很小了,也不能跟着商队继续前进。看着痛苦的格拉斯,队长本想着结束他的痛苦,但是在格拉斯儿子的哀求下,最终还是决定以公司的名义,用重金雇佣三个愿意留下来陪格拉斯体面度过最后时光的人,其中有格拉斯的儿子,小伙子吉姆,还有大反派杰拉斯。杰拉斯本来不想留下,但是为了获得300美元的赏金于是决定留下。其实杰拉斯早想置格拉斯于死地,不想为了一个快要死的人干耗着。为了快速拿到赏金,杰拉斯决定杀死格拉斯尽快离开这里。不巧的是这一幕让格拉斯的儿子撞见,他大声呼喊去打水的吉姆。杰拉德一不做二不休杀死了格拉斯的儿子霍克,又对打水回来的吉姆说雷族的人追了上来,霍克丢下他父亲跑了,吉姆这时也跟着杰拉斯跑了。格拉斯眼睁睁看着儿子被杀死而自己不能动弹,脖子由于被大灰熊抓伤,话也说不出来。但是仇恨让他重新振作起来,他要活下来为儿子报仇,于是一场残酷的荒野求生开始了。最终格拉斯凭借着坚强的意志从杰拉德给他挖的坟墓中爬了出来,并为儿子报了仇。
整部影片有两个主线贯穿其中,一个是生存,一个是复仇。特别是电影中长镜头的运用把荒野的苍茫和荒凉尽显眼前,给观众以美的感官体验和强烈的心灵震撼,在雄浑无尽的自然中,人只是渺小生物的一种,人类所谓的善恶美丑在纯净透明、白雪皑皑的荒野中无处遁形。
《圣经》中亚当和夏娃因偷吃禁果从而开启了人类文明化的进程。在西方基督教的观念里面人是生而有罪,需要用一生向上帝来赎罪,等待上帝的拯救。但是支撑主人公活下去的信念不是上帝的拯救,而是所谓“野蛮人”波尼族妻子的话——“人只要一息尚存,就不得不战”,讽刺的是逃亡途中一个“野蛮的”波尼族人拯救了格拉斯,却被自语为文明人的另一只白人商队吊死在树上,还被挂上了“我是野蛮人”的牌子。
在文明与野蛮的对话中,基督教传授的所谓救赎善恶并没有在没有文明开化的野蛮人面前占领任何的道德制高点,反而是野蛮人的美与爱拯救了格拉斯。
在影片中反派杰拉德有一句台词“我父亲从来不信上帝,我也不信上帝,上帝在哪里?”某种程度上这也是对上帝对基督教文明的一种解构。西方文明在经历了文艺复兴和思想启蒙运动后,人的理性逐渐替代了神性,人们逐渐放弃了对神的精神诉求,直到“上帝已死”。上帝的远遁给了人本主义思想极大的拓展空间,人们可以通过财富和知识来提升自我,但不能从根本上改变人类悲剧的处境。就像现代西方的种族歧视和阶层撕裂,在这部影片里面做了很好的注解。
20世纪的欧洲经历了两次世界大战,面对着残破凋敝的文明,尸横遍野的惨状,基督教无力为人的精神和灵魂提供慰籍,现代西方人陷入既要信仰又不能信仰、既不能信仰又不能不信仰的困境。这个危机时代激发了神学家彻底批判、彻底超越的勇气。他们重返基督教传统,复活和重释启示主义传统中某些潜在的因素。
20世纪中前期启示主义思潮找到的不是引导人道德完善的楼梯扶手而是警示人有限存在的钟声,这钟声就是救赎。到影片的最后,当格拉斯和杰拉德展开复仇大战,杰拉德说“你费尽心机找我复仇,可是你的儿子已经死了,再也回不来了”,格拉斯停下了挥舞的拳头,说:“复仇之剑不在我手,在上帝”,把杰拉德扔到水里,让河对岸的印第安人杀死了。
“复仇之剑不在我手,在上帝”是劝诫人类在被仇恨蒙蔽双眼时,要选择放弃仇念,交由上帝来审判。美国的西进运动导致了大规模的印第安人死亡,白人对印第安人犯了不可饶恕的罪行。作为对这段历史的反思,格拉斯把对印第安犯有罪行的杰拉斯扔给河对岸的印第安人处理,自己也交给印第安人处理,最终由于自己拯救过这个部落首领的女儿而免于一死。作为受害者象征着审判角色的印第安人并没有选择宽恕杰拉斯,而是杀死了他,仅仅是宽恕了有恩于部落的格拉斯。
虽然影片反应的美国西进运动中文明冲突,但是从影片中我们还能看到很多人类文明早期的影子。不管是农业文明还是商业文明,都是从採猎文明发展而来。原先地球上有很多“直立人”猿人,伴随着非洲智人全球化的大迁徙,最后世界上所有的直立人都灭绝了。这在影片中猎人商队与印第安部族的冲突中可见一斑。智人本可以和直立人友好相处下去,最终的结果却是直立人灭绝。就像格拉斯本可以装死躲过大灰熊的,但是偏偏要拿起猎枪和大灰熊同归于尽。大灰熊杀人不是它想杀人,只是它本能会把侵占它领地的所有有威胁的生物杀死。就像剧中的印第安部族为了捍卫自己的领地,对抢夺自己生存资源的猎人商队展开了厮杀。如果不是杰拉斯的举动激起主人公强烈的求生欲望,格拉斯可能就真的和大灰熊同归于尽了。或许人类文明能延续至今也是源于强烈的求生欲望,通过血腥和暴力在文明冲突中走到今天。
在新的21世纪人类同样面临着文明冲突和种族撕裂,西方社会进入了新一轮的阶层撕裂。影片以基督教文明与印第安文明的碰撞为线索,主人公格拉斯完成了自我的救赎,救赎不来自上帝,来自人的内心。如果人类要避免血腥和暴力的悲剧,或许应该和格拉斯的行为一样,不应该分文明和野蛮,而是文明和野蛮和谐共处。这或许是作者的劝谏,救赎之道在人们的内心也在善意的选择。
我为什么看好新一代微服务ServiceMesh
前言
前段时间前老大发了一篇文章说不看好servicemesh,我个人不是很赞同这个观点。哲学上有句话说不是我们的认知能力要如实的反映认知对象,而是认知对象要符合我们的认知能力。观点的不同取决于你看问题的视角,没有孰是孰非。来公司也有一年多快两年时间了,过去一直在做微服务体系架构方面的工作。微服务也是近几年兴起的一门新技术,我首次接触微服务还是在携程的时候。2014年微服务处于萌芽期,2015年成为热点,2016年基本普及了。现在传统企业慢慢转向微服务技术栈也是大势所趋,直到最近2017年初出现了对微服务的反思,从而产生了新一代微服务技术ServiceMesh。今天就从个人视角聊聊ServiceMesh的产品思路究竟有何可取之处。谈一件事仅从一个孤立的事件是没法说清问题的,得通过趋势放大时间维度才能看清。
正文
什么是ServiceMesh
这是一个新词最早由开发Linkerd的Buoyant公司提出,2016年9月第一次公开使用这个术语。在2017年初的随着Linkerd的传入,ServiceMesh才开始进入国内技术圈的视野,最早被翻译为“服务啮合层”,由于比较拗口之后改成了“服务网格”。
那到底什么是ServiceMesh呢?Linkerd的CEO William是这样定义的:
服务网格是一个基础设施层,功能在于处理服务间通信,职责是负责实现请求的可靠传递。在实践中,服务网格通常实现为轻量级网络代理,通常与应用程序部署在一起,但是对应用程序透明。
单纯的文字太抽象,还是通过下图来说明一下:
从上图的部署模型上看,对于单个请求而言,作为请求发起者的客户端实例会首先采用简单方式将请求发送到本地的ServiceMesh实例上,客户端应用实例和ServiceMesh实例是两个独立的进程,他们之间的调用是远程调用。ServiceMesh会把客户端请求路由到目标服务,这时的ServiceMesh承担着服务发现和负载均衡的角色,就像一个边车sidecar。我们来看它和传统微服务调用有什么不同?
初看ServiceMesh好像就是在客户端和服务端之间多加了层代理而已,也不是什么新的东西。这是仅从单个服务之间调用的视角看,如果从多个服务调用视角看:
多个服务调用的情况,从上图我们可以看到ServiceMesh在所有服务的下面,这一层被称为服务间通讯专用基础设施层。ServiceMesh会接管整个网络,把所有请求在服务之间做转发。这样上面的服务就不在担负传递请求的具体逻辑了,只专注完成业务逻辑,服务之间的通讯环节就从应用层剥离出来,呈现一个抽象层。如果有大量的服务,就会表现出如下所示的网格来,这时候代理体现出来就和前面的有点不一样了,而是形成一个网状结构。
总结一下,服务网格实际上是抽象出了一个基础设施层,独立于应用之外,所提供的功能就是实现请求的可靠路由,部署上体现为轻量级的网络代理,并对应用是透明的。
ServiceMesh的演化过程
在第一代网络计算机系统时代,那时的程序猿需要在自己的代码中处理网络通讯的细节问题,例如数据包顺序,流控等等,导致网络逻辑和业务逻辑混杂在一起。后来为了改进这一问题才出现了TCP/IP技术,解决了流控和数据包顺序问题,从下图可以看出,网络最重要的流控逻辑已经从应用逻辑中剥离开了,剥离出来的东西成了操作系统网络层的一部分。
自从有了TCP/IP技术,写代码再也不用考虑网卡怎么发了,这件事大概发生在五十多年前。虽然不用考虑网卡数据包相关的问题了,但是随着服务数的增多,所面临的挑战也很多,比如服务注册、服务发现、负载均衡等等,这些问题都需要考虑。
如上图所示,左边的是微服务时代第一版处理问题的方式,业务逻辑和熔断限流服务注册与发现等非业务逻辑混杂在一起。为了简化开发,人们开始把这些和业务无关的逻辑封装成类库,比如典型的Netflix OSS套件。这样开发人员只需要写少量的代码或注解,就能实现这些功能,极大缓解了程序猿们的业务压力。
但是凡事有利有弊,这样虽然解决了一部分问题,同时也会带来新的问题。Netflix把每个通用的功能封装成一个个基础套件形成了一系列产品,比如像eureka、hystrix、feign、archiaus以及ribbon等等。开发人员是不需要开发非业务相关的代码了,也要花费相当的时间熟悉其中的原理,否则一旦出现问题就没法解决了。对业务团队的人来说,擅长的往往是对业务的理解而不是技术,实现业务是业务开发人员的核心价值,微服务是手段而不是目标。业务开发人员花相当多的精力学习这些和业务无关的框架是得不偿失的。相反比学习微服务框架更大的挑战是微服务拆分、API设计、数据一致性、康威定律。
微服务时代面临最大的挑战就是服务治理,特别是现在是一个云原生的时代,服务治理就显得尤其关键。但是Netflix OSS套件提供的服务治理功能十分粗糙不够强大。下图列举了一些服务治理常用的功能列表:
封装成类库带来的另一个问题就是跨语言。微服务在刚开始面世时就承诺了一个很重要的特性:不同微服务可以采用最适合的语言来编写,也就是微服务之间能实现跨语言的调用。如果是用类库的方式来实现,意味着所有的语言你都得实现一遍,提供不同语言的类库版本,要考虑各个语言之间的类型转换等等。还有类库版本兼容问题都要考虑,更加严峻的现实是类库版本升级将是灾难。
因此基于以上这些情况,我们可以反思一下微服务的问题到底出在哪里?
1.上面我们都在谈问题和挑战,好像没有说服务本身。问题的根源就是要解决服务通讯和路由,这才是微服务框架需要解决的问题。
2.上面所有的努力都是为了将客户端请求路由到正确的地方,比如有版本差异,需不需要做负载均衡,要不要做灰度,最终这些考虑都是为了将请求发送到正确的目的地址。
3.服务之间的调用请求,这个请求本身在传递过程中不会发生更改,而且这个请求能被不同的语言框架识别。
类比以前的TCP/IP协议栈技术,它要解决的问题将请求发送到正确的地方。有了TCP/IP技术,应用开发就不用关心TCP层下的链路实现了。因此为什么现在开发微服务应用时要这么关心服务的通讯层呢?这种情况下自然产生一个想法,是否可以把微服务和通讯相关的下层为网络栈协议,也就是理想状态就是在网络协议层中添加一个微服务应用层来完成整个事情。虽然现在因为标准问题,实现起来不现实,但是不排除未来会出现一个微服务网络层。目前主流的实现方案都是在代理的基础上添加完善的治理功能,做成一个区别于原有代理功能的通用组件,这时强调的是由SideCar构成的网络,也就是由所谓数据平面和控制平面共同构成的ServiceMesh解决方案。目前开源社区里最热门的ServiceMesh产品是Istio。
结束语
到此就介绍完ServiceMesh的演进过程了,虽然目前ServiceMesh方兴未艾,各个开源产品都在持续迭代中,同时也有不少质疑的声音,例如我的前老大,但是我还是非常看好ServiceMesh的发展前景。通过技术栈的下移,确实解决了不少问题。开发人员有了ServiceMesh以后,不用关注那么多插件的使用方式和原理了,只需关注应用本身的业务逻辑,ServiceMesh会把治理功能做强做大,它会解决跨语言跨协议的调用,ServiceMesh如果要升级对应用都是透明无感知的。有了ServiceMesh以后,客户端和服务端都极其简化,客户端只需要向ServiceMesh发出请求即可,会少很多类库依赖,这样减少了jar包冲突的风险,而服务端只要做一件事件就是服务注册。
ServiceMesh不仅方便了开发人员,对运维管理也将是革命性的变化。如果有了ServiceMesh的治理功能,运维对系统的管理和控制力也会空前强大,很多运维工作都可以通过可视化的控制平面完成。
ServiceMesh解决跨语言的问题,给许多新兴小众语言也带来利好。对于语言选择来说,最重要的就是生态,由于java语言生态丰富,有很多完善的类库和框架,导致开发java应用会非常快速便捷。因此现在市场上java程序员机会就比其它的多,像我这种原先鄙视java的都不得不从c++转到java上来。有了ServiceMesh以后,小众语言就可以避开这个弊端,不必和java比拼生态,而是发挥各自语言的优势。
最后放一张Istio的架构图结束全文,让我们全面拥抱新一代微服务ServiceMesh!
人生如戏,戏如人生
本月11月3日,香港著名演员蓝洁瑛被发现死在自己的公寓里,相比她曾经靓绝五台山的辉煌过去,和她去世时的凄凉形成了鲜明反差,网络上许多网友不约而同的发出了红颜薄命的感叹。关于她演的电视剧和电影,我印象比较深的就是《大时代》和《大话西游》。她人生最后阶段竟如大时代她所饰演的玲姐一样让人觉得悲伤和凄凉。2018年去世了不少知名的人物,像李咏、金庸、单田方、李敖等,这些人物在人生最后阶段都是比较幸福的,正应了一句话幸福的人都是相似的,不幸的人各有各的不幸。
1963年,蓝洁瑛出生在一个普通的香港家庭,由于父亲重男轻女,在她年幼的时候,她的亲生父亲抛弃了他们母女,为了生存她母亲带着她改嫁,可惜继父是个有暴力倾向的人,经常打骂幼年的她,说她是拖油瓶。在这种环境下长大的蓝洁瑛,也养成了她比较倔强的性格,她渴望被人爱。或许凄惨的童年给她以后的人生定下了基调,若是没有走进娱乐圈,走其它不靠美色谋生的道路,或许人生又会是别的模样。
1983年,年仅20岁的蓝洁瑛陪同好友去报考无线培训班,不巧的是那天好友有事去不了,她去了而且被选中,成了无线电视艺员训练班的第12期学员。同批的学员都是当今的大腕,例如刘嘉玲、吴君如和刘青云。最初无线高层也十分看好她,让她做主持人和演电视剧。可惜她固执的性格,阻断了她成名路。进入无线后,当时她正当红,公司想和她续约,结果她拒绝了,导致无线高层震怒把她雪藏了。身在娱乐圈的她,要谋生却不懂低头屈服于潜规则,遇到不喜欢的人和事也不懂变通。奈何蓝洁瑛市场呼声太高,雪藏复出拍戏的她还是不懂得低头,而这时的香港娱乐圈也是新人辈出,她的名气也大不如前了。
事业上蓝洁瑛不算成功,情场上也一波三折。她经历了2任男友,第一任是邓姓乡绅的儿子,热恋中的他却忽然开煤气自杀了。第二任是当时香港当红DJ钟保罗,可惜钟好赌,而且赌的都挺大的,赚的钱都不够还债的,蓝洁瑛也帮着一起还债,债务快还清的时候,钟却选择跳楼自杀了。这前后不到3年的时间,2任男友接连离去,给她的心理留下了挥之不去的阴影。
在1990年,媒体上爆料说:蓝洁瑛患有精神病遭到公司的雪藏。随着时间流逝,事实真相也浮出水面,原来她是遭遇到了香港娱乐大佬的性侵,这些遭遇给她留下了无法愈合的心理创伤,从而导致了她精神失常。当年刘嘉玲事件也闹得沸沸扬扬,刘嘉玲选择了勇敢走出来,而她选择了沉默没有报警。对于香港娱乐圈的黑暗,这位绝代风华的美人遭遇的不公和一生的痛楚,但凡有点同情心的都会随之动容。性侵事件遭媒体曝光后,不断有圈内人士向媒体爆料说蓝洁瑛的人品有问题。到如今,真相还未大白,斯人已离我们而去。。。。
蓝洁瑛长的那么美,在这个新的时代理应过得很好,她的人生本该是明朗顺遂,无奈前路却是一连串的暴风雪。在事业如日中天时,突然精神失常从此落寂和消沉,流浪街头,疾病缠身无人问,被媒体嘲讽为疯婆子。她这些年的境遇竟然在她饰演的《大时代》中的玲姐得到了很好的诠释。《大时代》是难得的对香港弱肉强食的资本社会控诉和质疑的电视剧,而在剧中承担控诉和质疑使命的,恰恰是一直被损害被逼迫,但也一直没有投降的玲姐。玲姐有个凄美的结局,在飞扬的像雪一样的泡沫粒子中,在和丁蟹完成了一番厮打之后,神智恢复了正常的她艰难的找到自己那枚20块钱的戒指,然后丢掉丁蟹的绿宝石戒指,用尽最后一丝力气把这枚象征着她一生为数不多的温暖时刻的戒指戴到手指上,然后面带微笑的死去,这时的背景音乐是王菲的《容易受伤的女人》,音乐加上剧情很奇异的产生了巨大的宿命感。
香港我今年5月份去过,实地体验了香港社会的氛围。在香港近百年的殖民统治,形成了香港人顺从的奴性,特别是越底层我的感受越明显。在高效而傲慢运转着的香港资本社会,依然源源不断地产出着因为三从四德、懂事隐忍成为豪门阔太的夸张故事,「不配合」和「不顺从」常常成为触发命运走向的那个关键开关。蓝洁瑛的「不顺从」成为这种隐秘逻辑的最佳反例,成为教育后来人的那个活灵活现的「下场」。香港媒体热衷记录蓝洁瑛的窘迫,不管是臃肿的身材,涣散的眼神,廉价的人字拖,灰白杂乱的头发,还是当众的精神失常,鬼鬼神神的言语,都是这「下场」的一部分。人们对蓝洁瑛的窥伺隐含了长久以来笑贫不笑娼的残忍逻辑,也满足了大多数人「只要有人比我过得更惨,我就不觉得自己的日子过得多差」的冷酷现实。
「玲姐」比蓝洁瑛幸运的是,在生命的尽头处,她拿出剪刀、西餐刀,抢过冲上来的警察的枪,不顾一切地冲向丁蟹,冲向这个制造了自己一生噩梦的男人,也冲向从不肯怜悯她、从没给过她一丝善意的命运,她决心不再忍受,一定要彻底地反抗、彻底地报复。很可惜,这样孤注一掷的痛快,没有出现在蓝洁瑛的生命中。
稍稍解脱和幸运的是,所有爱她、疼惜她的人唯一可以拿来自我安慰的是,这大约是蓝洁瑛最后一次上热搜和头条了,被围观,被窥伺,被损害,大概都是最后一次了。
浅谈深度学习
前言
研究生学的是数据挖掘,搞过一段时间的BP神经网络,当年为了发表论文,硬着头皮推导了三个月的梯度下降算法才从数学原理上搞明白,后来还用c语言实现了一版。也正是因为这段痛苦的经历,后面放弃继续深入研究下去。最近这几年随着TensorFlow热门起来,机器学习发展到深度学习,人工智能越来越热门了,现在不了解点人工智能的东西都不好意思说在IT界混了。当年学习机器学习时,深度学习还没有出来。最近我也一直断断续续的在学习这块内容,这期就简单聊一下深度学习,去掉复杂繁琐的数学公式推导,让大家对深度学习有个基本概念。
正文
20世纪80年代末期,人工神经网络的反向传播算法(也叫Back Propagation算法或者BP算法)的发明,给机器学习带来了希望,掀起了基于统计模型的机器学习热潮。一个基本的神经网络模型如下图所示:
上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接。可以看到,神经元被分了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接。最左边的是输入层,负责接收输入数据。最右边是输出层,负责输出最终结果。输入层和输出层之间的层叫做隐藏层。
隐藏层大于2层的神经网络叫做深度神经网络,而深度学习就是使用深层架构(比如,深度神经网络)的机器学习方法。深层网络和浅层网络相比,深层网络表达力更强。事实上,一个仅有一个隐藏层的神经网络能拟合任何一个函数,但是有一个缺点就是浅层网络需要更多的神经元。而深层网络可以用少的多的神经元拟合同样的函数,不过深层网络也有缺点,就是它不太容易训练收敛。简单的说,就是训练好一个深层神经网络往往需要大量的数据和技巧。
从上图中可以看到,构成神经网络的基本单位就是一个个神经元,那什么是神经元呢?神经元也叫感知器,在上个世纪50-70年代很流行,也解决过很多实际的问题,并且感知器的算法也很简单,请看下图:
可以看到,一个感知器有如下组成部分:
了解了神经网络的结构,那么如何训练神经网络呢?训练神经网络实际上就是参数W取什么值最优。一般来说,根据训练样本的不同可以分为两类机器学习方法。
- 监督学习:这种训练方法要求提供的训练样本既要包含输入特征X,也要包含对应的输出Y。比如我们知道一些人的工作年限,工作职级,所在行业,也知道他们对应的收入。我们就可以用这样的样本去训练模型,让模型既看到我们提出的问题(输入特征x),也看到对应问题的答案(标记y)。当模型看到足够多的样本后,它就能总结出其中的规律,然后就可以预测那些它没有看过的输入所对应的答案了。
- 无监督学习:这种训练方法要求提供的样本可以只有x没有y。模型可以总结出特征x的一些规律,但是无法知道其对应的答案。这种方法一般用在聚类分析上,比如语音识别领域,先让模型总结出那些音节是相似的,然后再用少量带有标注的训练样本,告诉模型其中一些音节对应的文字,这样模型就能把相似音节都对应到相应文字上,从而完成模型的训练。
先只考虑监督学习,在监督学习下,对于一个样本,我们知道它的特征x,以及标记y。同时,我们还可以根据模型h(x)计算得到输出y’。注意这里面我们用表示训练样本里面的标记,也就是实际值;用带上’的表示模型计算的出来的预测值。模型计算出来的预测值和实际值越接近越好。最后问题就演变成求所有单个样本误差总和函数的最小值,如果能找到一组W能满足这个目标,那就是模型的最终结果。
大学时我们学过怎样求函数的极值。函数的极值点,就是它的导数的那个点。因此我们可以通过解方程(所有单个样本误差总和函数),求得函数的极值点。不过对于计算机来说,它可不会解方程。但是它可以凭借强大的计算能力,一步一步的去把函数的极值点『试』出来。如下图所示:
首先随便选择一个点开始,比如上图x0的点。接下来,每次迭代修改x的为x1,x2,x3,…,经过数次迭代后最终达到函数最小值点。现在的问题关键是如何修改x,保证能往函数最小值那个方向前进?这里就用上大学学到的梯度概念了,翻开大学高数课的课本,我们会发现梯度是一个向量,它指向函数值上升最快的方向。显然,梯度的反方向当然就是函数值下降最快的方向了。我们每次沿着梯度相反方向去修改的值,当然就能走到函数的最小值附近。之所以是最小值附近而不是最小值那个点,是因为我们每次移动的步长不会那么恰到好处,有可能最后一次迭代走远了越过了最小值那个点。步长的选择是门手艺,如果选择小了,那么就会迭代很多轮才能走到最小值附近;如果选择大了,那可能就会越过最小值很远,收敛不到一个好的点上。
现在,我们需要知道一个神经网络的每个连接上的权值是如何得到的。我们可以说神经网络是一个模型,那么这些权值就是模型的参数,也就是模型要学习的东西。然而,一个神经网络的连接方式、网络的层数、每层的节点数这些参数,则不是学习出来的,而是人为事先设置的。对于这些人为设置的参数,我们称之为超参数(Hyper-Parameters)。这些超参数的不同,则对应不同的模型,下面介绍几种常见的网络模型:
全连接神经网络
这种网络在使用反向传播算法进行梯度计算时,可能导致梯度消失的问题。不太适合图形识别这样的应用领域,原因主要是以下几个:
- 参数数量太多 :可以考虑输入1000*1000像素的图片,输入层得有1000x1000=100万节点。如果只有一个100个节点的隐藏层,那么隐藏层就需要(1000x1000+1)x100 = 1亿参数,这实在太大了,因此扩展性非常差。
- 没有利用像素之间的位置信息 :对于图像识别任务来说,每个像素和其周围像素的联系是比较紧密的,和离得较远的像素联系可能就小的多。如果一个神经元和上一层所有的神经元相连,那么就相当于对于一个像素来说,把图像的所有像素都同等对待了,这不符合前面的要求。每次学习完连接权重后,最终可能发现很多权重的值很小,努力学习不重要的权重,这样的学习效率非常低。
- 网络层数限制 :网络层数越多其表达能力越强,同时通过梯度下降算法达到权重收敛的难度也会越来越大,因为全连接神经网络的梯度很难传递超过3层。
卷积神经网络
由于全连接网络的诸多缺点,后来的计算机科学家想了很多办法解决这些问题,归纳下来主要有三个思路:
- 局部连接 : 每个神经元不再和上一层的所有神经元相连,只和一部分神经元相连,这样就减少了很多参数。
- 权值共享 :一组连接可以共享同一权重,而不是每个连接都有不同权重,这样也减少了很多参数。
- 下采样 :使用Pooling(取最大值,最小值,平均值)来减少每层的样本数,进一步减少参数数量,同时还可以提升模型的鲁棒性。
下图就是一个典型的卷积神经网络:
一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络,它的常用架构模式为N个卷积层叠加,然后(可选)叠加一个Pooling层,重复这个结构M次,最后叠加K个全连接层。
从图中可以发现卷积神经网络的层结构和全连接神经网络的层结构有很大不同。全连接神经网络每层的神经元是按照一维排列的,也就是排成一条线的样子;而卷积神经网络每层的神经元是按照三维排列的,也就是排成一个长方体的样子,有宽度、高度和深度。
对于图中展示的神经网络,我们看到输入层的宽度和高度对应于输入图像的宽度和高度,而它的深度为1。接着,第一个卷积层对这幅图像进行了卷积操作,得到了三个Feature Map。这里的”3”可能是让很多初学者迷惑的地方,实际上,就是这个卷积层包含三个Filter,也就是三套参数,每个Filter都可以把原始输入图像卷积得到一个Feature Map,三个Filter就可以得到三个Feature Map。至于一个卷积层可以有多少个Filter,那是可以自由设定的。也就是说,卷积层的Filter个数也是一个超参数。我们可以把Feature Map可以看做是通过卷积变换提取到的图像特征,三个Filter就对原始图像提取出三组不同的特征,也就是得到了三个Feature Map,也称做三个通道(channel)。
继续观察图,在第一个卷积层之后,Pooling层对三个Feature Map做了下采样(后面我们会讲如何计算下采样),得到了三个更小的Feature Map。接着,是第二个卷积层,它有5个Filter。每个Fitler都把前面下采样之后的3个Feature Map卷积在一起,得到一个新的Feature Map。这样,5个Filter就得到了5个Feature Map。接着,是第二个Pooling,继续对5个Feature Map进行下采样,得到了5个更小的Feature Map。
下图就是很形象的展示了这一计算过程:
循环神经网络
通过介绍前面两种模型,可以发现不管哪种模型都往往只能解决某一类问题,不能解决所有问题,这也是很多深度学习门外汉不了解的。前面两种网络模型,他们都只能单独的去处理一个个的输入,前一个输入和后一个输入完全没有关系。但是实际上往往有些任务之间是有关系的,比如当我们在理解一句话意思时,孤立的理解这句话的每个词是不够的,有时需要处理这些词连接起来的整个序列;当我们处理视频的时候,也不能只单独的去分析每一帧,而要分析这些帧连接起来的整个序列。这时就需要用到深度学习领域中另一类非常重要神经网络:循环神经网络(Recurrent Neural Network)。RNN种类很多,也比较绕脑子。
下图是一个简单的循环神经网络如,它由输入层、一个隐藏层和一个输出层组成:
循环神经网络比较抽象,难以图示表达。单纯从上图看,如果去掉W哪个带箭头的圈,它就变成一个普通的全连接神经网络了。那多出来的W是什么呢?循环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x,还取决于上一次隐藏层的值s。权重矩阵W就是隐藏层上一次的值作为这一次的输入权重。
如果我们把上面的图展开,循环神经网络也可以画成下面这个样子:
现在看上去就比较清楚了,这个网络在t时刻接收到输入Xt之后,隐藏层的值是St,输出值是Ot。关键一点是,St的值不仅仅取决于Xt,还取决于上一时刻的St-1。
对于语言模型来说,很多时候不仅要看前面的输入,也要看后面的输入,比如下面这句话:
我的手机坏了,我打算____一部新手机。
如果我们只看横线前面的词,手机坏了,那么是打算修一修?或是换一部新的?还是大哭一场?这些都是无法确定的。但如果看到了横线后面的词是『一部新手机』,那么,横线上的词填『买』的概率就大得多了。
上图中的基本循环神经网络是无法对这种情况进行建模的,这时就需要另外一种双向循环神经网络模型了,如下图所示:
循环神经网络在训练中很容易发生梯度爆炸和梯度消失,这导致训练时梯度不能在较长序列中一直传递下去,从而使得模型无法捕捉到长距离的影响。为了解决这些问题,后来科学家发明了一种改进型的循环神经网络:长短时记忆网络(Long Short Term Memory Network, LSTM),它成功的解决了原始循环神经网络的缺陷,成为当前最流行的RNN,在语音识别、图片描述、自然语言处理等许多领域中成功应用。但不幸的一面是,LSTM的结构很复杂。
LSTM的思路比较简单。原始RNN的隐藏层只有一个状态,即h,它对于短期的输入非常敏感。LSTM通过增加一个状态C,来保存长期状态,来解决问题。LSTM的关键就是怎样控制长期状态c。在这里,LSTM的思路是使用三个控制开关。第一个开关,负责控制继续保存长期状态c;第二个开关,负责控制把即时状态输入到长期状态c;第三个开关,负责控制是否把长期状态c作为当前的LSTM的输出。三个开关的作用如下图所示:
递归神经网络
循环神经网络可以用来处理包含序列结构的信息。除此之外,信息往往还存在着诸如树结构、图结构等更复杂的结构。对于这种复杂的结构,循环神经网络就无能为力了。
神经网络的输入层单元个数是固定的,因此必须用循环或者递归的方式来处理长度可变的输入。循环神经网络实现了前者,通过将长度不定的输入分割为等长度的小块,然后再依次的输入到网络中,从而实现了神经网络对变长输入的处理。一个典型的例子是,当我们处理一句话的时候,我们可以把一句话看作是词组成的序列,然后,每次向循环神经网络输入一个词,如此循环直至整句话输入完毕,循环神经网络将产生对应的输出。
然而,有时候把句子看做是词的序列是不够的,比如下面这句话:
两个外语学院的学生
不同的语法解析树对应不同的意思。一个是『两个外语学院的/学生』,也就是学生可能有许多,但他们来自于两所外语学校;另一个是『两个/外语学院的学生』,也就是只有两个学生,他们是外语学院的。为了能够让模型区分出两个不同的意思,我们的模型必须能够按照树结构去处理信息,而不是序列,这就是递归神经网络的作用。当面对按照树/图结构处理信息更有效的任务时,递归神经网络通常都会获得不错的结果。
递归神经网络可以把一个树/图结构信息编码为一个向量,也就是把信息映射到一个语义向量空间中。这个语义向量空间满足某类性质,比如语义相似的向量距离更近。也就是说,如果两句话(尽管内容不同)它的意思是相似的,那么把它们分别编码后的两个向量的距离也相近;反之,如果两句话的意思截然不同,那么编码后向量的距离则很远。如下图所示:
结尾
最后总结一下,深度学习对比以前的浅层学习只是多了一些训练策略,实际两者的背后原理是相通的。去掉了繁琐的让人望而却步的数学推导,只讲了模型结构和其优缺点,就是让大家明白各个模型到底解决什么问题,在解决问题的过程中会遇到些什么问题。个人觉得我们这些IT人员不可能去研究底层算法,那样太得不偿失了。计算机科学是一门重实践偏应用的学科,大部分人把科学家研究的模型算法针对实际场景直接用就行了,当然能懂里面的原理更好,不懂也不妨碍我们使用深度学习技术,现在深度学习出来了很多框架,例如TensorFlow,极大的降低了参与人员的门槛。希望对大家理解深度学习有帮助。
关于挣钱的一些思考
前段时间差点从公司离职,顶着烈日找工作,在出去碰了多次壁也拿到几个offer,虽然比我目前的待遇上略好,但还不是我满意的状态,主要是我这次太匆忙,没有想好下份工作该如何定位自己。工作这么多年从没有如此的狼狈过,公司HR还蛮好帮我转岗,经过考虑把外面的机会放弃了,暂时先留公司沉淀一段时间。
这段时间也想了不少东西,回忆起从开始工作到现在的点点滴滴。我感觉现在的状态和我学生时代没有太大差别,在上海我目前是一个人,以前在一个二本学校也是一个人。不过学生时代很充实,虽然一个人,但是很享受那种四点一线的生活,那时的目标很明确,就是考研,要换个环境,后来都实现了算是有点小成就感。从开始工作起到现在,一直没有任何成就感可言,是最迷茫的,我甚至开始羡慕起研究生同学的生活状态,有时人和人的差距比人和狗的差距更大。一直在工作,却忘记为何出发,工作中也发现一些有趣的人和事。我想大部分人应该想法和我现在一样,没有明确的职业规划,目的就是挣钱早日实现财务自由,那些想干事业改变世界的天才,普通人羡慕不来。生活就是柴米油盐,就是这些很现实的东西。上个小班拿份工资,每天面对的就是房贷和老婆孩子要养,确实中年才体会到的无奈,我想世界上没有比上班拿死工资更悲惨的事情了。这种谋身状态也就是近几百年工业社会开始慢慢成为主流的,工业社会之前几千年上万年,人们都是自我雇佣的谋生状态是主流。工业社会为了追求效率,把人异化为一颗螺丝钉,如果学习能力差的,随时可能随着经济周期被淘汰掉。
在现代功利社会,社会分层会越来越清晰,这是很多发达国家都经历的阶段,中国未来估计也难以避免。从社会分层结构来看,5%的天才加上5%的无用人群,再加上90%的普通人群。大部分在这90%的普通人中,决定他们差异的就取决于很多大量的基因以外的因素,在这些因素中钱的占比绝对高于一切,有钱的孩子选择更多,带来的机会也就更多。当很多贫苦家的孩子需要付出很多努力的时候,有钱人的孩子只要有钱就可以轻松获得,从而带来的阶层固化更为严重。有时与其说是比拼孩子的能力,不如说比拼家长的能力,通过孩子改变孩子命运的可能性非常小,真要改变孩子的命运不如改变自己的命运。
学生时代因为学校的关系,经济学的书比较多,反正那时也没有什么事情,也看了不少。现在反思发现以前看的那些东西很多都是误导,西方意识形态的经济学虽然我没有系统的学,现在说他们是伪科学可能太过于武断。不过我从常识判断,如果经济学真的有用,那经济学家应该是这个世界上最富有的人,但现实不是这样的,经济学家常常犯错误。所以最近这些年我听企业家的东西多点,经济学家的少了。如果现在一个企业家通过经济学家来指导企业经营,听经济学家胡说八道,我会觉得这个企业没有前途。
我并没有说经济学家不好,你如果想让自己变得更聪明,思维更开阔,眼界更高,吹牛忽悠更有水平,经济学家的很多东西还是非常值得去听的,但是你如果想赚钱,那我到是建议你尽量少听,第一,你如果不能穷尽一生去研究经济学,基本上都是皮毛,很多人穷尽一生,也只是皮毛。也根本指导不了你业务实践,第二,哪怕你成为大家了,你要在投资理财上发大财,其实也微乎其微,经济学家除了拿诺贝尔奖或者走穴这两种方式外,很少有赚大钱的。
你要证明一个观点是正确的,你必须要穷尽所有的事实,但是你要证明一个观点是错误的,只需要一个反例就够了。很多人想论证赚钱需要超越常人的能力,但其实现实中可以举出很多反例来反对这个观点。工作中我就遇到往往不是那些最有能力最勤奋的人在高位在拿高工资。
70后一代是幸福的一代人群,赶上中国经济腾飞的好时代。但是现在有钱的往往不是70后这拨人中当年最牛逼的,当年很多70后特别一些牛逼名校的,很多都出国读书去了,一些出不去的人只好留在国内,这些所谓的loser啥事也不干,因为要结婚生孩子,不得不买房,然后就发财了。你能说这个和能力有什么关系吗?而反观那些在国外读了n年书的就比较悲催,回国可能一套房子也买不起。有时候恰恰是你太弱了,太垃圾了,只好赚大钱。而你太强,选择太多,反而受穷。
有时会很悲催的发现,我们这些废了九牛二虎之力考上大学的,发现反而不如那些没有考上大学的同学。因为没有上大学,他们有农村户口,然后中国大面积拆迁,一个个分几百万,他妈的有的还有几十套房子。我们这些悲催的考上大学的人,都是城市户口,没有资格分地皮,然后就成了吃瓜群众。还有些初中就辍学开始闯荡江湖,更早接触社会的,要不就是做外贸领域业务,要不就是干包工头,他们赚的钱远比我们这些人多,决定这些的核心是什么?是能力吗?不是吧,运气也好,机缘也罢,肯定不是能力。
以前看过一篇文章,里面提到一个UT出来创业的小伙子,当年UT可能在全国招聘为数不多的本科生,他打败了无数人终于挤进去了,在当时绝对是巨牛逼的人,而那些被他打败的人只能黯然的走进阿里的大门,那时阿里就是容纳了一帮乌合之众,很多都是职业学校毕业的,名校几乎没有,十多年过去了,那个进了UT的天才,现在要出来创业了,那些没办法只能去阿里的人,一个个身价过亿要给那些牛逼哄哄当年逼的他们无路可走的牛人们投钱去了,能力决定一切么?好像还真不是。
这种案例其实特别多,都不是个案,都是普遍性案例,我们勤勤恳恳的做事情,在各种专业领域里,文能安邦,武能定国,发现转身一看,那些当年看上去不如我们的人赚的钱比我们多多了,宝马雕车香满路,娇妻美女娶回家。你怎么看这些问题呢?
很多人说赚大钱要让自己特别有能力,我现在不太认同这点,工作中和社会上,我见过太多能力一般的因为人生机缘,因为某种特定的机会,赚取了远远超过平均水平的利润,很多时候,很多很勤奋,很有天赋,很有才华的人,在社会最底层的时候,你一定不会认为是因为他们能力不如人,压根就不是,而那些显然不如他们的人却能赚取足够的钱,差异在哪里呢?生在城市的人机会比农村的人要多了去了,难不成农村的人一定就比城市的人要笨,要没有能力,要不勤奋?哪怕同一水平线上的人,也有很多各种机缘巧合所造成的极大差异的结果,能力向来是最不重要的点。
最近这两年我也一直在反思,因为详细了解日本房地产泡沫奔溃的惨状。所以在上海房价疯狂的那几年我没有胆量,尽管当时我努把力还能够的着,现在再怎么努力也够不着了。现在才开始明白,现实社会往往不是等价交换,如果是等价交换,就不可能一个人比另一个人富裕千倍万倍。就是因为不是等价交换,有了泡沫,才给了一些人暴富的机会。
都在说只要在风口,猪都会飞起来。这种常识没办法理解的事情,连乔布斯都说要保持饥饿保持愚蠢。而乔布斯就是那5%的天才,他要表达的意思不是我们理解的那样,看过乔布斯的传记,他是一个内心很骄傲的人。保持饥饿保持愚蠢不是我们普通人理解的那样,我们普通人已经够愚蠢了,至少在这些天才看来我们是这样,90%的人往往选择是不理智的。乔布斯这句话的意思我想是他想看愚蠢的人在想什么,然后高价满足他。这就是现实社会。所以如果投资,你就应该知道大部分普通人是如何想的,吹大泡沫,不一定要懂,只要猪能上天,你就能挣钱,压根就不用想猪如何落地,只要有人接盘就行。
李笑来就是个很好的例子。别看他写书一套一套的,他挣钱也就靠比特币这波收割了不少韭菜,我当时没办法理解区块链和比特币居然都能挣钱。现在我看依然是毫无价值的东西。任何一个负责任的政府都会控制货币,不可能使用一个不受自己控制的货币在社会上流通。虽然政府控制货币发行常常导致通货膨胀,如果电子货币流通,就一定能避免通货膨胀保证公平了吗?我想受益的一定是那些懂技术的天才,大部分普通人只能当吃瓜群众。话虽如此,可依然有很多人追捧。有个很著名的投资人是这样解释的:因为世界上无知者占了主要的部分,90%的人是不懂的,不懂就算了,他们还手里钱特别多,很容易就被忽悠把钱投给那些实际上结果必死的垃圾身上,于是硬生生的就出来一个很悖论的结论,越是不好的东西,越容易被追捧,从而出现极大的泡沫。
这个世界真正赚钱的机会一定是来自泡沫的钱,泡沫才是暴利的基础,没有泡沫就不会有超额利润的存在,房子如果不大面积涨价,怎么可能会有财富的大幅度上涨呢?股票如果没有泡沫存在,凭什么让很多人人身价一上市瞬间成首富呢?同一个公司,基本面没有任何变化,为什么会价格差很多倍呢?只有泡沫来的时候,才有可能让一个公司或者一个事物的价格远远偏离价值,才有让你发大财的机会。这种案例不要多说了,都是如此,只要资金汹涌而来的时候,才会有这种情况出现,不是你变得值钱了,而是市场让你看上去更值钱了,你本身没有任何变化。你的价值没有变化,变化的只是价格,价值跟你商业模式,利润增长相关,但是价格表现的所谓估值,事实上跟价值没有任何关系,跟人们是否喜欢你,跟资金是否充沛,跟民众的智商高低相关,你会发现越是民众智商低的社会,越是资金泛滥的时候,泡沫一定是越高的,泡沫席卷到某个领域的时候,你刚好有这个事物,OK,你就发大财了,所以,你要做的事情是要享受泡沫的过程,然后在估值回归合理的时候,跑出去。没有价格高估的话,他只能代表合理价值也就是平均社会利润,那能赚什么大钱呢?不可能的事情。
那什么时候价格高估呢?前面说了,民众智商越低,且手头上有钱的时候啊,每当这个时候,一定是一大堆不知到价值是什么东西的大叔大妈进来买买买的时候,才可能出现价格严重高估的时候,一堆人非理性的疯狂情绪出现了,市场价格就被推起来了,你就可以发大财了,否则你永远是社会稳定收益者,这个也是为什么有些无知者反而比聪明人赚钱很多的原因,你越懂一个事物的真正价值,你就越不敢去触碰他们,因为你知道他们不值钱,你去碰它,你心里承受能力是有限的,你会睡不着觉,最终你肯定就不敢碰了。但是无知者不懂一个事物到底有没有价值,他根本不会去自己研究一个东西,会人云亦云,会因为莫名其妙的事情去认为一个事物好不好,没有任何逻辑可言,所以他敢坚定的持有一个其实没有任何价值的东西,最终的结果是什么呢?结果很有意思,绝大部分冲进来无知者最后一定是被证明是愚蠢的,他们做了接盘侠,但是一定有一部分无知者却赚了大钱。当然聪明的人因为不参与这种过程,结果是比大部分无知者好点,但是比那些赚钱的无知者要差很多很多。
从这个角度想,凡是不参与泡沫的人,最后的结果一定是社会稳定利润,是很难有超额收益的,最赚钱的人一定是泡沫来之前进去,泡沫灭之前跑开,但是这个技术难度是很大的,绝大部分都是蒙着的,地震来了都有人能跑开,谁敢说自己是靠能力跑开的,往往运气起到了决定性作用,许多赚大钱的人明明是赚了运气成分的钱,但是他会用一百个理由告诉你是自己能干赚的。分析的头头是道,本质都是哗众取宠。所以泡沫来了有两种人,一种人整天说泡沫来了,要崩盘了。一种人却跳进泡沫里游泳,前者越来越聪明,后者越来越有钱。
这个世界最简单的事情,就是说泡沫一定会灭,这个是正确的废话,就如同人一定会死,宇宙一定会灭亡一样的言论,前面说了,因为结果是注定的,过程是不一样的,泡沫会灭,但是什么时候灭,结果是不一样的。中国过去十几年本质上都是一个泡沫堆积的过程,如果不参与到这个过程中,很多人都注定无法获得财富,只是因为房产是每个人生活的必需品,所以导致的结果是过去十几年几乎人人无形之中都参与到了泡沫化的过程,真正出现改变是多年前的股权投资的泡沫化,这轮泡沫化进程只有少部分人参与到了,被资本市场和喜欢的人享受到了虚拟经济的泡沫化的红利,绝大部分企业家是没有享受到的,于是出现的是冰火二重天的格局,凡是站在虚拟经济这边的人过去五年财富增长十几倍,而站在实体经济这边的人,相对来说日子就惨淡很多。
泡沫本质就是不懂的人聚在一起才会创造出来的情况,所以你了解不懂的人在想什么绝对比你懂什么更为重要了。只有知道社会群体性的追逐一样事物的时候,才有这个事物泡沫化的可能性。提前站进去,等他们进来你再出去,是赚大钱的核心中的核心。这些背后不是专业性,也不需要专业性去支撑,只要你多去了解别人怎么想,多点同理心就行了。再多勤快点,别固步自封不愿意看别人在干什么,整天只想到自己,觉得自己最牛逼,这种情况基本上就是等死了。
从人性角度来看问题的话,大多数人的心理其实就是这么微妙的,总感觉很多事情必然有因果,只是世界上很多事情是没有必然关系的,譬如不会因为你努力了就一定会成功,也譬如不会你努力分析了就一定能得出正确的结论,世界上很多事情是没有任何因果逻辑关系,都是随机偶然不可测的事情。但是很多人不这么想,人性深处都是这种错觉,认为了解不比了解好,掌控比不掌控好,总感觉知道一些比什么都不知道要好。事实上,你知道和不知道,了解和不了解,掌控和不掌控,事情的结果并不会发生太大的变化。甚至很多时候恰恰相反,因为掌控,而导致别人不愿意跟你玩,因为你懂,反而你望而却步,不敢下手,错失机会,这种事情多了去了。除非真正精通某一个行业,同时对这个行业周边以及投资等很多事物都非常充分的了解,否则你懂9成跟你什么都不懂事实上是没有区别的,甚至可能更糟糕。半桶子水晃荡的下场是最不好的,似是而非,往往误入歧途。还不如什么都不懂的结果更好。
好吧,关于挣钱的一些思考就写到这,我也不知道里面有没有负能量。虽然目前我认为挣钱和努力没有任何关系,也和能力无关,但是我一直觉得努力应该是习惯而不是功利手段。只有富有挑战,才让自己更有价值。其中的观点很好的解释了我视野范围内的一些事情,不管怎么说这些思考会让我以后以更好的心态生活和工作。