成长的边界：超专业化时代为什么通才能成功

国际象棋程序“阿尔法元”（AlphaZero）取得了长足的进步（由谷歌母公司的人工智能部门所有），也许就连顶级的人机组合在自由式比赛中都不是它的对手。过去的国际象棋程序只是用野蛮粗暴的强大计算能力算出各种可行的步法，然后按照程序员设定的标准来排序，但是阿尔法元截然不同——实际上，它在自学成才。阿尔法元只需要了解规则，然后自己进行无数次的练习，来记录哪些步法有效而哪些无效，并使用这些记录来提高自己。很快，阿尔法元就击败了当时最好的国际象棋程序。其原理和围棋程序“阿尔法狗”（AlphaGo）一样，而围棋的可行步法更多。但是，人机组合的教训犹在：一项任务越是转向拥有宏观战略的开放世界，人类要做的工作就越多。

阿尔法元的程序员自豪地宣称，自己的作品从“白纸一张”变成可以“自学成才”了。但是从竞赛开始可算不上是白纸一张。程序的运行仍然要符合规则，受到限制。即使在电子游戏这种不太受战术模式限制的情景中，电脑也将面临更大的挑战。

人工智能面临的最新游戏挑战来自《星际争霸》（StarCraft），这是一款即时战略游戏，不同的虚拟种族为了银河系某个角落的霸权展开争夺。这一游戏所需的决策机制比国际象棋更为复杂。在游戏中，玩家不仅需要对战，还要规划基础设施、侦察敌情、探索未知地点、收集资源，而这些都是相互关联的。2017年，在纽约大学从事人工智能游戏研究的教授朱利安·图吉利斯（Julian Togelius）告诉我，电脑在《星际争霸》中的获胜较为艰难。虽然电脑在最初的单人对战中获胜，但是人类玩家很快做出调整，依靠“长期适应性战略”扭转战局，开始获胜。“思考有太多层级，”朱利安说，“我们人类在与电脑单打独斗时多少有些势单力薄，但是我们每个人对电脑都有一些大概的应对想法，把这些主意结合到一起，就有了适应性。这似乎就是胜利的诀窍。”

2019年，在《星际争霸》的一个限定版本中，人工智能第一次战胜了职业玩家。（职业玩家不断适应调整，在连输多次后取得了胜利。）但是，《星际争霸》的战略复杂性又给我们上了一课：游戏的格局越大，人类能贡献的潜能就越特别。作为人类，我们最大的优势正好就是过度专业化的对立面——广泛融合各类知识的能力。曾经把自己的机器学习公司卖给优步（Uber）的心理学家和神经科学家加里·马库斯（Gary Marcus）说：“在特别专业化的世界里，人类能发挥的作用极其有限，时效也不会太久。而在结局更加开放的游戏里，人类可以持续发挥更大作用。不仅是在游戏中，当面临现实社会中的问题时，人类依然可以完胜机器。”

在封闭且有规则可循的国际象棋领域，人工智能依靠着即时反馈和无穷无尽的数据，得以飞速发展。在有法规可依但是更加混乱的驾驶领域，人工智能虽取得了长足的进步，但是挑战依然存在。而在一个真正开放的领域——没有严格的规则，也没有大量完备的数据支持的医疗行业，人工智能的表现可以用灾难来形容。IBM 的人工智能代表“沃森”（Watson）在知识竞答节目《危险边缘！》（Jeopardy!）中战胜了人类，随后又高调进军医疗行业，被视为癌症治疗的革命——然而，沃森在这一领域登高跌重——许多人工智能专家告诉我，他们担心沃森的名声会拖累与健康相关的其他人工智能研究。一位肿瘤学家这样描述：“在《危险边缘！》获胜和治愈所有癌症的区别就是，我们本来就知道《危险边缘！》竞答题目的答案。”面对癌症这一难题时，专家们却还在试图提出正确的问题。

2009年，权威学术杂志《自然》（Nature）刊载了一篇报道，该报道宣称“谷歌流感趋势”（Google Flu Trends）通过分析用户搜索提问模式来预测冬季流感的发展情况，和美国疾病控制和预防中心相比，“谷歌流感趋势”可以做到同样精确，且反应更快。但是好景不长，“谷歌流感趋势”很快就不再可靠——2013年冬天，“谷歌流感趋势”预测的病例数超过了全美实际病例数的两倍。如今，“谷歌流感趋势”不再发布预测，只保留了一个页面，上面写着此类预测“为时尚早”。马库斯用一个比喻恰当地解释了目前此类专业机器的不足：“人工智能系统就像专业学者一样。”它们需要稳定的结构和精专的配置。

当我们对规则和答案了如指掌，而且它们不会随时间推移而变化——比如下国际象棋、打高尔夫球和弹奏古典音乐，那么从学习的第一天开始，我们就可以为这种“学者式”的超专业化练习做出论断。但这些都是人类想学习的大部分东西中的糟糕案例。

当过度专业化遭遇并不友好的领域时，人类本能地依靠熟悉的模式带来的经验。但这种倾向可能带来灾难性的后果——就像经验丰富的消防员在陌生环境救火时会做出错误的决定一样。耶鲁大学管理学院的创办人之一克里斯·阿吉里斯（Chris Argyris）就注意到了这一点——把充满恶意的诡谲世界误以为善意友好，是非常危险的。他对顶尖商学院的优秀顾问进行了长达十五年的研究，发现他们在解决商学院里提出的问题时表现得非常好，这些问题定义清晰，且得到了快速评估。但是他们的学习方法被阿吉里斯称为“单回路”学习，这种方法推崇的就是第一反应——熟悉的解决方案。只要这些方法遇到问题或发生错误，顾问们通常会展开防御，坚持己见。阿吉里斯发现，顾问们“脆弱的个性”着实让人惊讶，因为“他们工作的本质就是要教其他人如何用不同的方法工作”。

心理学家巴里·施瓦茨（Barry Schwartz）展示了类似的实验结果，证明经验丰富的参与者是如何日趋僵化的。他给大学生们提供了一个逻辑迷宫，参与者需要按顺序接触开关，把灯泡点亮和熄灭，他们可以一遍又一遍地玩。这个迷宫有七十种不同的解法，每次成功之后都有一点点钱作为奖励。参与实验的大学生们并未被告知任何规则，只有靠反复尝试才能赢得挑战。如果参与的学生发现了一种解决办法，他们就会反复用这种方法获得更多的钱，即使他们并不知道为什么可以这样。随后，大一学生加入了实验，实验人员要求所有参与者发掘出所有的解决方案背后的原理。不可思议的一幕发生了——每一个加入实验的大一学生都发现了所有七十种解法背后的规律，而之前只能发现一种解法并获得奖励的学生中，只有一个人能做到。施瓦茨的论文副标题是《如何教人不去发现规律》，也就是说，通过提供极少的解决方案，对重复的短期成功给予奖励，就能达成这一目的。

对于商界最推崇的学习案例来说，波尔加姐妹、老虎·伍兹，还有在各种体育或竞技中类似的学习模式都算不上良好范例。和高尔夫相比，网球这样的运动更具活力，选手需要时刻调整对策，不仅要应对对手，适应场地，有时还要配合自己的队友。（费德勒也是2008年奥运会网球男子双打的金牌获得者。）但即便如此，网球还是属于学习环境比较友好的类型——如果和医院急诊室里的医生和护士相比，在收治病人后，他们无法自主发现病人的具体情况。医生和护士必须找到实践以外的学习方法，同时吸收经验教训——即使这些教训可能与自己的直接经验完全相反。

这个世界不是打高尔夫球，当然世界上的绝大部分事情也不是打网球。如罗宾·霍格斯所言，这个世界的大部分都是“火星网球”。虽然你能看见选手们拿着网球和球拍出现在球场上，但是没有人告知他们比赛规则。你可以推导规则，但是规则也会悄无声息地改变——当然也不会通知你。

著者简介

大卫·爱泼斯坦（David Epstein），《纽约时报》No.1畅销书作家，前作受美国前总统贝拉克·奥巴马及前国务卿康多莉扎·赖斯盛赞。大卫拥有环境科学硕士学位，目前在非盈利新闻调查网站ProPublica担任调查记者，同时也是《体育画报》的资深撰稿人。他的作品受到了一系列组织的表彰，并被收入最佳科学与自然写作选集。

译者简介

范雪竹，北京外国语大学英语专业，译作有《媒介伦理》和《全球电视产业：跨文化传播译丛》。

 这个时代为什么更需要通才？

人类社会的重大突破，大多都是由身兼多能的通才完成的。达尔文之所以能提出伟大的进化论，要得益于他广泛求知的精神和博物多闻的能力；“苹果教父”乔布斯也曾表示，苹果电脑的优美字体完全得益于他在大学旁听的书法课。

本书横跨体育、教育、音乐、天文、艺术、科学、商业、医学、职场等领域，用世界上最成功人士的案例总结出不同于主流的成长路径，深入剖析过度专业化的弊病，最终对通才在AI崛起时代所具有的重大意义给予肯定。先涉猎后钻研、多方尝试、横向类比思考和坚持自我发现的能力才是这个时代开启成功之门的钥匙。

未来社会趋势万变，我们需要把自己锻造成一把多功能的瑞士军刀，用跨界不断拓展能力范围——成长再无边界，未来无尽可能。

引言 费德勒 VS. 老虎·伍兹  1

第1章 “赢在起跑线”的教育狂潮  1

第2章 抽象思维与概念推理  25

第3章 可遇不可毁的创造力  45

第4章 学习，快与慢  71

第5章 跳出经验外，思在新境中  93

第6章 过于坚持，也有问题  115

第7章 发掘自身更多可能  143

第8章 局外人的优势  169

第9章 用过时的技术横向思考  191

第10章 被专家愚弄  217

第11章 学着放下熟悉的工具  237

第12章 刻意的初学者  275

结语 拓展你的广度学习  295

致  谢  299

注释及引文  303