El pensamiento mecánico y el pensamiento big data no son mutuamente excluyentes ni adyacentes. En resumen, el pensamiento mecánico pertenece al mundo de los números pequeños, los grandes datos pertenecen al mundo de los grandes números y en el medio está el mundo de las medianas al que nos enfrentamos con más frecuencia en nuestra vida diaria.
1. El pensamiento mecánico y el mundo decimal
Desde la perspectiva actual, el "pensamiento mecánico" parece haberse convertido en un símbolo retrasado y aburrido, e incluso la propia "máquina" se ha convertido en una antítesis. . Una descripción de alguien, pero nunca un cumplido. Sin embargo, en el siglo XVII, el pensamiento mecánico estaba tan de moda como el actual pensamiento de Internet.
Si utilizamos el lema de ocho caracteres para resumir la metodología del pensamiento mecánico, creo que no hay nada más apropiado que "suposiciones audaces, verificación cuidadosa". En general, significa hacer suposiciones, construir modelos, verificar datos y optimizar modelos para predecir el futuro. Este es también un conjunto de ideas que todavía se utilizan en la actualidad. Los resultados también son obvios, como Newton: utilizó varias fórmulas simples y claras de las tres leyes de la mecánica y la ley de la gravitación universal para explicar las leyes del movimiento de todas las cosas en el universo.
Aquí hay tres puntos, uno es la determinación de la fórmula, el otro es la simplicidad de la fórmula y el tercero es la universalidad de la fórmula. Éstas son también tres características del pensamiento mecánico.
Veamos primero la certeza y la universalidad. No importa a qué situación se apliquen las leyes de Newton, se puede utilizar la misma fórmula para derivar la conclusión definitiva correspondiente. Esto es importante para las personas, porque de acuerdo con ciertas leyes y principios, conocemos el mundo y también podemos usarlo para predecir la retroalimentación de otras variables en el sistema y predecir el futuro.
La simplicidad es igualmente importante. Cuando Newton vivió, el universo no era menos complejo que ahora. La única diferencia es una diferencia de patrón determinada por la forma de pensar. Hay miles de cuerpos celestes en el sistema solar, lo cual es complejo de calcular en su totalidad. La ley de la gravitación universal es muy simple y elegante. Devuelve el papel de miles de cuerpos celestes a considerar la interacción entre dos cuerpos celestes a su vez. Aún más, debido a la masa única del Sol, Newton lo simplificó aún más al tratar a cada planeta y al Sol como un sistema estelar binario independiente. Volviendo al sistema de dos objetos, naturalmente es un "número decimal", pero este llamado mundo decimal en realidad no es tan pequeño. Por ejemplo, en un sistema que solo considera dos objetos, involucra la situación de los dos objetos, la interacción entre ellos y la situación del sistema en el que se encuentran. Si se describe utilizando conceptos matemáticos y mecánicos, entonces el sistema de dos objetos implica cuatro ecuaciones: ecuación de aislamiento, ecuación de interacción y ecuación de campo. Con cada objeto adicional en este sistema, el número de ecuaciones de campo permanece constante en 1, el número de ecuaciones aisladas aumenta linealmente en 1, mientras que el número de ecuaciones de interacción aumenta exponencialmente. Por lo tanto, la simplificación también es fundamental.
En segundo lugar, big data y el mundo de los grandes números
En línea con el pensamiento mecánico antes mencionado, la Unión Soviética se basó en poderosos matemáticos para establecer matemáticas complejas y precisas al diseñar armas. y nave espacial, con suerte, precisa de usar. Los científicos estadounidenses tienen una base matemática débil, por lo que tomaron un camino diferente: construir un modelo matemático simple, pero apoyándose en computadoras y una gran cantidad de datos. Resulta que ganó el estilo americano.
El Dr. Wu Jun también citó otro ejemplo de la "era inteligente": Alemania tiene una tecnología de instrumentos ópticos completa, por lo que ha fabricado lentes asféricas muy difíciles, y los instrumentos son compactos y perfectos; , por lo que se utiliza una combinación de múltiples espejos esféricos para lograr el mismo efecto. Este tipo de máquina es voluminosa pero fácil de producir y utilizar en grandes cantidades. Después de la Segunda Guerra Mundial, no fue Alemania sino Japón el país que se convirtió en el mayor país en instrumentos ópticos.
En ambos casos, varios modelos simples superan a un único modelo preciso. Sin embargo, existe un requisito previo para tal victoria: que se base en big data. Si el modelo exquisito bajo el pensamiento mecánico es puro cristal, entonces los big data son definitivamente el espíritu de laxitud. Las moléculas de gas están desordenadas y complejas, pero podemos predecir la difusión general y determinar sus propiedades físicas generales. Esto es inseparable de la aleatoriedad de cada molécula, que es lo que hace que las estadísticas tengan sentido. Si una gripe se está propagando en algún lugar, es difícil saber si un solo individuo se infectará, pero Google puede incluso determinar dónde se propagará a continuación basándose en los datos de búsqueda de las personas. La tasa de infección es un cálculo estadístico simple.
Tomando la influenza anterior como ejemplo, podemos encontrar fácilmente que frente a big data, los valores numéricos precisos no son tan importantes y los puntos que nos importan no necesariamente tienen que ser precisos. a un solo dígito. Por ejemplo, cuando se ejecuta una aplicación, cuando la cantidad de usuarios llega a decenas de millones, la cantidad de DAU que sigue todos los días debe ser decenas de miles o, más simplemente, cuando se trata de cientos de miles o millones, son de un solo dígito. ya no es importante. Pero frente al big data, los individuos siguen siendo únicos. Solo tengo dos resultados: infectado y no infectado. En este caso, la tasa de infección de big data se convierte en la probabilidad de fondo de si un individuo estará infectado, y las luces del área de actividad y salud del individuo se convierten en otros elementos de probabilidad de ajuste.
De lo anterior también se puede ver que el valor del pensamiento probabilístico es más prominente. De hecho, la forma de pensar basada en big data no hace suposiciones, solo realiza análisis de correlación basados en datos masivos y no se preocupa por el juicio causal, solo juzga la probabilidad y la correlación;
Además de reemplazar la precisión con la mezcla, reemplazar la causalidad con la correlación y reemplazar la certeza con la incertidumbre, lo más obvio del pensamiento de big data es que reemplaza completamente las muestras. Esta es la razón por la que los big data son "grandes números". ". "La razón. No es necesario considerar cómo seleccionar muestras aleatorias cualitativas y cuantitativas. El estilo de big data es que todos los datos se incluyen en los cálculos. Debido a esto, desde los motores de búsqueda hasta el reconocimiento de idiomas y la traducción automática, Google ha podido alcanzar prominencia sin cambiar su tecnología de algoritmo: la cantidad de datos que ha acumulado es demasiado considerable. Pero grandes cantidades de datos son sólo gas y, en última instancia, están limitadas por la potencia de procesamiento de su estufa. Es precisamente porque el crecimiento de la potencia informática de las computadoras no puede seguir el ritmo del crecimiento exponencial de los datos y la cantidad de servidores no puede seguir el ritmo. Por tanto, frente al big data, los algoritmos simplificados son especialmente importantes. Por ejemplo, la cadena de Markov y el algoritmo de Viterbi.
Tercero, la vida compleja y el mundo intermedio
En la gestión, podemos abstraer a los individuos en unidades y luego utilizar el pensamiento mecánico para gestionarlos como un todo en la toma de decisiones; mercado, podemos decidir qué mercado jugar a continuación en función de los fuertes resultados del análisis de correlación de big data. Ya sea pensamiento mecánico en el mundo de los números pequeños o pensamiento de big data en el mundo grande, todos se basan en el supuesto de que el pasado puede predecir el futuro y el propósito es predecir.
Sin embargo, la mayoría de las situaciones que nos encontramos en la vida real no son ni decimales ni números grandes. Si el pensamiento mecánico es cristal y el pensamiento de big data es gas, entonces existe otro líquido: el mesocosmos. ¿Cuántas personas tiene una empresa que cotiza en bolsa? es una mediana; cuantos componentes tiene una computadora? es una mediana; ¿cuántas aves hay en este bosque? Este es un valor intermedio... A todos nos da vergüenza vivir en él, como se quejaba el profesor de matemáticas del instituto: ¿qué pasa con la física sin fricción? ¿Dónde está la fricción? También necesitas moverte con una aceleración uniforme. ¡Acelera uniformemente y déjame ver!
Los decimales, las medianas y los números grandes en sí mismos no tienen órdenes de magnitud claros. De hecho, esta división es abstracta y conceptual. En cuanto al mundo de las matemáticas medias, creo que una forma de afrontarlo es aprender el pensamiento mecánico o el pensamiento de big data según diferentes situaciones.
Echemos un vistazo primero al mundo cercano a los decimales y al pensamiento mecánico. Los escenarios de aplicación de la metodología de verificación de hipótesis y aplicación son en realidad muy amplios. Por ejemplo, el punto central del pensamiento lean es minimizar la verificación de viabilidad en el auge del emprendimiento lean de los últimos dos años. Debido a que nuestros costos son limitados en la vida real, es imposible asignarlos todos con una sola idea, lo que tampoco es rentable. Necesitamos probar y validar una idea con un costo mínimo. Para los emprendedores es necesario verificar si los usuarios realmente tienen esta necesidad en escenarios reales con un costo mínimo. Sin embargo, las conclusiones inductivas extraídas en este momento no son tan seguras como las leyes de la mecánica, con causa y efecto claros. De hecho, la inducción no puede establecer relaciones causales, sino que sólo puede proporcionar referencias fuertes, débiles o irrelevantes.
Mira este mundo que está cerca de grandes números. A los chinos les gusta leer historia, y la historia en sí no es una gran cantidad de datos. Pero los libros de historia que miramos sólo pueden ser muestras no aleatorias (mediana) seleccionadas de un vasto mar de materiales históricos. Aun así, esto todavía no es "nada nuevo bajo el sol": predecir el futuro basándose en el pasado tiene algún valor práctico. El pasado nos proporciona una perspectiva externa sobre predicciones futuras, que puede usarse como probabilidades de fondo para que podamos hacer predicciones específicas (una vez vi a alguien llamarlo en broma big data de la experiencia humana, lo cual creo que es bastante interesante, pero la experiencia personal está lejos). (a partir de ahí, el nivel de "big data" es, en el mejor de los casos, sólo una mediana, pero ya puede proporcionar una probabilidad de fondo para futuras predicciones y decisiones).
Por lo tanto, creo que el mayor valor de referencia del pensamiento con números grandes para la vida diaria es proporcionar una probabilidad de fondo desde una perspectiva externa. Cuando se enfrenta a una situación específica, en función de esta probabilidad de fondo, se analiza la situación específica y se realizan correcciones de probabilidad independientes.
Nuestro conocimiento proviene de la experiencia propia y de otros (contemporánea o histórica), o de principios refinados por nuestros predecesores.
Hay dos formas de aprender de las experiencias propias y de otras personas: una es copiarlas directamente y la otra es rastrear la relación causal (aunque la mayoría de las veces es solo una correlación) y aplicarlo. Todo el mundo piensa que la segunda forma es mejor, pero de hecho todos aplicamos la primera forma inconscientemente, porque la segunda forma no sólo es difícil, sino también contraintuitiva; es decir, la mayoría de las personas (incluyéndome a mí) lo hacemos la mayor parte del tiempo. No cumple con los estándares del pensamiento mecánico.
Hay dos formas de utilizar los principios extraídos por sus predecesores: uno es el modo de pensamiento univariante y el otro es el modo de pensamiento pluralista. Charlie Munger dijo una vez que si todo lo que tienes es un martillo, todo lo que ves es un clavo. Porque si una persona sólo tiene uno o dos modos de pensar, entonces cuando piensa en la realidad, tiene que distorsionarla para adaptarla a su propio modo de pensar. En este momento, cuanto más preciso y específico sea el modelo, más severa será la restricción al pensamiento de una persona. Por lo tanto, Charlie Munger señaló que debemos tener múltiples modelos mentales, y estos modelos deben provenir de diferentes disciplinas (en este mundo disciplinario segmentado, nunca se puede esperar encontrar toda la verdad en un solo departamento). Este modelo mental múltiple es en realidad lo mismo que múltiples modelos simples impulsados por datos en un único modelo preciso. Incluso si la cantidad de datos que enfrentamos en muchos casos no alcanza el nivel de "grandes números", el requisito previo para que una persona establezca un modelo de pensamiento múltiple es absorber diferentes órdenes de magnitud de datos subyacentes que una persona con un solo pensamiento. modelo. Debido a que cada modelo se deriva de los principios de una gran cantidad de datos empíricos, muchos modelos están respaldados por datos de diferentes dimensiones y órdenes de magnitud. Este modelo multivariado es altamente tolerante a fallas y el análisis de cuestiones específicas puede de hecho sacar conclusiones y predicciones para el futuro desde diferentes aspectos y dimensiones.
Este artículo se refiere a libros:
1. La "Era inteligente" de Wu Jun
2. La belleza matemática de Wu Jun
3. La era del big data de Victor: grandes cambios en la vida, el trabajo y el pensamiento.
4. Introducción al pensamiento sistémico de Weinberg
5. “Colección Pobre Charlie”