东京咖啡店的历史与味道 : 在40座古建筑里喝咖啡 word 网盘 电子书 下载 全格式

展开

展开

展开

展开

展开

在线阅读地址：东京咖啡店的历史与味道 : 在40座古建筑里喝咖啡在线阅读

在线听书地址：东京咖啡店的历史与味道 : 在40座古建筑里喝咖啡在线收听

在线购买地址：东京咖啡店的历史与味道 : 在40座古建筑里喝咖啡在线购买

PDF下载地址：东京咖啡店的历史与味道 : 在40座古建筑里喝咖啡PDF下载

展开

展开

展开

查看其它书籍精彩书评

• 第二版的翻译质量还行

  作者：郭大路-Roy 发布时间：2011-08-12 17:50:45

  -- china-pub 赠书活动 --

  http://www.douban.com/group/topic/20965935/

  一直比较忙，整本书还没读完，只是粗略翻了个大概，其中有两三章细读了一遍。先做个大体评价吧，有时间全部细读后再评论。

  从书的内容上来讲，大致上与网上该书的内容介绍一致。简单点概括：这本书对hadoop介绍得比较全面，但对某些相关子系统讲得倒不是太深入。具体来说，它对分布式文件系统以及MapReduce做了原理上和框架级介绍；在部署安装和IO文件格式以及特性参数方面做了比较详尽的说明；对涉及到的相关系统，做了粗略的介绍；有些地方还细化到代码层面；对分布式计算有一定概念的初学者或是学习过官方网站向导例程的开发者来说，阅读该书，能对分布式计算得到更多、更全面的认识。

  再说说翻译质量。我个人看翻译的书籍，一般都会先下载英文版电子书备查。本人的英文水平尚可，不过阅读自己的母语书籍，总比阅读英文版速度要快些，能够节约不少时间。读过不少翻译版书籍的同学都知道，你不能对中文翻译书籍期望太高。比如本书第一版的翻译，网上评价就很差劲。我没有读过中文第一版，但问过两个同事，得到的反馈是确实翻译质量比较差。所幸的是，第二版的翻译要好不少，尽管少数地方读起来会有点别扭，但也能够明白，有些英文从句确实不大好翻译成顺畅的中文。

  另外，内容方面，大家可以比较一下第二版和第一版的目录，后面增加的内容不多，不过也算比较新的了。更快更新的东西，大家还是去看相关文档吧。至于书中的代码，我建议大家去网上下载，那么多段的代码，印刷错误再所难免，当然，没有错误是最好的。反正我自己阅读书中代码时，大致上是看下框架和逻辑，要测试运行时还是找电子版或自己敲，毕竟代码是要在机器上运行的，在书上它跑不起来。还有一点说下，页边上如果能够把英文版页码标上就好了。便于阅读者对照英文书查看。毕竟目前IT技术书籍的翻译质量还是让人不大放心，有些地方需要查看原版来理解。

  目前市面上Hadoop的相关书籍不算多，中文版的尤其少。鉴于这本书第二版的翻译质量还不错，除了阅读源码及相关文档外，我个人推荐对hadoop有兴趣的同学看看这本书。

  展开

• 学习就是通过对世界的认知和反馈来认知自己和改变自己

  作者：37 发布时间：2024-05-12 10:11:10

  这是一本强烈推荐且值得反复阅读和实践的书籍。本书的英文名是《HOW WE LEARN》比中文名《精准学习》更能表明本书的内容广泛的探讨了人脑最伟大的才能———学习能力的底层原理和核心机制，包括局限性以及最新的科学实践和对我们的启示：学会如何学习。“当代认知科学通过系统地剖析我们的脑算法和机制，赋予苏格拉底的名言‘认识你自己’以新的含义。今天，学习的重点不再仅仅是加强内省，而是理解产生思想的微妙的神经元机制，使之能最佳地服务于我们的需求、目标和欲望。（P009）”。本书之所以用了精准学习这么目标明确的书名，我猜测是因为类似如何学习或我们如何学习的书名已经太多了。作者斯坦尼斯拉斯·迪昂（Stanislas Dehaene），是全世界具影响力的认知神经科学家之一，欧洲脑科学研究领域的领头人，世界脑科学领域大师级的人物，2014年，他与其他两位科学家共同获得有“神经科学界诺贝尔奖”之称的 The Brain Prize，Google Scholar上的h-index高达187[0]。这篇读后感有四部分组成，一是读书感想，即是我的读书时的理解、共鸣和联想，也是我为什么强烈推荐这本书的根本原因；二是本书内容，用摘抄的方式配上页码如实的表达本书的核心内容，页码是用（）+P+阿拉伯数字组成；三是读书行动，写读后感是一种向好书致敬的方式，同时能够延伸很多其他行动；四是参考资料，写读后感中一些参考材料，用[]+阿拉伯数字编码对应。

  一：读书感想

  1、大脑学习和机器学习相互成就

  本书的副标题是“为什么目前大脑的学习能力比任何机器都要好（Why Brains Learn Better Than Any Machine … for Now）”，书中定义了“学习是在脑中形成外部世界的内部模型（P018）”，这是从认知科学和人工智能的角度来表达，书中大量大脑学习和机器学习的对比，这是非常科学有效的深入理解大脑和学习机制的方式。

  《大脑传》[1]中介绍了人类历史两种研究大脑的策略：第一种是“1665年丹麦解剖学家尼古拉斯·斯丹诺在他的演讲中大胆指出，在探索脑的奥秘时，要把脑一部分一部分地拆解下来，看一看每一部分各自能做什么，合在一起能做什么”，最终给我们带来了对脑的物理结构的认知，以及确定脑而非心是人类思想中心；第二种是“1936年托马斯·罗斯总结自己的研究策略：要想相对肯定地理解一种机制，一个方法是模仿并复制这种机制”，那时正处于1930～1950年计算机和人脑研究的黄金时期，冯·诺伊曼、图灵、香农、维纳、麦卡洛克、皮茨等通过一些会议和文章等探讨神经系统和计算机关系等，脑不是一种计算机，但脑可以被看着一个计算器官，这是冯·诺伊曼计算机架构和必读书《计算机与人脑》[2]的时期，也是图灵测试和1956年提出人工智能的特茅斯会议的时期。

  本书英文版是2020.1出版，而chatGPT是2022.12发布，读本书时的很多疑问都是通过问chatGPT来解惑，虽然机器学习和大模型最近几年有了显著的进展，但本书的绝大部分观点依旧适用，在多个关键方面，人脑的学习能力仍然超过机器，他们虽然都是通过经验学习和模式识别来构建内部模型，但人脑学习的优势是创造性和解决问题能力、情感和社会学习，机器学习的优势是大数据、速度和效率。两者的对比学习既能加深对客观的认知，也同时这些相同和不同都在促进彼此的进步，这是一个非常科学的学习方式。

  对比人脑和AI大模型：

  基因遗传≈≈模型选择和预训练，

  感觉输入≈≈数据预处理和特征识别，

  出生后无差别学习≈≈持续预训练（CPT），

  直觉相≈≈无监督学习，

  学校学习和教育≈≈有监督的微调（SFT），

  社会规则≈≈强化学习（RL），

  睡眠和做梦≈≈持续训练（CT）和模型生成，

  自我反省≈≈元学习，

  记忆整合≈≈迁移学习……

  2、先天和后天都是大自然的规律

  以前我对后天努力的价值和意义是非常肯定的，但是否有天性或先天是无知的或模糊的，一直到读《埃隆·马斯克传》[3]时突然意识到为什么马斯克敢于冒险，能够在风险的边缘试探，这是有家族的遗传基因的天赋，单纯靠后天努力是难以做到极致的，是后天极大努力最大化激活和优化了先天的天赋创造了一个人的卓越才能。所以理解先天顺应先天，通过后天学习激活自己先天，通过后天学习为下一代创造更好的先天，这也是大自然的规律，因为学习就是人类进化出来的天性，充分利用学习这一天赋能激活和优化先天的所有天赋。

  每一种动物都必须迅速适应其当前生存环境的不可预测情况。这就是自然选择（Natural Selection），达尔文的进化算法。它成功论述了每个有机体为何能够适应其所在的生态环境，但这个过程发生的速度出奇的慢。如果缺乏适当的适应性，整个生态的物种都注定会死亡，只有等到有利的基因突变出现才能增加物种生存的机会。然后，学习能够加快这个过程，它可以在几分钟之内改变物种的行为，这就是学习的精髓：能够快速地适应不可预测的情况。（P006）

  这就是物种进化出学习能力的原因。随着时间的推移，那些即使只拥有基本学习能力的动物都比那些行为固定的动物拥有更好的生存机会，而且它们更可能将自己的基因组（这些基因组包括学习算法）传递给下一代。因此，自然选择驱使学习能力的出现。进化算法发现了一个很好的诀窍：让身体的某些参数迅速改变，以适应环境中最不稳定的方面。（P007）

  自然选择实际上是一种学习算法，一个令人难以置信的强大程序，它已经运行了数亿年，置入了数十亿台学习机器（即曾经存在过的每一种生物）。我们是这个深不可测的智慧的继承者。通过进化的实验和失败，我们的基因组已经将我们之前几代人的知识内化。这种与人俱来的知识与我们在有生之年学到的具体事实是不同的，它更抽象，因为它使我们的神经网络偏向于尊重基本的自然规律。（P038）

  人类物种天生具备的知识（贝叶斯派学者称之为先验，通过进化继承的一系列可能假设），以及我们个人掌握的知识（后验：基于生命中积累的所有推理，修正后的先验假设）。这个观点终止了关于“先天与后天”的经典争论。脑的结构为我们同时提供了用力的始发工具和同样强大的学习机能。所有知识都必须基于两个部件：一是我们与环境互动前就存在的一组先验假设；二是一旦我们经历过真实数据，就能够根据后验可能性来区分这些先验假设的能力。（P060）

  支持资质先天论和支持后天论的两方都是正确的：孩子的脑既有遗传所带来的固有结构，又具有可塑性。刚出生时，所有的孩子都装备了一整套由基因塑造的特殊回路，这些回路本身是由物种数千万年的进化所形成的。这种自组织性使婴儿额脑对几个主要的知识领域有着深刻的直觉：控制物体及其运动的物理感觉；空间导航的技巧；对数量、概率和数学的直觉；对他人天生的热爱；甚至语言天赋。因此，白板假说使大错特错的。但进化也的确为许多学习机会敞开了大门，不是所有的事情都是由孩子出生时的脑决定的。事实恰恰相反：神经回路在几毫米的变化范围内，在很大程度上时对外界保持开放的。（P148）

  我们的脑也是由各种各样的假设塑造的。婴儿出生时，脑已经井然有序，而且储备了渊博的知识。他们隐约地知道，物体只有在被推动时才会移动、固体之间不会相互穿透，他们还知道世界上有许多陌生的实体，如会说话和移动的人。这些知识不需要学习，因为它们在人类的任何地方都是如此，我们的基因组将它们作为固定回路置入脑，从而规范和加快了学习。婴儿不必学习世界的一切，因为他们的脑中充满了先天的规范，只有无法预测的具体参数（如脸型、虹膜颜色、语调和个人品味）才有待后天习得。（P037）

  3、只要你愿意，你可以学会任何你想学的东西，这就是顺应自然

  学习是通过后天的努力激活和升级先天的知识、心理模型和身体参数，这既是进化带给每个人的第一天性，也是所有人终身有效的大自然规律，还是人类文明建立和沉淀的动力。所以正确的理解和学习是顺应自然，其结果不仅仅带来认知上的进步和智慧的增长，更会带来更健康的大脑和身体。

  因为我们都拥有相同的初始脑结构，相同的核心知识和同样的学习算法是我们获得更多的潜能，我们常常最终共享相同的概念。每个人都有相同潜能——无论是阅读、科学还是数学，无论我们是盲人还是聋哑人。简而言之，个体差异是真实存在的，但这些差异是程度上的而不是类别上的。（P089）

  Open AI CEO Sam Altman在其博文《提高工作效率的秘诀》[4]中说：学习你可以学习任何你想要的东西，你可以快速变得更好是很重要的。这在最初的几次感觉像是一个不太可能的奇迹，但最终你学会了信任你可以做到。

  美国心理学家卡罗尔·德韦克（Carol Dweck）经过大量的研究提出，“固定型思维”（fixed mindset）是将一个人的失败（或成功）归因于一个人的人格中固定的、不可改变的方面，比如“我数学不好”“外语不是我的强项”等等，“成长型思维”（growth mindset）是所有人都有能力取得进步。她的研究成果表明，在所有其他因素相同的情况下，思维在学习中起着重要作用。坚信任何人都可以进步，这本身就是进步的源泉。（P218）

  匈牙利心理学家盖尔盖伊·西布拉（Gergely Csibra）与捷尔吉·盖尔盖伊认为，教导他人和向他人学习是人类物种进化出来的最基本的适应功能。人类是一种拥有“自然教学法”脑回路的社会性动物，一旦我们注意到别人试图教给我们的东西，这一大脑回路就会被触发。全人类的成功至少可以部分地归功于我们进化出的与他人共同关注的能力。我们学到的大部分知识都来自他人，而非我们自己的亲身经历，因此人类社会的集体文化才能远超任何个体单独所能做到的上限。这就是心理学家迈克尔·托马塞洛（Michael Tomasello）所说的“文化棘轮”效应，就像棘轮可以防止电梯下降一样，社交共享也可以防止人类文化的倒退。每当有人有新的发现，这一有用的发现会迅速传遍整个群体。（P176）

  4、看不懂、不想学和学不会是大脑在呼唤更正确的学习方式

  未知大于已知，世界的知识是复杂且稀疏的，学习和搜索是最通用的方法，搜索是对未知的敬畏和探索，学习是对已知的理解和内化，两者的结合是认知的扩展。 强化学习之父Rich Sutton在《苦涩的教训》[6]中说：“从这一痛苦的教训中应该学到的第一点就是通用方法的巨大力量，即使算力已经非常强大，只要算力增加，方法还能持续扩展。有两种方法似乎可以因此而无拘束地扩展，它们就是搜索和学习。”

  学习新运动是最佳的健康用脑方式，《 斯坦福抗疲劳法》[5]中说：“大脑（中枢神经）是为了让身体运动而形成的，这种构造从原始时代至今并没有发生太大的变化。” 也就是说人类原本的姿态就是不停地运动，这是人类自然进化选择的结果，运动比不动更利于人类从身体到大脑的整体运作，即使是受伤状态，尽可能的运动也会更快的康复。今天大量的抑郁和焦虑等心理问题很大程度上就是因为当人们不在为食物奔跑时，大脑需要释放天性的运动来反馈和促进健康，学习新运动既激活了大脑的天性，锻炼了身体和脑的链接，又增强了大脑心理模型和参数的更新，一举多得。可惜本书对运动和大脑之间的关系表达的很少，期待作者未来有这方面的新作。

  “注意的过程包括抑制不想要的信息，而一旦这样做，我们的脑就会有看不见已经选择不加注意的东西的风险。”（P161）所以生活中我们真的会视而不见，很多事情我们自己注意不到，我们自己注意到，别人也很大可能注意不到，不要误以为自己注意到的，别人也注意到了，不要高估自己和他人感知到的东西，甚至以为自己看到所有而完全不相信别人的不同感知。重要的事情要结构性的保持注意、主动预测和关注错误反馈，比如学习时要增加困难，比如集体注意事项很容易被个人忽略，比如魔术师的表演技巧，比如开车时不要看手机！

  “当放手让孩子自己去发现时，他们其实很难发现某个知识领域的主要抽象规则，因此他们几乎学不到什么。我们该对此感到震惊吗？我们怎么能认为孩子能在没有外力引导的情况下，在短短几个小时内就重新发现人类花了几个世纪才理解的规则？无论如何，发现教学法在所有领域都失败了。”（P188）“正确的注意是学习成功的秘缺。”（P166）“先学会的规则会阻碍后一个规则的学习。”（P210）这就是为什么我们在学习中需要有优秀的老师和教材去有结构性有组织地学习而不是自己随意的探索，对于成年人而言学习一个新领域知识新运动方式等最需要的是像小时侯一样乖乖听老师的话，认真听认真练，不要按照自己已有的惯性去自以为是，这也是成年人的控制力和主动性。

  人类学习就是通过正确面对错误去减少错误

  两位美国研究者罗伯特·雷斯科拉（Robert Rescorla）和艾伦·瓦格纳（Allan Wagner）提出了下列假设：人脑只有在感知到它所预测的和实际所接收到的信息之间有差距时才会去学。没有感知到错误的话，学习是不可能发生的：“有机体只有在事件违反了他们的预期时才会去学习。”（P208）

  脑中充斥着错误信息，越高级的大脑区域处理越难错误。“在某个脑区无法解释的输入信息都会传递到下一个更高级的脑区尝试理解。我们可以把大脑皮层想象成一个庞大的多层预测系统，每个系统都试图解释输入信息，并且与其他系统交换剩余的错误信息，以期能做得更好。”（P213）

  “如果以为对学习而言最重要的是犯很多错误，那就错了，就像沙多克斯一家仓促地使用999999次火箭发生实验失败一样。最重要的是得到明确的反馈，减少学习者的不确定性。”（P211）所以试错本身，需要要把验证的事情本身想好，而非乱试，目前是得到明确的反馈，而不是错误的多少

  “成年人成功地从奖励和惩罚中提取了等量的信息，但是学生却没有：他们从成功中学的东西远比从失败中学到的要多得多。因此，让我们为他们免去这种痛苦，尽可能给他们中性的丰富的反馈信息。请不要把错误的反馈与惩罚相混淆

  。”（

  P216）对孩子表扬是建立正确的事情上，而不是随意的，错误要淡化批评，去通过准确反馈帮助其做对，再表扬，孩子对错误反馈更多是因为错误往往更模糊，孩子还在无差别学习，错误的效率没有正确的高。成年人则需要树立高标准[7]，在高标准之上应该是鼓励积极的错误，通过结构性的反馈加速成功的到来，激发创造力，就像SpaceX目前的星舰发射一样，而没有到达高标准的则需要通过奖惩来满足标准，实现执行力。

  美国心理学家亨利·罗迪格（Henry Roediger）曾说：“把学习条件弄得再困难些，迫使学生投入更多认知努力时，常常能加强记忆效果。”（P186）这里面的增加学习难度是指在学习中可以采取更有效的科学策略：间隔重复、交错学习、测试效应、深度加工、变化练习环境。这方面学习第二语言的app多邻国（duolingo）做的非常出色，使用越多你就越能感觉到它对大脑学习方式的理解深度，并变成具体的学习行动，非常值得有兴趣的人试试。

  5、孩子是刚出道的小小科学家，教育是我们的脑的主要加速器，家庭教育的最好方式是父母成为学习的榜样

  “孩子是刚出道的科学家”这个比喻最早可以追溯到发展心理学家让·皮亚杰（Jean Piaget）的理论，他提出孩子在成长过程中通过探索和实验来理解周围的世界，就像一个小小的科学家一样。这个观点强调了儿童主动学习和探索环境的能力，以及他们在这个过程中如何形成关于世界的假设、进行试验和修正这些假设的方式。“请记住，当你因为宝宝第10次从桌子上丢下汤勺而感到绝望时，他们只是在做实验！像任何科学家一样，婴儿需要完整的系列实验来排除所有的错误理论。”（P066）

  “尽早入学接受教育可以改变人生！”（P149）首先，人是最先进的系统，最先进的系统需要和最先进的系统互动是最快的学习方式，学校有同龄同学，充满了竞争和协作，能够比家庭有更真实的错误反馈，其次，学校能够持续给孩子创造更科学的学习知识和方法。对于婴儿，书中提及的支持蒙台梭利教学法的学校是很好的选择。

  父母需要终身学习，让孩子感受到父母听老师话通过科学学习面对错误持续练习改变自己，这绝对是最好家庭教育，也是孩子给父母的最好礼物。比如，过去几年我学习普拉提、跑步和自由搏击，上课时都尽可能带着孩子一起，这是亲子时间，更重要的是创造了学习氛围，让他们理解什么是学习。

  父母需要向孩子学习。孩子展现了人类天性，很多天性因为后天的环境和习惯反而被抑制了，比如好奇心、不懂就问为什么、关注眼神，本书里面有大量天性的介绍，通过理解孩子的天性，不仅能更好的通过后天引导去激发孩子天性，更重要的是父母可以同样的方式来康复和激发自己的天性，这更是孩子给父母更好的礼物。这些天性不仅仅体现在大脑上，也体现在身体健康上，比如DNS（动态神经肌肉稳定技术）[8]是布拉格学派传人Pavel Kolar全新开创的临床康复疗法，DNS评估即用成人的姿势和动作对比婴儿出生第一年各个阶段的姿势和动作，DNS治疗即在不同姿势和位置下对成人进行引导和训练，通过训练大脑，让身体掌握更好的姿势稳定方式、呼吸方式以及运动方式。

  父母需要和孩子真诚且真实的互动，追求最大真实性。Elon Musk的最近访谈说“追求最大真实性的人工智能极其关键，AI不应被教导说谎”[9]，教育孩子的高质量数据最重要的一条就是真实性。孩子虽然有天性，但孩子对当前环境的无知，没有天生对错概念，最重要的一种方式就是父母反馈来强化是否重要，这就是为什么父母对脏话越紧张，孩子反而会说的越多，因为他感受到父母的强烈反馈从而认为重要，所以父母的最好反馈方式是点赞正确的行为忽视错误的行为。父母的反馈如此重要，所以父母的反馈质量是重中之重，其中一个重要标准就是真实性。作为人类道德引导，很少父母主动教孩子说谎，当为了追求效率减少麻烦或者掩盖父母无知导致类似谎言的反馈是不少的，比如父母要出去玩为了不让孩子一起会说成上班，比如当不能回答孩子为什么时不是去查资料或者告知孩子不知道而是编造一个答案等等，虽然看起来都是小事情，但孩子都是基于这些反馈来建立对世界的认知的，这就是原生家庭的巨大影响力。真诚和真实的和孩子的互动，说起来很容易，做起来很难，但这个不仅仅是帮助孩子更健康的成长和学习，这更是父母自我成长的巨大契机。YC的创始人Paul Graham在《如何取得杰出成就》[10]中说：“真诚的核心是诚实。我们从小就被教导要诚实，作为一种无私的美德 —— 作为一种牺牲。但事实上，它是一种力量的来源，要看到新的想法，我们需要对真相异常敏锐。假设我们正在试图看到比其他人到目前为止看到的更多的真相，如果我们在智力上不诚实，又怎么能对真相有敏锐的眼光呢？保持智力诚实（Intellectual Honesty）的一种方法是保持轻微的正压。愿意积极承认自己的错误 —— 一旦我们承认自己在某件事上犯了错误，就自由了 —— 在这之前，我们必须承担它。”

  二：本书内容

  导言、为什么要学习

  每一种动物都必须迅速适应其当前生存环境的不可预测情况。这就是自然选择（Natural Selection），达尔文的进化算法。它成功论述了每个有机体为何能够适应其所在的生态环境，但这个过程发生的速度出奇的慢。如果缺乏适当的适应性，整个生态的物种都注定会死亡，只有等到有利的基因突变出现才能增加物种生存的机会。然后，学习能够加快这个过程，它可以在几分钟之内改变物种的行为，这就是学习的精髓：能够快速地适应不可预测的情况。（P006）

  这就是物种进化出学习能力的原因。随着时间的推移，那些即使只拥有基本学习能力的动物都比那些行为固定的动物拥有更好的生存机会，而且它们更可能将自己的基因组（这些基因组包括学习算法）传递给下一代。因此，自然选择驱使学习能力的出现。进化算法发现了一个很好的诀窍：让身体的某些参数迅速改变，以适应环境中最不稳定的方面。（P007）

  第一部分、什么是学习

  在认知科学中，学习是脑中逐步形成外部世界的内部模型。通过学习，那些触动我们感官的原始数据被转换成经过深思熟虑之后产生的想法，抽象到足以在新的场景下被重复使用，成为描绘现实的微缩模型。（P018）

  第1章：学习的七个定义

  脑中已经存储了数以千计的外部世界的内部模型。它们就像微缩模型，或多或少地忠于它们所代表的现实。打个比方，我们所有人的脑中都有一张关于自己家和附近街区的思维地图。我们要做的就是闭上眼睛，调动思维来回想它们。当然，没有人生来就拥有这种思维地图，我们必须通过学习来获得它。这类心理模型非常丰富，而且绝大多数是在无意识中生成的，超出了我们的现象。（P019）

  我们梦境中出现的所有想法，无论它们多么复杂，都只是我们内在心理模型随意呈现的产物。我们醒着的时候也在做真实世界的梦，脑不断地向外界投射假设和解释构成的框架。正是脑的投射赋予来自我们感官的数据流以意义。假如没有内部模型，原始的感官输入是没有任何意义的。学习使我们的脑能够抓住之前被遗漏的现实片段，并利用它来构建新的世界模型。学习的内核就在于它适应外部世界和纠正错误的能力。接下来讲述7个关键的观点，它们是当今机器学习算法的核心。这些观点同样适用于我们脑的学习，是对“学习”的7个不同定义。（P020）

  1、学习就是调整心理模型的参数

  学习是在无数可能的内部模型中寻找最符合外部世界状态的可能性。（P021）

  学习就是根据外部反馈调整脑心理模型的参数。（P022）

  2、学习是在利用组合爆炸

  所谓的“组合爆炸”（combinatiorial explosion），当你将极少数的可能性参数组合在一起时，参数的数量就会呈现指数级的增长。（P024）

  人脑通过创建一个多层分级的模型来分解学习问题。（P025）

  3、学习就是将错误降到最低

  被我们称为“人工神经网络”的计算机算法，其灵感源自大脑皮层级性组织。它有着和大脑皮层一样的金字塔般的连续层级结构，每一层都具有比前一层更深层次的规律。这些连续的层级以越来越深的方式处理输入的数据，因此它们也被称为“深度网络”。每一层级本身只能侦察外部世界的极其微小的一部分，……然而，当你将各个层级组合在一起时，你就会得到一个非常强大的学习工具，它能够侦查复杂的结构并通过调节自己以处理各种不同的问题。……而距离感官输入越远的层级，其洞察力就越强，识别抽象本质的能力也就越强。（

  P025

  ）

  现代人工智能运行模式：先观察到自己的错误，然后用错误矫正内在模式，使之朝着它们认为错误减少的方向发展。

  ……

  在机器学习术语中，这种情况被称为“监督学习”（人被看作机器的监督者，知道机器必须给出的正确答案）和“误差反向传播”（错误信号会被发回人工神经网络得以修改其参数）。（

  P027

  ）

  4、学习就是探索各种可能性

  纠错过程的问题之一是，它可能会卡在一组不是最优的参数上。……（目标是全局最优解），梯度下降算法有时候会卡在一个它无法退出的点上，这被称为“局部最小解”，它是参数空间的一口井，是学习算法被困住后无法逃脱的陷阱，此时，学习陷入停滞，因为所有的改变似乎都适得其反，每一次的改变都会增加错误率。这个系统觉得它已经学到了所有它能学到的东西，以至于仍然存在的更好的设置视而不见，哪怕这些设置的参数空间中近在咫尺。梯度下降算法无法“看到”它们，因为它拒绝上坡，不愿意越过眼前的上到达另一个下坡。由于“目光短浅”，它只在距离起点一小段距离的地方探险，因此错过了更遥远但更好的参数配置。（P029）

  计算机科学家进场面临这一困难，它们会使用一整套的算法解决它。这些算法中大多数都是在寻找最佳参数的过程中引入一点随机性（

  randomness

  ）。（

  P030

  ）

  随机的探索、随机产生的好奇心和频繁的神经元放电都在智人的学习中扮演着重要的角色。……孩子玩耍时就是在用大量的随机性在探索各种的可能性，那时他们已经进入了学习模式了。而在晚上睡觉时，他们的脑会继续胡思乱想，直到突然相处一个最能解释他们白天经历的说法。（

  P030

  ）

  5、学习是一种优化的奖励函数

  人工神经网络只能通过计算其响应和正确答案之间的偏差来进行自我纠正，这个过程被称为“监督学习”（supervised learning）。……但应该注意的是，这种提前知道正确答案的情况相当罕见。当幼儿学习走路时，没有人确切告诉他们应该收缩哪块肌肉，他们收到的自由一次又一次的鼓励，直到不再跌倒。幼儿的学习完全是基于对结果的评估……人工智能面临同样的“无监督学习”（unsupervised learning）问题。……科学家们发明了“强化学习”（reinforcement learning）来应对这一挑战。我们不向系统提供任何关于它必须做什么的细节（也没有人知道做什么），只是提供“奖励”，即一种量化分数形式的评估。但更糟糕的是，机器可能会在延迟很长一段时间后才收到分数，远远滞后于它做决定的那一刻。……计算机科学家发现的技巧是给机器编程，让它同时作两件事：行动和自我评估。自我评估被称为“评论者”，它的目标是尽可能准确地评估游戏的状态，以便预测最终的奖励。……评论者可以让系统时时刻刻评估自己的行动，而不仅仅是在结束的时候得知结论。“行动者”的目标是使用这个评估来纠正自己。……行动者与评论者的结合是当代人工智能最有效的策略之一。

  通过让两个人工神经网络合作或者竞争来提高学习速度的方法使人工智能获得了长足的进步。最新的一个想法被称为“对抗性学习”（adversarial learning），……我们的两个脑半球和众多的皮层下基底神经核也聚集了一大批“专家”，它们相互斗争、协调和评估。……将脑视为一群协作和竞争的专家集合并无不妥。（P034）

  6、学习限定了搜索空间

  当代人工智能仍然面临着一个重大问题，那就是内部模型的参数越多，系统就越难找到最佳的调整方法。而在目前的人工神经网络中，搜索空间是巨大的。因此，计算机科学家不得不处理大规模的组合爆炸：在每个层级都有数以百万计的选择，而它们的组合如此之多，系统不可能探索所有的选择。因此，学习有时会非常缓慢，需要在这片广阔的可能性地图上进行数十亿次尝试才能将系统推向正确的方向。在巨大的空间中，无论数据有多少，都会变得稀缺。这个问题被称为“维度诅咒”（curse of dimensionality），当你有数百万个潜在的杠杆需要撬动时，学习就会变得非常困难。（P035）

  神经网络拥有的大量参数往往还会导致另外一个问题，这就是所谓的“过度拟合”（overfitting）或“过度学习”：系统拥有如此多的自由度，以至于它发现记住每个例子的所有细节比找出一个更普遍的规律来解释这些细节更容易。（P035）

  简化模型是既能加速学习又能提高泛化能力的最有效的干预措施之一。只要需要调整的参数数量减少，就可以迫使系统寻找更普遍的解决方案。（P036）

  7、学习是投射先验假设

  纯粹的、没有任何先天限制的情况下的学习是根本不存在的。任何学习的算法都或多或少包含着一些关于要学习的领域的先验假设。与其试图从头开始学习所有东西，不如依赖先验假设，这些假设清楚地描述了必须探索的领域的基础规律，并将这些规律集成到系统的体系结构中，这要高效得多。先验假设越多，学习速度就越快（当然，前提是这些假设是正确的），这是普遍真理。（

  P037

  ）

  先天和后天不必对立起来。婴儿的脑之所以知道人和无生命物体的区别，那是因为他已经学会了这一点。不是在出生的最初几天学会的，而是在数百万年的进化过程中学习的。自然选择实际上是一种学习算法，一个令人难以置信的强大程序，它已经运行了数亿年，置入了数十亿台学习机器（即曾经存在过的每一种生物）。我们是这个深不可测的智慧的继承者。通过进化的实验和失败，我们的基因组已经将我们之前几代人的知识内化。这种与人俱来的知识与我们在有生之年学到的具体事实是不同的，它更抽象，因为它使我们的神经网络偏向于尊重基本的自然规律。（P038）

  在怀孕期间，我们的基因奠定了脑架构的基础，通过对探索的空间大小施加限制来指导和加速随后的学习。在计算机科学术语中，我们可以说基因预置了脑的“超参数”：指定层数、神经元类型、它们相互联结的一般形状，它们是否在视网膜上的任何一点复制等高水平变量。因为这些变量中许多都储存我们的基因组中，我们不再需要学习它们：我们的物种在进化中已将它们内化。（P038）

  在人和机器中，学习总是从一组先验假设开始，这些假设被投射到输入数据上，系统从这些假设中选择最适合当前环境的假设。（P039）

  第2章：为什么人脑的学习能力比目前的人工智能机器更强

  1、人工智能缺少了什么？

  找到人工智能的缺陷是个有趣的任务，因为这也是分辨人类独特的学习能力的方法。下面是一份简短的，可能还不完整的功能清单。这些功能甚至连婴儿都具备，而目前的大多数人工智能缺缺乏这些能力。

  学习抽象概念。

  深度学习算法的发明者之一约书亚·本吉奥（Yoshua Bengio）认为，深度学习实际上更倾向于学习数据中浅显的统计规则，而非高层次的抽象概念。（P042）

  人类学习并不是图像识别过滤器的装置，而是对世界抽象模式的构建。（P042）……我们的脑则能将抽象化本领用于日常生活的方方面面。（P043）

  高效的数据学习。

  每个人都同意，当今的人工神经网络的学习速率缓慢，它们需要成千上万甚至上亿的数据来发展一个领域的直觉。（P043）

  在学习领域，人脑的高效性仍然无与伦比。机器渴求数据，而人类可以高效地运用数据。人类的学习可以将最少的数据实现最大化运用。（P044）

  社会学习。

  人类是唯一会主动分享信息的物种。我们通过语言向其他人学习。这一本领是目前的人工神经网络无法企及的。（P044，注：说人类是唯一会主动分享信息的物种是不准确的。实际上，很多动物也具有信息分享的行为。例如，蜜蜂通过舞蹈来告诉同伴花蜜的位置，海豚和某些鸟类也通过声音交流来传递信息。人工神经网络在模拟某些类型的语言处理和信息学习方面已经取得了显著的进展。虽然这些系统还不能完全模拟人类的语言学习和使用的所有复杂性和灵活性，但在特定任务上，如语言翻译、语音识别等，它们已经表现出相当的能力。）

  一次性测试学习。

  一个极端例子是我们通过一次测试就能学会一项新东西。……当然，一些人工神经网络也能储存一些具体的片段。机器尚无法做到而人脑能轻而易举地做到极致的，是将新信息综合到已存在的只是系统里。（P044，注：表达不够准确。的确，人类有时可以通过很少的经验（甚至一次测试）学会新事物，这反映了人类大脑的高度灵活性和强大的抽象思维能力。然而，这并不是常规情况，复杂技能的掌握通常需要重复练习和时间积累。人工神经网络确实能在某种程度上“记忆”训练过程中的具体数据片段，特别是在使用如少次学习（few-shot learning）或一次学习（one-shot learning）的技术时。这些技术旨在使网络能够从很少的数据中快速学习。）

  学习就是成功地将新知识纳入已有的知识网络的过程。（045）

  系统性以及思想语言。

  人脑能够在具体事例背后发现普遍规则，语法规则只是这独特天分的一个例子。不论是在数学、语言、科学领域，还是音乐领域，人脑都能从中提取抽象原则、系统规律，从而再运用到不同的情境中。（P045）

  如今的人工神经网络无法表达“每个数字都有一个手续数字”这样简单的抽象定律。总结绝对真理不是它们所擅长的。系统性是在符号规则上进行总结的能力，而不是肤浅的同质化。它仍然困扰着现行人工神经网络的运算。具有讽刺意义的是，所谓的深度学习算法几乎无法进行任何深刻的思考。（P045）

  组合。

  令人惊讶的是，当下的人工神经网络尚未显示出这样的灵活性。它们习得的知识还局限于隐秘的、无法获取的联结中，从而很难将它重新运用于其他更复杂的任务中。将之前所学技能进行组合的能力，也就是重组技能并运用于解决新问题的能力。……在人脑中，学习几乎总是代表着使知识显性化，从而使之被再次使用、重组，并能向他人解释。（P047）

  理性是思维的普遍工具……学习向推理靠拢，即尝试去掌握领域规则的逻辑推断。（P048）

  2、学习是对领域语法的推理

  人类的特征之一是不懈地搜寻抽象规则，从一个具体的情况及随后在新情况的测试观察中提取高级别的总结。尝试构建这样的抽象定理可谓非常有力的学习策略，因为大部分抽象定理恰恰就是适用于最多观察的规则。大规模加快学习的总结方法，就是找出能解释所有已知数据的合适定理或逻辑规则，而人脑深谙此道。（P048）

  学习意味着尝试选择符合数据的最简单模型。（P051）

  “抽象之福”（blessing of abstraction），最抽象的规则最容易学。（P054 ）

  学习包括从一组众多的人脑思维语言数据中，选出最符合外部事物对应的那一个。我们很快就会看到，这是儿童所拥有的一个卓越模式。他们就像一个个刚出道的科学家，构建理论并将之与外部世界进行比较。这意味着儿童的思维表征比当下的人工神经网络要结构化得多。从出生起，儿童的脑中就已经具备了两个核心成分：能使制造出丰盈的抽象公式成为可能的所有机械装置（即思维语言的组合），以及根据数据的合理性明智选择出合适公式的能力。这就是脑的新版本：一个巨大的假设生产模型，制造层级式假设的规则和结构并实现大规模的结构化，同时又能逐渐限制自己以符合现实。（P055）

  3、学习就是像科学家一样推理

  脑是怎么选择最佳假设的？外部世界的模型应该基于怎样的标准来被接受或被拒绝？事实上，有一个理想策略来回答这些问题，即“脑像一个刚出道的科学家一样行事”这一假设。根据这个假设，学习就是像一个优秀统计学家一样在几个备选理论中选择正确率最高的一个，因为它是最能解释既有数据。（P056）

  科学推理的原理是什么？当科学家构建一个理论时，他们不只是写下数学公式，还要作预测。一个理论的优势在于其原始预测的丰富性。随后对这些预测的确认或推翻决定了这个理论的有效或失败。重述哲学家卡尔·波谱（Karl Popper）的话：随着一些列推断与驳斥对一个理论的推进性完善，无知就会逐渐衰落。（P056）

  科学缓慢的进展与我们的学习相似。随着我们的脑通过观察越发准确地构建关于外部世界的理论，每个人思想里的无知会逐渐消失。“孩子是刚出道的科学家”难道不是一个模糊的比方吗？不，它实际上是一个关于人脑如何运作的精准表述。而且，在过去30年间，“刚出道的科学家”这一个假设引领了一些列关于儿童如何推理和学习的重大发现。（P056）

  数学家及计算机科学家很早以前就已经从理论上说明了在不确定性面前推理的最佳方式。这一精准理论被称为“贝叶斯”，是以其发明者托马斯·贝叶斯的名字命名的。……越来越多研究者开始意识到，只有抓根于概率理论的贝叶斯理论才能确保从每个数据点中提取信息的最大化。学习就是要从每一个观察中提取尽可能多的推断，即使这个推断是很不确定的。而这正是贝叶斯理论管用的原因。（P057）

  推理的正确方法就是通过概率来推理，从而追溯每个观察结果最有可能发生的原因，无论观测结果多么微小。（P057）

  《概率伦：科学的逻辑》（Probalility Theory：The Logic of Science）是统计学家杰恩斯（E.T.Jaynes）写的关于贝叶斯理论的一本非常好的著作。他在书中展示了所谓概率不过就是我们对不确定性的表达罢了。这个理论用精确的数学理论表述了当我们进行新的观察时，不确定性的演绎所必须遵从的规则。它是逻辑在概率和不确定性领域中的完美延伸。（P058）

  成人的判断包括两个层级的观点：人类物种天生具备的知识（贝叶斯派学者称之为先验，通过进化继承的一系列可能假设），以及我们个人掌握的知识（后验：基于生命中积累的所有推理，修正后的先验假设）。这个观点终止了关于“先天与后天”的经典争论。脑的结构为我们同时提供了用力的始发工具和同样强大的学习机能。所有知识都必须基于两个部件：一是我们与环境互动前就存在的一组先验假设；二是一旦我们经历过真实数据，就能够根据后验可能性来区分这些先验假设的能力。（P060）

  第二部分、人脑如何学习

  如果机器具备这两种机制，学习就会非常高效：大量的假设空间、一组有多种设置可供选择的心理模型以及能根据外界接收到的数据来调整这些设置的精细算法。（P062）

  人工神经网络用自己的方式做到了这一点，它把心理模型的表征委托给了数以百万计的可调联结。然而，这些系统在捕获快速、无意识识别的图像和语音时，还无法表征更抽象的假设，例如语法规则或数学运算逻辑。（P062）

  人脑似乎在以不同的方式运作，即我们掌握的知识通过符号的组合不断增加。根据这个观点，我们刚出生时，脑中有大量潜在思想的可能组合。这种思想语言具有抽象假设和语法规则，早在学习之前就已经存在了。它产生了广泛的假设以得到检验。根据贝叶斯理论，检验这些假设时，我们的脑必须像一名科学家一样，收集统计数据，并且用这些数据来选出最适合的模型。

  第3章：看不见的婴儿知识

  外表具有欺骗性，尽管新生儿的脑还未成熟，但是它已经拥有了大量从悠久的进化历史中获得的知识。只是大部分知识都没有显现出来，因为它们无法从婴儿的原始行为中表现出来。认知科学家的大量创新和重大方法上的突破，为我们揭示了婴儿天生具有的各种能力，识别物体、数字、概率、面孔、语言……婴儿的先验知识范围非常广阔。

  1、 物体感念

  数百万年的进化似乎已经讲这项知识铭刻进我们的脑中了。早在几个月大时，婴儿就已经知道世界是由移动的连贯物体组成的，物体占据着空间，不会无缘无故地消失，也不会同时出现在两个不同的地方。某个意义上，婴儿的脑已经知道了这个物理定律：物体的移动轨迹在空间上和事件上都是连续的，不会突然跳跃或消失。（P064）

  婴儿拥有大量关于外部世界的知识，但是他们一开始并不知道这一切。婴儿需要花几个月时间才能理解两个物体如何相互支撑。（P066）

  请记住，当你因为宝宝第10次从桌子上丢下汤勺而感到绝望时，他们只是在做实验！像任何科学家一样，婴儿需要完整的系列实验来排除所有的错误理论，通常遵循以下的顺序：（1）物体在空中保持静止；（2）物体必须碰到别的物体才不会掉落；（3）物体必须在另一个物体上面才不会掉落。（4）物体体积的大部分必须在另个物体上面才不会掉落，以此类推。（P066）

  2、数感

  婴儿虽然不会数数，但他们从出生起就已经具备根据图像识别数量的直觉能力。（P067）

  实验显示，计算是进化赋予人类以及其他许多物种的天生技能之一。（P068）

  理解物体和数量的抽象概念时人类思想的根本，是我们生而就有的、带到这个世界的“核心知识”的一部分，正式这两种概念的组合促使我们形成了更加复杂的思想。（P068）

  3、对概率的直觉

  当前最流行的脑功能理论认为，人脑是一台会计算概率的计算机，能够操纵概率分布并运用它们来预测尚未发生的事件。（P069）

  最近的一系列研究进一步表明，婴儿的脑生来具备进行复杂概率计算的所有机制。（P069）

  生命伊始，我们的脑就被赋予了逻辑直觉。……婴儿在很大程度上可谓是刚出道的科学家，他们像优秀的统计学家一样推理，排除假设和最小可能性，并搜索各种现象背后的隐藏的原因。（P070）

  婴儿的注视时长反映了其逻辑推理的投入程度。与成年人相同，婴儿的瞳孔会在他进行推理时放大。（P071）

  4、关于动物和人的知识

  婴儿看到动物自己移动并不会感到惊讶。实际上，对于他们来说，任务物体自行移动，甚至是三角形或正方形，都会被标记为“动物”。从那一刻起，一切都不一样了。这个婴儿知道，所有的生命体都不必依物理定律而动，它们的运动受自己的意图和信念支配。（P072）

  婴儿不仅可以推断周围人的目标和意图，还可以推断他们的能力和偏好。（P072）

  P072 即使9个月大的婴儿也能分辨出故意伤害他人的人、不小心伤害他人的人、有意拒绝帮助他人的人以及没有机会帮助他人的人。。。。。一岁的孩子就能够判断出某个人是否正在努力教自己某件事。他可以分辨普通动作与以教授知识为目的的动作之间的区别。匈牙利心理学家捷尔吉·盖尔盖伊认为，一岁的孩子就已经具备了与生俱来的教学感知。（P073）

  5、面孔感知

  婴儿社交技能的最早体现之一就是对面孔的感知。对成人来说，最轻微的提示就足以触发其对面孔的感知：卡通脸、笑脸、面具……值得注意的是，这种对面孔的敏感在婴儿刚出生时就有了（P073）

  许多研究者认为，这种被面孔吸引的现象在依恋的早期发展中起着直观重要的作用，尤其考虑到孤独症的最早症状就是避免眼神接触，这一点更加证实了以上假说。我们的眼睛容易被脸吸引，这一先天偏好会迫使我们学习如何识别它们。（P073）

  6、语言本能

  低龄儿童的社交技能不仅表现在视觉方面，也表现在听觉领域。口语对他们来说，就像面孔感知一样容易。正如史蒂芬·平克（Steven Pinker）在其畅销书《语言本能》中指出：“人类对语言具有明显的天赋，他们无法抑制自己学习和使用语言的能力，这种本能甚至超越了触碰到滚烫的物体表面时缩回手的本能。”我们不要误解这句话。显然，婴儿虽然不是生而就熟练掌握了词汇和语法，但他们拥有以最快的速度获得它们的能力。婴儿生而具有的并非语言本身，而是获得语言的能力。（P074）

  生命第一年的语言环境影响了婴儿的这些早期天赋。婴儿迅速地注意到某些声音没有在他们的语言中使用，例如说英语的人从来不会发出法语中的元音u和eu，日语母语者无法分辨R和L的区别。在短短几个月的时间里（对元音来说是6个月，对辅音来说是12个月），婴儿的脑通过其原始假设对音素进行分类，并保留与他们生活环境中的语言相关的音素。（P075）

  语言学家诺姆·乔姆斯基（Noam Chomsky）也许是对的，他推测，人类天生就具有一种“语言习得装置”，这种特殊装置在出生后的第一年被自动激活。正如达尔文在《人类起源》（The Descent of Man）中写的，语言“当然不是真正的本能，因为每种语言都必须被习得”，但是“获取语言的倾向是一种本能。”我们的天赋是学习任何一种语言的本能，这是一种不可抑制的本能，即使被剥夺了说话能力的人，也会在几代人之后自发发展出其他形式的语言。在聋人群体中，高度结构化的、具有普遍语言特征的手语从第二代酒开始出现了。（077）

  第4章、脑的诞生

  在精确的核磁共振成像技术出现后，我们才终于将人脑的早期组织可视化，与我们的预期一致，几乎所有成人的脑回路已经存在于新生婴儿的脑中。（P080）

  1、婴儿的脑是组织有序的

  在两个月大时，婴儿已经激活了与成年人相同的语音、词汇、句法和语义的层级结构。与成年人一致的还有，信号到达的皮层的层级越高，脑的响应就越慢，这些脑区就越多地在更高级整理信息。（P081）

  当然，两个月大的婴儿还无法理解他们听到的句子，他们还没有发现单词和语法规则。即便如此，在他们的脑中，这些语言信息已经被传送到高度专业化的、类似于成人的脑回路中去了。婴儿之所以能快速学会说话和理解语意，可能是由于他们的左脑预先配备了一个专门探测语音各个方面（声音、单词、句子和篇章）的统计规律的回路。这是其他灵长类动物无法做到的。（P081）

  2、语言通路

  无须任何来自外界的干预，脑就会自动形成纵横交错的网络联结，其中几种是人类特有的。稍后我们会看到，学习可以进一步完善这个网络，但它的最初结构框架是先天的，在子宫内已形成。（P082）

  3、皮层自组织

  成人的皮层形态是基因组和早期生长环境的不断积累的记录。（P084）

  胎儿的大脑皮层的褶皱是由于生化自组织过程而自发形成的，这个过程依赖于基因和细胞的化学环境，只需要极少的遗传信息，且完全不需要学习。（P084）

  这个自组织的概念与经典理论完全不同。经典理论错误地将人脑视为一块白板，几乎不存在初始结构，而依赖于环境的塑造。与此观点相反，人脑发育出地图或数字链接基本上不需要数据。自组织也将人脑与目前统治人工智能领域的工程化人工神经网络区分开来。如今，人工智能实际上已成为大数据的代名词，因为这些网络非常需要数据，只能在获得千兆直接的数据后才能够变得智能化。但是，与它们不同，我们的脑不需要太多的经验。与之相反，脑的主要节点，即存储我们的核心知识模块，似乎在很大程度上是自发发展的，也许纯粹是通过内部模拟来发展的。（P088）

  在出生之前，我们的核心脑回路就通过自组织形成，并利用系统内部生成的数据库进行自举。开始的基础工作大多数是从内部产生的，与外界世界没有任何互动；自由最终的调整是需要学习的，被从外界环境中接收的额外数据所塑造。（P088）

  因为我们都拥有相同的初始脑结构，相同的核心知识和同样的学习算法是我们获得更多的潜能，我们常常最终共享相同的概念。每个人都有相同潜能——无论是阅读、科学还是数学，无论我们是盲人还是聋哑人。（P089）

  简而言之，个体差异是真实存在的，但这些差异是程度上的而不是类别上的。仅在脑组织正太分布的极限情况下，神经生物上的变异才会最终导致真正的认知差异。（P089）

  第5章、养育的作用

  我持续强调了先天因素对脑回路的影响，即基因与自组织的交互作用。但是，后天养育也同等重要。脑的早期组织并不是永恒不变的，经验会改善机丰富它们。（P093）

  1、突触的改变只发生在动物用来学习的回路中。（P098）

  西班牙解剖学家圣地亚哥·拉蒙·卡哈尔的伟大发现让他获得了1906年的诺贝尔奖。他发现脑是由独特的神经细胞（神经元）组成，而非之前以为的网状组织。（P095）

  

  神经元、突触以及它们所形成的微型回路是脑可塑性的材料硬件。每次我们学习时，它们都会进行调整。每个神经元都是一个独特细胞，带有它的“树”，被称为“树突”（左图上），用于从其他神经元处收集信息；每个神经元还有一个轴突（左图下），用于将信息发送到其他神经元。显微镜可以轻易分辨出树突棘，它呈蘑菇形，承载着突触，即两个神经元相连之处。当我们学习时，所有这些组成都会改变，包括突触的形状、数量和强度，树突棘的大小，树突和轴突分支的数量，甚至是包裹轴突并决定其传递速度的髓磷脂的层数。（P094）

  诺贝尔奖得主、神经生物学家托马斯·苏德霍夫（Thomas Sudhof）的结论是：突触是神经系统的计算单元，是脑的微处理器。要知道，我们的脑包含了大约一千万亿个突触。它的复杂度是无与伦比的。（P095）

  在人的一生中，我们的突触在不断改变，而这些改变反映出来的就是我们的学习。每个突触都是一个小型化工厂，这个工厂里的许多参数都会在学习过程中改变，包括囊泡的数量、大小，感受器的数量、效率，甚至突触自身的大小形态。所有这些参数共通影响着突触前终端被传递到突触后神经元的能力。它们还提供了存储我们学习到的有用信息的空间。（P096）

  脑并不会记录我们生活中的所有事件。只有那些被认为最重要的事件才会被印刻到突触中。为了达到这个目的，突触的可塑性会被巨大的神经递质网络调控，比较重要的神经递质有乙酰胆碱、多巴胺以及血清素，它们会提示那些情境时重要且需要被记忆的。（P097）

  每一点记忆的存储就是一场重建，记得就是尝试去回放过去经验发生时在同一个脑回路里产生的相同神经放电线路（P099）

  2、营养是学习的核心要素，但突触可塑性有能力也有局限

  神经元不是学习这场游戏中唯一的细胞“玩家”。随着学习的不断推进，细胞的整个环境也会发生变化，包括周围供给和治愈神经元的胶质细胞，甚至还为神经元提供氧气、葡萄糖及营养的血管和动脉网络。在这个阶段，整个神经回路及其支持结构都发生了改变。（P104）

  我们学习时会发生大规模的生物变化：不仅神经元在引导书涂和轴突时会改变，周围的胶质细胞也会变化。所有这些转变都需要时间。每一次学习的经历都需要花上几天的时间来引发一系列生物变化。许多可塑性的专有基因必须要得以表达，才能让细胞制造出必要的蛋白质和细胞膜来铺设新的突触、树突、轴突。这个过程会吸收许多能量，一个小孩的脑最多会消耗50%的身体能量。葡萄糖、氧气、维生素、铁、碘、脂肪酸······大量多样的营养对脑的健康发布是必须的。脑不只靠心智的刺激来供给，在每秒内制造和消除几百万个突触，需要平衡的饮食、氧气和身体的运动。（P105）

  对一个营养充足的脑来说，可塑性可以发展到什么程度？它能彻底改变脑吗？脑的结构会根据经验发生翻天覆地的变化吗？答案是：不会。可塑性是一个适应性变量，是学习的基础，但受到各种定义我们的基因的制约。它是固定基因组与独特经验的结合。（P107）

  人脑会使用突触可塑性来进行自组织。首先，在没有任何环境信息输入的情况下，它会完全由内到外制造出活动规律，然后结合突触的可塑性来制造回路。在子宫中，脑、肌肉，甚至是视网膜在收到任何感觉输入以前，就已经展现出了自然活动（这也是胎儿会在子宫里面动的原因）。神经元是可以被激发的，它们可以自然放电，其动作电位会自行形成巨大电流穿过脑组织。即使在子宫里，神经元的随机动作电位形成的电流也会穿梭于胎儿的视网膜。虽然严格意义上说，它们不携带任何视觉信息，但在即将达到的皮层时，这些电流会协助形成皮层地图。因此，突触可塑性一开始在不需要与外界有任何互动的情况下便是活跃的。只有在第三个妊娠期，先天与后天的分界线才睡着发展完善的脑开始适应内外环境，并逐渐变得模糊。（P110）

  即使在出生以后，与感觉输入无关的随机神经元放电形成的电流会继续穿梭于皮层。慢慢地，这个内源性活动在感觉器官的影响下发展起来。这个过程可以在贝叶斯理论框架中得到准确诠释。原始内源性活动代表了统计学家说称的先验假设：脑的期待，即在其与外界互动之前就有的进化假设。之后，这些假设逐渐适应环境信号，在出生几个月之后，自然神经活动便趋同于统计学家所说的后验假设：脑的概率分布变得越发与真实世界的统计数据相符。在脑的发展过程中，随着神经回路从感觉深入中积累数据，它所携带的内部模型会被改善。最终的结果是妥协，即从原始脑结构提供的所有先验假设中选取最佳模型。（P111）

  3、童年早期是一个非常敏感的时期，语言学习要从早期开始着手

  在许多脑区，可塑性只有在有限的时间内才会发挥最强性能，这段时间被称为“敏感期”。它在童年早期被激活并达到峰值，然后随着我们年轻的增长而逐渐减弱。整个过程长达几年，并根据脑区不同而表现不同。感觉区域的可塑性在一岁或两岁左右到达顶峰，而像前额皮层一类的高级区域，会在童年末期或青少年早期到达顶峰。可以确定的是，随着我们逐渐长大，神经可塑性会慢慢减弱，学习虽然不会完全停止，但会变得日渐困难。（P112 ）

  婴儿是学习语言的冠军，出生时，他们就能区分任何语言的所有音素。无论他们在哪里出生，有什么基因背景，他们只需要沉浸在语言环境里面几个月（可以是单语种、双语种、甚至是三语种），他们的听力就会与周遭的语言音系相适应。成年人则失去了这项卓越的能力，正如我们所见，说日语的人，在英语国家生活一辈子，也无法区分L和R的发音，永远会把right与light，red与led，以及elction与erection混淆。英国人和美国人也绝对无法区分任何印度语者都能轻松掌握的辅音T的齿音和卷舌音，或者芬兰语和日语的短、长元音，或者中文里面四个音调。（P115）

  研究显示，我们在一岁左右便失去了这项能力。婴儿会无意识地把听到的东西进行数据汇编，并且脑会根据周遭人所用的音位的分布进行适应性调整。在12个越大时，这个过程汇聚起来，脑中有些东西就被冻结了，我们失去了这项学习能力。除非是在极其特殊的情况下，否则我们绝不可能被别人误以为母语是日语、芬兰语或印度语。我们的音系基本上完全固定。一个成年人将需要付出巨大努力来恢复区分外语发音的能力。一个日本成年人只有通过高强度和专注的恢复训练，首先将R和L的发音差异放大，然后逐渐减小放大的幅度，才能成功地恢复区分这两个辅音的部分能力。这就是科学家更倾向于用“敏感期”而不是“关键期”一词的原因。学习的潜力会减弱，但绝不会完全消失。在成年后，学习外语音素的剩余能力具有巨大的个体差异。（P115）

  掌握外语音系的敏感期很快就会关闭，早在几岁时，一个孩子的能力就已经比一个几个月大的婴儿要弱得多。从层级上来看，高级语言处理，比如语法学习的敏感期，持续时间会稍长，但到了青春期时就开始关闭。（P116）再次强调，学习外语越早越好。（P117）

  我们知道了生命早期第一年给幼儿提供语言环境的必要性。包括教给他们手语（手语是真正的语言，且掌握了手语的儿童后期发展会很顺利），或者通过植入人工耳蜗恢复幼儿的部分听力后，教给他们一门语言。研究再一次阐释了语言学习要从早期开始着手的重要性。（P118）

  人类语音和语法的缺失为语言学习的敏感期提供了非常好的例子。这也是脑的模块化的清晰阐释。在语言的语法和语音停止发展后，其他功能，比如学习新单词及其意义的能力却终身存在。（P118）

  生命前几年中脑可塑性更强的相关证据意味着，对儿童早期教育的投入应该成为重点。童年早期是一个非常敏感的时期，大部分儿童的脑回路最容易被改造。随着年龄的增长，突触的可塑性逐渐流失，使学习变得越加困难。但别忘了，神经回路的逐步固化正是使我们的脑能够维系对童年时期所学知识稳定追溯的原因。那些永久的突触标志最终定义了我们是谁。（P123）

  第6章、脑的再利用

  1、神经元在利用假说：教育就是对一个人现有神经回路的再利用（P130）

  在我们出生时，脑的所有大型纤维束就都已经就位了。而脑的可塑性可以重组它们的终端联结。每当我们获取新知识时，数以百万计的突触都会发生可塑性变化。通过丰富孩子的环境，例如送他们上学，就可以极大地强化他们的脑，并让他们习得更多以终身受用的技能。但是，这些神经可塑性并非不受任何约束。它不仅在空间上收到约束（变化幅度大约只有几毫米），而且在时间上也收到约束——许多回路在几个月或几年之后就会被关闭。（P127 ）

  我们都需要锻炼记忆力———通过上学和学习阅读，记忆力会变得更好，而不是更差。（P128）

  任何文化学习都必须有赖于改变已有神经结构的功能，以及对其特性的再利用。因此，教育必须通过利用我们神经回路的多样性以及人类特有的长时间的神经可塑性，来适应我们神经回路与生俱来的局限性。（P130）

  神经元的再利用发生在个体的脑中，时间跨度要短得多，从几天到几年不等。对脑回路的再利用无法基因改变，只需要通过学习和教育，就能重新定位其功能。（P131）

  每个脑区都有自己首选的神经活动状态，并忠于职守。每个脑区都把自己假设的空间形态投射到这个世界上：一个试图用直线拟合输入的数据，另一个尝试用地图表示它们，第三个则试图用一棵树来表示……这些假设空间先于学习而产生，并且在某种程度上使学习称为可能。当然，我们可以学习新知识，但这些新知识需要找到它们的神经元生态位，一个与他们天然的注视形态相适配的表征空间。（P134）

  2、数学再利用了估算的神经回路

  人类和猴子的顶叶和前额叶都包含用近似的方式表示数量的神经回路。在接受正规教育之前，这个回路就已经包含了可以对具体集合中物体的大致数量进行感知的神经元。那么，学习的作用是什么呢？在接受过数量比

  展开

• 这本从日本引进的心理学书籍，管保每个人都学得会，用得上

  作者：银城读书 发布时间：2023-03-06 10:09:50

  展开

• 6个成功变革机构的关键

  作者：尔左月 发布时间：2022-10-10 06:05:03

  随着外部商业环境的加速变化，变革已经成为了企业不可回避的重要课题，但如何发现企业中的优秀变革推动者？如何激发组织内部的员工共同推动变革的进程？这无疑是个难题！

  《进化》一书不是一本理论学术书籍，它融合了作者多年来作为咨询顾问协助企业推动组织变革的大量真实案例。全书分为三个部分，分别从变革的要素、方法、详例的角度展开。当下组织变革的主要驱动力源于数字，数字为变革提供了精确的度量，从而便于客观的对变革的过程进行定义。如果你所在的组织组织进行变革，不妨对照一下作者总结提炼出的6个成功变革机构的关键：组真实追随者队伍、身先士卒、吸引注意力、定义问题、挑战传统思维、为自己的价值而活。

  变革不是一蹴而就，但正如曼德拉先生所言：每个人都可以突破自己的境遇，而且只要热衷于所做的事，致力于此，就能取得成功。为方便您的阅读，我已将全书生成1张思维导图。将书读薄，将知识内化，分享阅读，传递思维！

  

  展开

• 这一场冒险的守护之旅，比你想象中的要更加精彩

  作者：之子于瑰 发布时间：2022-06-30 16:59:14

  在游戏中提高能力，对于孩子来说，是一种快乐的学习方式。尤其是在一场激动人心的冒险之旅中，获得心灵和能力上的锤炼。

  我已是两个孩子的妈，对于孩子的教育，其实我也很焦虑，我也很想早点教他们知识，很想赶着他们前进，我也在思考在孩子上小学开始正式学习课本上的知识之前，我们到底应该教他们什么？是提前让他们学习一些课本上的知识，好在上小学的时候能比其他同学懂得快一点，多一点，还是培养他们的专注力观察力以及主动去思考的能力？

  我想，我更倾向于后者。因为，在未来的求学生涯中，学习并非一朝一夕之功，需要孩子主动去求取知识，在这个主动求取知识的过程中，专注力、观察力、记忆力起到了很大的一个作用。

  《迷宫大侦探皮埃尔：守护天空之城的迷宫蛋》就是这样一本能够让孩子积极进行孩子专注力观察力锻炼的书。

  这本书讲的是一个非常激动人心的故事。一座水城的附近有一座小岛，岛上有一棵树，树冠直冲云霄，树冠的顶端是一个神秘的天空之城，那里存放着珍贵的宝贝——迷宫蛋。这个迷宫蛋50年展出一次，这段时间以来，整个水城里的人都在热烈地迎接着迷宫蛋展出的日子。

  如此重要的宝贝，就会有坏人盯着。如果迷宫蛋落入坏人的手中，那么水城就会陷入无穷无尽的黑暗当中。迷宫大侦探皮埃尔和他的助手卡门来到水城准备参加这个重要的节日庆典时，就凭借职业的敏感性嗅到了一丝不安——迷宫蛋有危险！

  果不其然，当皮埃尔和卡门来到酒店大堂时，就收到了自称是铁面双雄的人寄来的信件，信里告知迷宫蛋此刻的危险，以及他们此刻的位置，皮埃尔和卡门便赶紧追上这两个可疑的人，从酒店大堂一直追到太阳塔观景台，他们正在大门口等着皮埃尔和卡门，铁面双雄告诉他们，他们真实的身份是“迷宫蛋守护者”，迷宫捣蛋者的联盟想要偷走迷宫蛋，幸运的是，迷宫蛋掉在这个观景台，被他们收藏起来了，他们需要皮埃尔这样的大侦探带他们走出迷宫，把迷宫蛋安全送回天空之城。

  最终，他们凭借各自的智慧和力量经过重重关卡把迷宫蛋送回了天空之城，守护了水城的和平。

  这本书完全让孩子参与进来，很多挑战都需要孩子充分调动自己的专注力、观察力和记忆力。

  每个孩子都是大侦探皮埃尔，在追赶“可疑人物”铁面双雄以及送迷宫蛋回天空之城的过程中，将会走进15个迷宫，甚至有的迷宫里还会有迷宫，范围比较广，场面比较复杂，轻易无法找到；不仅如此，还要在这15个迷宫里找到300多个细节，需要花上一定的时间，仔细找才能找到，因为，那是在细节当中寻找细节。

  本书是大开本的设计，画面超精细，冲击感很强。每一页里有无数个同类的事物，但每一个细节都是经过了精心设计，每一个人物都非常重要，毫无拼凑感。当你翻开这本书的时候，一定会被眼前的场景冲击到。

  正是在这种超精细的图画里，想要寻找到细节的东西就需要我们保持专注，认真观察，甚至还需要记住一些东西，才能顺利完成任务。这样的形式能够让孩子在快乐中提高自己的能力。

  写在最后的话：

  《迷宫大侦探皮埃尔：守护天空之城的迷宫蛋》不仅仅能够充分锻炼孩子们的专注力、观察力、记忆力，更重要的是，在这场冒险之旅中，孩子体验到了完成目标，接受种种挑战的成就感，以及被挑选为迷宫蛋的守护者，一起守护正义的自豪。

  其实，每个孩子都是“大侦探”，不仅拥有强大的能力，还有满满的正义感，以及坚持不懈的信念。

  

  展开