普通人如何实现逆袭?

普通人如何实现逆袭?

144  
签约作者   韩大爷的杂货铺  
2017.03.08 14:51   字数 2799   阅读 1355 评论 20

图片来自网络

文/韩大爷的杂货铺

普通人指的是什么样的人?天赋一般、运气一般、各方面资源都有限的人。

可以说,生活中的我们,绝大多数,都是这样的普通人。

嘲笑普通人无法逆袭的,无外乎三种人。

第一种为精英分子,一方面他们在心理上无法接受一个普通人也能和他们平起平坐;另一方面,他们也担心现有的利益蛋糕被更大的分母瓜分。

第二种为懒惰分子,虽然同为普通人,但懒惰分子因长期抱持着“一件事如果我做不到,那肯定不是我的原因,一定是那件事不值得做”的想法,他会嘲笑讥讽身边的上进同类,因为他自己做不到上进,不嘲笑别人就只能嘲笑自己了,这样自我认知就会失衡。

第三种则是对“逆袭”有误解的人。我们一提到“逆”字,本能地就觉得又苦又难又累,人都喜欢打顺风球,向往万事俱备,只差我轻轻地临门一脚那种设定。而显然,“逆袭”“阶级跨越”等说法,都显得过于沉重了,其实没那么夸张。

普通人的“逆袭”是种怎样的逆袭?是要人人都成为大老板,年薪几百几千万吗?不是,准确说也不可能。

既然为普通人,就必须承认,生涯发展是有天花板的,没那么多老板职位等着普通人去当。光环下的成功人士,如果不是因为外部因素获得如今的地位与资源,那么他在性格与做事方式上一定有“变态”,这里的“变态”是中性词,可以称为异于常人或极端之处。

有的人为了向上游进发可以每天只睡三小时,有的人向来就对商业运作有想法,有的人冒着极大的风险或以“交付生活中其他方面”为代价走上了让你流口水的位置,这些都不是我们普通人的逆袭目标。

普通人的逆袭,说白了只是让自己在收入上走到中上游,在能力上超出侪辈一两个身位,最终生活的综合幸福指数也达到中等偏上,即可。

至于说真的多么辉煌灿烂,腰缠万贯,负责任地讲,你做不到,也用不着,得到了更未必喜欢。

有了以上认知,我们就可以平心静气地说说普通人想要实现属于自己的“逆袭”,要注意哪些事了。

1.集中归纳起你的时间与精力

当手里掌握的资源极其有限的时候,最明智的做法就是将他们集中起来。

对于普通人来讲,人脉、高学历、物质家底等方面的资源都是捉襟见肘的,甚至不值一提,唯一能称得上资源,且和任何人都能比一比的,无非是时间与精力。

时间与精力资源是普通人最大的财富,也是为数不多的突破口,最值得被重视与珍惜。

然而现实却是:我们普通人大多数的时间被无效损耗了,大多数的精力被分散得七零八落。

如果以1天为单位考量,可以反思一下自己每天花费多长时间玩手机,不是利用资源学东西,而是单纯的,从一个页面,跳转到另一个页面,不停浏览,浏览,保证不知不觉间,两三个小时就没了。

然后,这两三个小时你获得了什么?那些快餐类资讯第二天还能记住多少?有人说我是在通过娱乐放松身心,不科学的,刷手机需要不停地调动你的注意力,真想娱乐的话二三十分钟足够,剩下的时间去睡觉或发呆,起到的放松效果都比刷手机强好多倍。

如果以1年为单位考量,可以反思一下自己过去一年中花了多长时间扑到了无用功上。一年的时间很短,两个月搞搞这个,再用三个月试试那个,折腾几下就到年底了。

同样,一年的时间也足够长,如果专门用它打磨某一两个方面的技能,以每天两小时作为投入预算的话,一年,足以使一个人在该领域渡过新手期。有了这个作为底子,相当于为自己打了一道能力壁垒。

2.找到自己的增长点

将大把的时间与精力整合储备完毕,手里就相当于获得了逆袭的本钱。接下来就要把这些“本钱”花在刀刃上,投资到一两个最合适的领域。

问题来了,哪个发展方向是“适合”自己的呢?

我们可以通过一步步的筛选压缩,确定对于自己来说,什么方向叫合适。

第一、先找出一些感兴趣的方向,写在纸上。兴趣是最好的老师,不用多浓厚,起码得有点,你不可能指望全靠“毅力”与“坚持”去熬一份自己一丁点兴趣都没有的工作,太高估自己的毅力了。

第二、把感兴趣的方向中,跟社会需求搭不上边的,无法有效创造价值收益的项目划掉。有人说我热爱打扑克,不好意思,社会上不太会存在愿意花钱看你打扑克的消费者,成为赌王也是妄想。

有人说,貌似我的所有兴趣都是没有价值的,别急,兴趣与社会需求的结合,需要能力迁移。比如你喜欢手绘,可能很少有人会直接买你的画,但你可以将此迁移到视觉设计类的行业。

第三、在既有点兴趣,又能看到有潜在价值的几个项目里,加上现实因素制约,做最终筛选。

现实因素有很多,把过于天马行空的想法排除后,我还建议你选择一个与既有资源相近的那一个。比如,你说你喜欢做演讲,并且还挺擅长控场,那以此为依托,可以横向开发写作能力,纵向连接心理学与传播学等理论知识,因为放高一点看这些都是表达性工作,不分家,能起到一加一大于二的效果。

第四、有人说我来回一排除,发现所有的都排除干净了,或者我压根就没什么感兴趣的东西,怎么办。别慌乱,兴趣这玩意,很大程度上是我们意识中的错觉,你对什么感兴趣,多半是因为那东西让你“爽”过,给过你情绪上正反馈。

所以说,很多人的很多兴趣,都不是真的喜欢,而是他擅长。擅长某事,做了,得到正反馈,开心了,他就会觉得自己特喜欢干这件事。

所以,倒推回去,如果实在没什么兴趣,那就找一个自己比较擅长的方向,你在这方面有底子,心理占优,可以帮你度过难熬的初始缓慢积累期。

找准方向后,请把手里的本钱——时间与精力,集中投放到上面。我建议你同时“投入”两个方向,当然,它们必须相近,或有关联度。

我们作为普通人,想靠着某一项绝活杀到前百分之五,很困难。比如:文字采访能力再高超,如果只会这一样,上升空间也很有限,如果辅之以:在擅长文字采访的状况下,且懂得财经知识,那就厉害了。

3.在选择的发展领域做持续的刻意练习

把时间与精力规整好,并找到了一两个适合自己投入时间精力成本的方向,接下来就只剩下做了,也就是花时间在方向上练习。

本来这只是一句“口令”,没什么太多可说的,去实践便是。

但仍忍不住多提醒两点:

第一、请务必保持练习的持续性。有些技能是可以在短周期内快速习得的,有些技能则需要有一段增长缓慢,无法看到即时性回馈的潜伏期。很多人都是在这个难熬的阶段掉队,领了盒饭,继续回去做平庸的一个。但能保持住耐心与练习持续性的,都能尝到甜头。

第二、请务必保持练习的“刻意性”。这方面不用讲太多,有人都专门拿刻意练习这事出本书了,可以去取其精华地看看。

简单来说,有效的练习不能停留于舒适区,也不要好高骛远地直奔到陌生区,而是要在“学习区”。比如:你每天能在很轻松的状况下读10页某专业领域的书,如果只顾着量的话,可以刷到30页,那比较靠谱的做法就是读20页左右,并深入理解,联系实际。

刻意练习,让自己的状态保持在“稍稍费点力”。

以上,即为我们普通人实现逆袭的必经路径:规整好自己的时间精力,通过系统的分析探索,将它们投放到一两个“适合”自己的领域,然后从现在开始,做持续的刻意练习。

个体能控制的因素也就这些,起码尽了人力之后,再听天命,祝你好运。

end.


约稿、转载、开白等事宜请发送简信联系我的经纪人bingo_

 日记本

很高兴见到你。

赞赏支持
登录   后发表评论
 
不会跑zw
2楼 · 2017.03.08 14:53

很好

韩大爷的杂货铺: @不会跑zw 有用就好

2017.03.08 15:01    回复
 
顾晴栀
3楼 · 2017.03.08 15:02

今天刚遇上文章写不出来,英语试题做得烂透的低潮期

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值