冷静的思考和快乐的吐槽——《黑客与画家》

此人名Paul,姓Graham,小时候大概不够酷,所以没怎么被大家关注过,此事在他心中留下一个疤,这个疤后来化解为了《黑客与画家》中的一段冷静而又强烈的表白:

 

“对我而言,最糟糕的日子是初中。孩子们内部的世界刚刚形成,一切都很严酷,聪明的孩子与普通的孩子,人与人之间的差异慢慢开始显露。几乎每一个和我讨论过的人都同意,人生的最糟糕时期是在11岁到14岁。”

 

“世界上是否还有人比美国的中学生在塑造个人魅力方面更加孜孜不倦、精益求精。青少年每时每刻都想融入集体之中。”

 

显然,让Paul很不爽的事情是,在当时的青少年中,对于”酷帅bility”的攀比之风异常严重,在此期间的每轮PK,乐观估计的话,Paul被划分为nerd书呆子的类型,生活状况惨不忍睹。

 

“最受欢迎的孩子并不欺负书呆子,他们不需要靠踩在书呆子身上来垫高自己。大部分的欺负来自于下一等级的学生,那些焦虑的中间层。”这段话很赞,我在其中看到了成年人社会的影子。而且,作为一个被压迫的阶层,居然能够跳出个人的悲惨,用第三者的身份观察大千世界,发现三阶层定律,这是何等的超脱何等的慧根啊。我想赞的并不仅仅是这个规律的内容,更是这个规律背后的态度,是这种博大宽厚的包容。

 

“事实上,我并不是强烈地渴望受人欢迎,我想追求的是另一件事情----聪明。这不仅仅意味着在学校取得好成绩,我真正想要的是,能设计奇妙的火箭,能写出漂亮的文章,理解编程原理。一句话,我想做伟大的事情。”

 

“成年人肯定不可避免地看到了孩子们在受苦受难。他们为什么不做点什么呢?因为他们认为那是青春期在作祟。成年人对自己说,孩子们不快乐的原因是因为他们身体内部新出现了大量的化学物质--激素。激素在血液中奔流,把所有事情都搞得一团糟。整个社会系统一点问题也没有,孩子们到了这年纪,不可避免地会感觉很糟糕。”

 

Paul在此刻亮了身份牌,终于发出了迟来的告白。嘿嘿,想当年懒得理会各种酷帅小子的过招,当然主要是因为当年确实过不了几招,现在嘛,终于宣告天下了,本人当年追求的东西就不是大众倡导的东西,呵呵~

 

至于指责成年人没有在孩子们的青春期成长中起到真正的帮助作用的这段,我部分赞同。我认为成年人没有完全理解青少年这点是讲得没错的,但是若要指望成年人对青年人起到什么指导作用,我认为这最多算是一个美好的愿望。它不可能大面积地发生,因为并非每个成年人都有这个能力。它也不应该大面积地发生,因为青年人需要在摸着石头过河的过程中寻得自己的坐标系,而且我个人认为这是最好的成长方式,我个人认为try-and-error是最好的提高智商和提高情商的方式。

 

用理工科思维理解世界

"过去的社会中,青少年扮演者一个更积极的角色。工业化时代到来前,青少年都是某种形式的学徒,不是在某个作坊,就是在某个农庄,甚至在某艘军舰上。他们不会被扔到一旁,创造自己的小社会。他们是成年人社会的低级成员。"

 

过去的青年人是成年人社会的低级成员,这真是对工业革命前后的青年人的差异的本质的揭露,非常简洁有力。我觉得用成年社会的眼光来理解青年社会的这种类比思路非常地不错。我很好奇,如果工业革命能够作为一个时间分割点,那么信息革命也可以作为一个时间分割点了,在信息革命前后的青年人又有什么差异呢?Paul书中没写,我也就只能眼巴巴地望着,另外就是决定接下来把他的blog遍历一遍,看看有没有什么启发。

 

"我一直不喜欢“计算机科学”这个词。主要原因是根本不存在这种东西。计算机科学就像一个大杂烩,由于某些历史意外,很多不相干的领域被强行拼装在一起。这个学科的一端是纯粹的数学家,他们自称“计算机科学家”,只是为了得到国防部研究局的项目资助。中间部分是计算机博物学家,研究各种专门性的题目,比如网络数据的路由算法。另一端则是黑客,只想写出有趣的软件,对于他们来说,计算机只是一种表达的媒介,就像建筑师手里的混凝土,或者画家手里的颜料。所以,在“计算机科学”的名下,数学家、物理学家、建筑师都不得不待在同一个系里。"

 

"举例来说,我在大学受到的教育是,在上机编程之前,应该先在纸上把程序搞清楚。可我自己一直不是这样编程的,我喜欢直接坐在计算机前编程,而不是在纸上编程。"

 

Paul眼中的计算机不过是一种工具,使用这个工具,他做一些能够带来价值和趣味的事儿。黑客码点儿代码然后产出一段程序的过程和画家挤点儿颜料然后画出一幅画作的过程在他眼中是类似的。这是个充满乐趣的智慧的比喻。打破领域的界限在事物中合并同类项,是一件很有意思的事情。

 

“语言之间的关系或许还可以比喻成栅格结构(Lattice),从下往上朝着顶端慢慢收窄。具体的形状在这里并不重要,重点是语言之间至少存在着一种偏序关系。”

 

这段话太高端了,我没懂。

 

他居然想到用偏序关系来描述语言之间的关系,膜拜一下他的niubility。

 

顺其自然的工作节奏

 

"黑客就像画家,工作起来是有心理周期的。有时候,你有了一个令人兴奋的新项目,你会愿意为它一天工作16个小时。等过了这一阵,你又会觉得百无聊赖,对所有事情都提不起兴趣。"

 

“人们有时会说自己有了’状态’,我的理解是,他们这是可以控制自己的脊髓。脊髓是更本能的反应,面对难题时,它能释放你的直觉。”

 

“单单是无法容忍丑陋的东西还不够,只有对这个领域非常熟悉,你才可能发现哪些地方可以动手改进。你必须锻炼自己,只有在成为某个领域的专家之后,你才会听到心里有一个细微的声音说’这样解决太糟糕了,一定有更好的选择’。不要忽视这种声音,要培育它们,优秀作品的秘诀就是:非常严格的品味,再加上实现这种品味的能力。”

 

相信这段话会得到很多读者的共鸣。特别是果丝。

 

我觉得,最幸福的生活既不是像学霸那样严格执行每一项计划,也不是像在网吧里打星际争霸那样松松垮垮,而是在严格的时间点上找寻自由。

 

比如,A项目是手头最重要的项目,制定了deadline在今年3月1号。于是在deadline之前,就自由地干活吧。效率高时就一气呵成16小时,效率低时就做点儿别的事儿。在有限制的条件下找寻自由,这是我个人最喜欢最推荐的方式了。其实这里面也涉及到一些问题,但是都是可以通过练习得到解决的问题。比如,如何合适地制定deadline,如果效率一直低下该怎么办等等。这些不仅是一种问题,而且也是一种培养能力的途径,只要坚持刻意的练习,坚持实践坚持总结,就会懂得许多。

 

独立思考的自信和拒绝从众的策略

 

"如果别人告诉你应该相信什么,你就真的相信了,那么你就会和别人一样犯下同样的错误。如果你是南北战争前南方的庄园主,你就会与北方开战;如果你是20世纪30年代的德国人,你会相信希特勒。"

 

"你的策略,简单说,就是不赞同这个时代的任何一种歇斯底里,但是又不明确告诉别人到底不赞同哪一种歇斯底里。狂热分子试图引诱你说出来真心话,但是你可以不回答。如果他们不放手,一定要你回答到底是赞成还是反对我们,你不妨以不变应万变,’我既不反对也不赞成’。"

 

"不过,更好的回答是’我还没想好’,哈佛大学校长Larry Summers被逼表达时,就是这样说的。他后来解释说’别想在我身上做石蕊实验’。人们喜欢讨论的许多问题实际上都是很复杂的,马上说出你的想法对你并没有什么好处。

 

“另一种反击的方法是使用metophor,隐喻。”

 

这段的精髓就是“打太极”,呵呵,我学到了。

 

科技观和创业观

 

“你的电脑这个概念正慢慢成为过去时,取而代之的是你的数据。你应该可以从任何电脑上获取你的数据。或者更准确地说,在任何撞断设备上获取你的数据,终端设备不一定是电脑。”

 

“进入壁垒(barriers to enry)是创业公司的本质。如果你有一个新点子去找VC,问他是否投资,他首先就会问你几个问题,其中之一就是其他人复制你的模式是否很困难。也就是说,你为竞争对手设置的壁垒有多高。你最好做出令人信服的解释,阐明你的技术难以复制的原因。否则一旦大公司看到了,它们就会做出自己的版本,再加上它们的品牌、资本、经销能力、一夜之间就把你的市场全部抢走。那时你就像来到开阔地带的游击队,会被正规军一举歼灭。 ”

 

“创业是有一些潜规则的,其中一条就是很多事情由不得你。比如,你无法决定到底付出多少。你只想更勤奋工作2到3倍,从而得到相应的回报。但是,真正创业以后,你的竞争对手决定了你到底要多辛苦,而他们做出的决定都是一样的:你能吃多少苦,我们就能吃多少苦。”

 

“创业公司如同蚊子,往往只有两种结局,要么赢得一切,要么彻底消失。你通常不知道自己会是哪一个结局,只有等到最后一刻才会明了。有好几次Viaweb都接近失败了,我们的发展轨迹就像正弦函数的波形。幸运的是,我们在波形的最高点被收购了,但是真是差一点就倒闭了。

 

保险的做法就是在早期卖掉自己的创业公司,放弃未来发展壮大(单风险也随之增大)的机会,只求数量较少但是更有把握的回报。”

 

这段主要讲创业,学习观摩之。进入壁垒的这个东西的存在告诉我们,企鹅帝国的强大不是道德的问题,而是现实的问题。商业就是这么玩儿的,呵呵。

 

对金钱、贫富、收入差距和公平的态度

 

"金钱是专业化的副产品,在一个高度分工的社会,你需要的大部分产品无法自己制造。当社会分工越来越惊喜后,人们发现解决方法是把毛衣过程分为两步。先用小提琴交换金钱,然后再用金钱交换你需要的东西。金钱就是交换中介,它必须熟练工稀少,并且便于携带。"

 

"这里令人混淆的地方就是金钱有其抽象含义的一面。金钱不是财富,而只是我们用来转移财富所有权的东西。所以,虽然在某些特定的情况下(比如某个家庭当月的收入),你能用来与他人家换的金钱数量是固定不变的,但是大多数情况下,世界上可供交换的财富不是一个恒定不变的量。人类历史上的财富一直在不停地增长和毁灭(总体上看是经增长)。"

 

"通过修理一辆老爷车,你使得自己更富有。与此同时,你也并没有使得任何人更贫穷。所以,这明显不是一个面积不变的大饼。事实上,当这样观察的时候,你会很好奇,为什么会有人觉得大饼的面积无法增大。"

 

“当我们说一些工作报酬过高,另一些工作报酬过低,我们的真实想法到底是什么?在自由竞争的市场经济中,价格由买家的需求决定。如果人们喜欢棒球甚于喜欢诗歌,那么棒球运动员的收入就是要比诗人的高。”

 

“技术应该会引起收入差距的扩大,但是似乎能缩小其它差距。一百年前,富人过着与普通人截然不同的生活。他们住在大房子里,有许多仆人服饰。现在富人与普通人的差距缩小了。”

 

“技术无法使其变得更便宜的唯一东西,就是品牌。这正是为什么人们现在越来越多地听到品牌的原因。富人与穷人之间生活差异的鸿沟正在缩小,品牌是这种差距的遗留物。但是,品牌只是商品的标签,即使买不起名牌,至少你还可以买普通牌子,这总比根本无法消费这一种商品要好得多。1900年,只要你有一辆马车,你就是富人,根本没人问你马车的牌子。没有马车的人就是穷人,只能挤公共汽车或者步行。今天,即使最穷的美国人也有自己的汽车,那么厂商只好通过广告训练我们识别品牌,以便我们能够识别哪些汽车特别昂贵。”

 

“技术的发展加大了贫富差距,这是不是一个社会问题?好像没有那么严重。技术在加大收入差距的同事,缩小了大部分的其他差距。”

 

“在历史的不同时点,你是否能通过创造财富而致富就是一种打开、关闭的循环过程,如果电风扇打开就产生噪音关闭就没有噪音一样。在公元800年的意大利北部,关闭(贵族偷窃平民的财产);在公元1100的意大利北部,打开;在公元1100的发过中部,关闭(仍然是封建社会);公元1800的英国,打开;1974年的英国,关闭(投资所得税高达98%)'1974年的美国,打开。以上每一种情况,打开时,财富创造活动就出现了,关闭时,财富创造活动就消失了。”

 

“在软件业中,这条原则(好设计是启发性的设计)意味着,你应该为用户提供一些基本模块,使得他们可以随心所欲自由组合,就想玩乐高积木那样。在数学中,这条原则意味着,一个可以成为许多新工作基础的证明要由于一个难度很高,但无助于未来学科发展的证明。”

 

我喜欢这个道理,“技术在加大收入差距的同事,缩小了大部分的其他差距”。解除了我长久以来的疑惑。

 

关于财富的开关过程的比喻也十分形象,深入浅出。现在我越来越相信,对事物的最深刻的认知大部分是形象化的,是可视化的,是可以对一个老太太讲清楚的。如果你的话只能让专家理解,那这说明你的理解或许还不够深刻。

 

赠送段子

书中还写了一些精彩的段子,下面的第一个段子是Paul的原创,第二个段子是译者的补充。

段子一: 劫持飞机与“缓冲区溢出攻击”有类似之处。在一般飞机上,乘客区与驾驶舱是相通的,就好像C语言中数据区与代码区是相邻的一样。劫机者一旦进入驾驶舱,实际上就相当于把自己从数据提升为代码。

段子二: Larry Wall在大学里主修语言学,1987年为了使管理机房的工作变得方便,他在业余时间创造了Perl语言。

这是我在2013年读到的第一本具有个人魅力和趣味传奇的书了,强烈地表示推荐和喜欢,并且把Paul Graham的blog加入了收藏夹,打算这段时间慢慢地看看。
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