每日一书丨不同领域的相通的创新之道-读《如何解决复杂问题》

《适者降临》这本书的作者19年6月出了新书，名叫《Life finds a way》，之前他的书读起来很吸引人，这本自然也不能错过。书的作者是苏黎世大学进化生物系的教授，从这本书标题看，这是一本讲生物的书，而副标题则告诉我，这本书的核心词是创新。既然是关于创新的书，那就结合之前这个公众号提到的和创新有关的书，温故知新。

在这本书中，他先讲了进化论1.0版本无法克服的问题及其解法，并提出适应度地图（fitness landscape）的概念，之后用这个概念，通过统一的视角分析自然界和人类社会的创新有什么共同之处，最后谈到从适应度地图来讲，该怎样才能培养具有创新精神的个人和集体。

1）如果只有物竞天择，那会是怎样

进化论最典型的例子是英国的飞蛾由于工业革命带来的烟尘，由白色居多，在不到百年的时间里，变成了黑色居多。其背后的逻辑用下图来表示，纵轴是不同物种的生存并繁衍后代下去的可能性，之后称为适应度。随着环境的改变，选择压会促使物种的性状发生改变。

但上述的非黑即白的情况，毕竟是极少数特例，大多数情况，性状是数量化的，且和其他性状共同决定物种适应度的，下图所示的平面，后文称为适应性地图。描述俩个相互影响的性状，图中的俩个峰代表俩个适应度的最高值，其中左边的更高一些，称之为全局最优，右边的只是在附近来说，是一个峰值，称之为局部最优。进化论1.0版本没有解决的矛盾是，如何再达到了右边的局部最优后，能够达到全局最优。现实生物界中我们看到了很多完美的组合，但到了局部最优后，无论怎么改变，适应度都会变低，这样的突变会被自然选择抛弃，从而使得生物体无法走出局部最优。

2）不同难度的问题，适应度地图有什么区别

有了适应度地图，就可以来判定要解决的问题有多难。最简单的问题，适应度地图上只有一个峰，较困难的问题，适应度地图上有多个峰，但这些峰是靠近的，更难的问题，是有众多的局部最优点，且局部最优点和全局最优点靠得很远，而最难的问题，则是你不知道解法需要考虑的全部因素，就像上面的适应性地图，描述的是俩个形状，但若是你以为只有一个形状是可以改变的，那么你除非运气特别好，否则就找不到全局最优。上述的例子在生物进化中不会出现，但在人类自己创造的问题中，却不是特例。创业导师常说的“升维打击”，就是让你用新技术去扩展可以调整的形状的种类，而不是针对已有的形状进行微调。

问题的难度，还取决于适应度地图是不是经常变化的。在上面的问题中，我们假设适应度地图中的山峰会一直等着你去攀登，但现实中却不会大多不是这样的。我们把适应性地图改变的可能性称为风险，对于站在适应性地图的山峰上的人来说，这样的风险尤其颠覆三观，一下子自己就不是身边人中最优秀的那个了，于是这样的风险就被冠以“黑天鹅”风险，虽然这并不是这个词的原意。这种情况下，要做的只能是持续进化。而“未知的未知”式的风险则是可以改变的形状多了一个，而你在这个形状上却很难进行调整。应对这类风险只能多样化，虽然在新出现的可改变的形状上暂时无法调整，但你的多个“克隆”在这个形状上取了不同的值，并在这个基础上，对于可调整的形状进行了优化。

3）进化是怎么跳出局部最小化的

当种群较小的时候，一个性状即使统计上有更高的适应性，也仅仅可能由于运气不好，而没有传下去，这被称为遗传漂变（genetic drift）。由于漂变的存在，即使在局部最优的物种，也有可能走到适应度地图的山谷，之后再攀上附近的全局最优的峰顶。越小的，越隔离的物种，遗传漂变的影响越明显，如果种群太大，那大树定理会抹去好运气的影响。漂变仅仅适合上午说的比较困难的问题，对于那些全部最优附近全没有局部最优的情况，仅仅靠漂变就不够了。

进化还有一个更有效的方式来对抗局部最优的吸引力，那就是基因重组，也就是性。金庸小说中，郭靖黄蓉家的情况，就是一个形象的例子。俩个第一流的父母，生出的第一个孩子却是草包。当基因重组之后，你不知道结果是汇集了父母的优点，还是缺点。这对个人不见得都是好事，但对于物种来说，却能避免陷入局部最优。如果遗传漂变是靠运气对抗局部最优的吸引力，之后一步步走向全局最优；那基因重组就是一个大步，瞬间在适应度地图上玩起了闪现。

效法自然，优化算法也利用了类似的俩种方法来避免最优化问题。模拟退火通过温度来控制在下一轮的迭代中，按多少比例接受那些不如这一次的解法，这是模仿遗传漂变；而遗传算法则将解法编码，之后选择最优的解，将俩者的解法拼成新的解法，当成下一代的解法池，之后根据解的优劣来进行选择，利用的基因重组。

4）该如何提高个人的创造力

用进化论的视角来看，艺术创作，科学研究，产品设计都是在寻找适应性地图上的全局最优的过程。因此，要提高创造力，首先就要能容忍失败，暂时不关注一个idea，也就是在适应度地图上调整的某个方向，是会带来即时的好处还是坏处。其次是要多多积累素材，进化需要从某个起点出发，重组更需要有不止一种解法，如果你和众人在不同的起点创新，那么你就走在适应度地图中人迹罕至的地方，竞争不那么激烈，而不同的起点，来自跨学科的交流。

因此保持个人及团队的认知多样性，对提升创造力大有助力，比如科学家中，诺贝尔奖得主中，艺术家的比例就比院士高，而院士群体的比例就比普通科学家高。这虽然只是相关性，不能说艺术创作提升了他们的创造力，也有可能是艺术家的比例高是由于诺奖得主本身创造力就旺盛。但至少可以说明，多一些和自己主业无关的爱好，不会对主业的成功有负面影响。但仅仅涉猎众多的学科，不算创新，还需要能够将不同领域的概念通过类比，隐喻联系起来，才算是完成了对“基因重组”的模仿。

要克服局部最优，还需要避免用外在激励取代内在激励。外在激励对短期的收益最敏感，一旦短期没有收益，就很难坚持下去。但内在激励是自己觉得好玩有趣，不在乎一时一刻的成败。但一旦外在激励过于明显，那内在激励就消失了，这样就难以做到容忍失败了，即使有外在激励让你去想最离经叛道的idea，但这样的激励将关注点从要解决的问题带偏了，变成了怎样的如何想出最新奇的观点。

5）创新和游戏的关系

游戏已经成为现代人生活的一部分，越是年轻的人，游戏在生活中占得比重越大。游戏的经历，会对我们解决现实生活中的问题是否有帮助，取决于游戏的设计。如果游戏能让你体验如何通过接受暂时得分的降低来获得最终的成功，那你在现实中，也会学的对一时的成败也不会看得特别重。如果游戏中有足够多的策略，能够让你探索，且不同策略的组合会带来一加一大于二的效果，那么在面对现实生活的时候，你也会习惯于将多个解法混在一起使用。可如果游戏中随机性的成分太高，或者游戏的输赢更多的是取决于细节的操作是否足够的精准，那你从游戏中学到的就只是熟能生巧，或者成败天注定，从而在现实的问题前，也不会主动去创新。

真正鼓励创新的游戏，是让你去和规则去玩，也就是你以为某些走法是固定的，但实际却不是这样。就像我小时候学象棋，最初以为第一步只能走当头炮，后来看到别人不这么走，也能赢，才发现这不是固定的规则。这样的经历能让人明白创新还可以是去改变原来以为固定的范式。再举个例子，比如下黑白棋，最初的目标是谁能赢，后来我和小伙伴比谁能让对方赢，也就是自己怎么走才能一定输，发现这样难度更大，这就是用内在动机取代外在动机，这样的经历，是对如何在未来创造性的解决现实中的问题举行的“军事演习”。

由此推出，能够培养创造力的游戏，其适应度地图要是不断变化的，但这变化又不是无迹可寻的；玩家要能根据其他玩家的决定，估计对自己而言的适应度地图是向那个方向变化的。将所有玩家的适应度加起来，当作整体的适应度，这样的地图也不应该只有一个峰，否则到了某个阶段，游戏就会不平衡，某些卡牌就会因为过于强力而排除了其他的选择，成为所有玩家的最优选择，这时就是运气决定了游戏的胜负，从而让玩家不会有动力去进化出更好的策略，从而让游戏无趣。更高阶的要求是要能让玩家在游玩中，尝试将不同概念以最不寻常的方式重组，并发现这样的混搭会带来意外的胜利。

6）AI应用于教育，有助于培养出有创造力的一代吗？

创造力的个体都是受过教育的，而未来的教育和AI注定会扯上关系。但仅就目前来看，AI在教育中的应用，是进一步加剧了现代教育对创造力的戕害。通过计算机视觉去识别学生的表情和动作，判断听课时是否专心，是否听懂，却不知如果学生总是听了才能懂，那学生就只是在接受，却没有自己创造知识间的连接。这种对知识吸收效率的最优化，其实是将学生标准化，剥夺了学生自由联想的机会。而将要学的内容变成知识图谱，也是叫学生按图索骥，而不是根据自己的爱好，去探索各自觉得有趣的内容。如同在讲笑话之前，就知道了这个笑话中的梗，会让这个笑话变得不好笑，AI在教育中的应用，是进一步用外在激励替代内在激励，培养的是短视的心态，只关注局部最优，不关注和考试无关的内容。

应试教育本身就有上述的问题，但对于有创造力的学生，曾经还可以在还过得去的成绩的幕布下，去自由的探索自己喜欢的学科，培养兴趣爱好。但AI的全方位监控和大数据预测却让学习过程中的每一刻被考核，未来的学生将没有一些思考的自由，用前人规定的方式，按照众人的速度，步调一致的做出处于局部最优点上的决策，这样培养出来的下一代，其心智就没准备好做出突破式的创新，适应性地图的任何变化，对他们都是“黑天鹅”风险，之所以人们觉得黑天鹅越来越多，反映的实际是走出主动局部最优越来越难，而被迫应对局部最优的消失变得越来越难。

7）智能时代创新的价值与人的价值

AI替代人类工作，看似和AI在教育中的应用无关，但从适应性地图来看，都是由智能算法来替代人去解决如何找到局部最优的工作。那些被AI最容易取代的职位，例如司机，会计，放射科医生，都是针对一个具体的目标，用最低的成本找到一个满足要求的解，而如今AI在教育中的应用，则是将这个目标换成了让学生学会特定的知识，会解固定类型的题目。在这些任务中培养的习惯和套路，不止与创造性无关，还对提升创造力有害。

从适应性地图来看，AI的引入对人类的影响，可以类比本文一开始说的，工业革命对英国飞蛾的影响，改变的都是适应性地图的顶峰的位置。之前是那些能够高效的达到局部最优的人更有价值，但如今是那些能够快速逃离局部最优的人更有价值。但当下教育的趋势还是关注存量，这如同教会那些白色翅膀的飞蛾在工业革命的烟尘下学会更快速的躲避捕食者，需要做的是根本性的目标转变，而不是用新技术去加速旧目标的实现速度。

对于个人来说，如果不能坚持创新者的心态，用内在的驱动去代替外在强加的局部最优的“万有引力”，保有自己的兴趣爱好，那就会沦为《工作 消费 新穷人》这本书中所讲的将人降格为物，前几天和Justin谈起这个话题，他这样描述新穷人“I'm sick of feeling like nothing. Like I have nothing. Like I know nothing. Like I am nothing”。Justin指出，“现代社会进步对新穷人主要的伤害不在于实际的经济和utility损失，而在于内心的暴击，问题就出在feel nothing而不是feel like no one”。用适应性地图来看，如果你的全部价值就在于不断的去登上局部最优的峰，可你明知还有一个全局最优的峰顶，却就是不敢去攀登，不是条件不允许，而是你自己没有勇气，于是你才会feel nothing，因为自己已经失去了主观能动性。

8）总结：将进化思维用来指导创新

1，创新就是在一个崎岖的高维的适应性地图上，找到全局最优的那个解的过程，其中要避免陷入局部最优解而不知道如何接下去试错

2，创新的前提是要有对短期失败的容忍

3，认知方式的多样性能够帮助整合多个领域的概念，从而通过重组来从局部最优中跳出。

声明：本文转自“ 混沌巡洋舰 ”公众号。

点击「链接」或「扫码」，《新程序员003》抢先看