你不能在实时上楼梯。 如果你这样做,你会很慢 - 每个步骤都需要有意识地处理高度,质感,肌肉紧张和平衡,相反,你的大脑在你的脚降落之前产生了一个高分辨率的预测下一个楼梯。 1 你只有在模拟失败时才意识到这一点。 当你的脚比预期更早地撞上地板时,或者当你发现空气在一个步骤应该在哪里时,这是一个预测错误,使你回到意识中,直到你解决错误。 2 当预测错误低时,您处于自动驾驶状态;当预测错误高时,您会进入意识和模型更新。 这个机制解释了很多关于你实际学习的方式,大多数人都有完全错误的学习模式。 大多数关于“学习更快”的建议在你阅读它时感觉正确,然后蒸发了。间隔重复,积极回忆,有意的练习 - 你点了点头,尝试一周,然后忘记为什么重要。 没有解释使它工作的机器。 什么 这篇文章是解释的机器,使技术要么编译成真正的能力,要么溶解。 What You Think Learning Is 你认为学习是什么 大多数人认为学习是 就像填充硬盘一样,你会存储信息,你会稍后获取信息,更多的存储 = 更多的知识 = 更多的能力。 accumulation 当你学会走楼梯时,你的大脑雕刻了一个模型:“鉴于这种感官输入(楼梯边缘),预测:升高变化,需要肌肉紧张,预期感官反馈。 ;一个自动运行的知识的编译模式。 This is a scheme 专家绩效不是关于了解更多,而是关于具有较低预测错误的方案。 象棋专家使用的神经能量更少,而不是更多的,他们的大脑花费的精力更少,因为他们已经学会了重要的东西。 3 初学者用粗力计算来处理一切,当专家观察象棋位置时,他们已经知道要集中注意力,同时忽略无关紧要的部分。 专家和初学者之间的区别在于方案。 你不能缩短这个。 短暂的。 是 你要么通过迭代编译方案,要么你没有它们。 The Only Two Ways To Learn 学习的唯一两种方式 想要“快速”地学习的人会问错问题,一旦你明白计划是如何编译的,速度就变得无关紧要了,你就无法更快地开启大脑中的神经元。 编译方案只有两个合法的途径 - 你要么解决真正的问题(速度自然来自更好的系统),要么你为了内在的回报(你根本不关心速度)。 1. You’re Solving A Real Problem 不是“学习响应”。向实际用户发送功能。 如果你试图在中世纪治愈你的朋友的一种疾病,你不会读到“完成这本书” - 你会找到你需要的治疗,去治愈你的朋友。 故意练习不是重复 - 它是对目标进行迭代调整,即时反馈。 发送了 20 个产品的开发者编写了方案,发送了 0 个产品的教程完成者编写了 他们可以解释长串缩写词的含义,但不能解释产生工作代码的前进模型。 关于计划的记忆 编译的方案存活下来,因为它们是根据现实的反馈而建造的,而不是合成的例子。 如果你被困在一个只有法语的监狱里,你会更快地学习法语,而不是在没有人说法语的家中阅读它。 (这并不意味着你必须去另一个国家学习一门语言,我只是说明学习过程。 2. Genuine Curiosity, The knowledge itself is the reward. When you learned your first language: 你的妈妈说“杯子”,指对象,这个词直接地图到你的这个圆形的东西的方案。 When you learn a second language through apps: 它翻译为“早安”,它描绘了你的早晨阳光,你醒来时口中的味道和“早晨”计划的所有维度。 你正在用英语思考和翻译。前进模型运行在英语,而不是法语。这是代理链:使用一种语言作为中介来访问方案,而不是直接地图单词。 神经路径可测量不同: 直接地图:语言直接激活方案(Meme => Scheme) 代理链:语言先激活翻译网络,然后激活方案(Meme => Meme => Scheme)4 当然,如果你继续学习,你最终可以从代理程序切换到实际方案。 弹钢琴,因为音乐是愉快的。 代码是因为构建很有趣,而不是因为你正在检查“学过Python”或“我编码CPP”。 当活动本身是有益的时,你会运行由好奇心驱动的连续的高变量计划。 理想情况下,你可以得到两者:解决真正重要的问题,而过程本身是有益的。 How Schemes Become Memes (And Vice Versa) 计划如何成为记忆(反之亦然) meme 是对一个方案的压缩描述。 当你将一个方案转换成一个meme时,你几乎失去了一切: Scheme => Meme (Compression with loss): 你的手指知道要去哪里,以便获得较小的第七音符 - 你会自动预测手指的位置,压力和结果的声音。 有人问:“你怎么玩小七?” 你会产生一个语:“它是根,小第三,第五和小第七。 这个语描述了结构,但没有任何前进模型。听到它的人现在有一个描述,而不是整个系统。他们不能单独从那个语中播放语。 Meme => Scheme (Decompression requires work): 您正在阅读:“使用间隔重复来保持记忆。 它压缩了别人的计划(他们知道的系统) 回顾一下, 空间影响整合, 简介(简介)在短短的句子里。 何时 如何 什么 要将该传记转换为方案,您必须运行迭代,解释为什么它工作或失败,通过变异改进并重复。 他们收集了描述:“间隔重复工作,”“有意练习重要,”“睡眠巩固记忆”。 Why experts struggle to teach: 为什么专家们在努力学习: 专家有方案,学生需要方案,但传输是通过念头。 专家的前进模型是如此压缩和自动,以至于他们无法完全表达它. 当他们尝试时,他们产生了失去大部分信息的子。 这些记忆是 但是他们对没有计划的人来说是无用的压缩,学生需要数千次迭代来解压缩这些子成工作前进模型。 正确 这就是为什么你不能通过阅读关于爵士乐学习爵士乐(尽管这有帮助)。 你正在收集有关方案的记忆,而不是编写方案。 在每个域中,该方案是一个通过数千次迭代校准的系统。 收集念头给你能力的词汇库,编写方案给你实际的能力。 这就是为什么教程地狱失败的原因:为什么大多数“学习”只不过是meme收藏。 Most “Learning” Doesn’t Compile Anything 大多数“学习”不编译任何东西 大多数学习都失败了,因为它既不是问题驱动的,也不是沉浸驱动的。 没有真正的赌注,没有真正的沉浸(你遵循指示,而不是探索)。 Tutorial hell: 你正在编写“如何通过这个考试”,而不是“如何在这个领域思考”。 Studying for exams: 没有内在的奖励(这是义务,不是好奇心),没有真正的问题要解决,你的计划永远不会参与。 Courses you “should” take: The Proxy-Chain Trap: 代理链陷阱: 有些域是无法学习的,没有代理链首先. 你不能直接地图你的方式到量子力学 - 你需要首先了解中间人. 但掌握是当代理解散. 当你了解量子力学,你不再翻译。 如果你从未从代理链转向直接地图,你将永远保持中间状态。 你可以通过 Stack Overflow 模式来编码,但你不是在编码中思考。 你可以通过从英语翻译说法语,但你不是在想法语。 您可以通过框架文档翻译来解决问题,但您不了解该领域。 当你删除台阶时,你的表现会崩溃吗? 如果是,你是代理链。 大多数人留在“Meme”领土的原因是 楼梯上的冲浪会引发生理压力反应。 compiling is painful 要学习,你必须故意寻找错过一步的感觉。 教程旨在让你感觉像你在平地上行走,他们消除了混乱,这感觉很好,但确保没有模型更新发生。 Physiological Constraint 生理限制 当你的大脑无法执行计算时,你无法编译方案。 人们可以同时在工作记忆中保持大约4±1个项目。 当你的生物学由于压力,睡眠缺失或营养不良而衰退时,这种能力会显著缩小,有时会下降到1到2块。 5 在这种能力下,你不能: 抓住复杂的问题结构 维持多种假设 走出反事实 创建新的预测 慢性压力损害了工作记忆和认知灵活性,将认知从高级别思维转移到生存模式(通过缓存响应对即时输入做出反应)。 睡眠. 壓力管理. 營養. 環境設計. 這些是你的計劃運作的前提。 AI Is a Cognitive Prosthetic AI 是一种认知性抗体 它是你的思维的延伸,可以运行数千个场景,以互联网集体智能训练的数据。 你的工作记忆可以容纳 ~ 4 块。 复杂的问题有更多的变量,我们通常会压缩它们,但有些问题有以前无法压缩的变量,现在我们可以压缩它们,因为人工智能可以容纳更多的变量。 人工智能可以在你处理它们时任意保持许多中间状态,这是真正的杠杆,如果你知道如何整合它。 一个作家使用克劳德保持20个插曲线和字符弓,同时专注于场景级对话. 一个研究人员在合成新框架时保持15篇论文引用和竞争论点。 该方案仍然在你的大脑中编译,人工智能扩展了你的工作记忆,这样你就可以处理更多的复杂性。 人们人类化计算,他们想象一个只有单词的对话。 人工智能不是一种有意识的智能,它是一种计算性假装,它是你自己的大脑,运行在更快的硬件上。 你通常每分钟都会产生大量的随机天才和愚蠢的想法,并选择最好的。 当你使用这个工具来“挑战”你的想法时,你不是在寻找第二个意见,你正在使用高速镜子来预测你的生物学的弱点太慢了。 如果输出是的,你的意图是的。 它所拥有的人类思想的集体历史不是知识,直到你的意图选择它。 如果你通过AI进行代理链,就没有编译方案;当AI错误或不可用时,你什么都没有。 这与通过Google翻译学习法语相同。你不是建立直接地图。 This matters now because the leverage is huge. 以前是不可能的,現在很難(用AI幫助)。 但是,只有当你从根本上了解自己的知识,并有真正的赌注,迫使验证。 否则,你只是在你的初始思维上获得了无限的杠杆,你会以10倍的速度自信地走下悬崖。 大多数人无法区分,因为他们有错误的学习心理模型,他们认为这是积累(存储更多事实),当它是建立更好的方案。 因此,他们使用人工智能作为“工作伴侣”,而不是工作内存扩展。 他们优化为教程完成,而不是发送真实的东西。 他们将关于域知识的念头与产生结果的实际方案混淆。 差距正在扩大: 理解他们知识的方案的人只获得了10倍的杠杆。 那些认为学习是积累的人在奔向岩石时速度快10倍。 你不能伪造方案,现实不断地测试它们。 学习的人是无法躲避错误的人。 如果你喜欢这篇文章,想要更多,订阅我的新闻稿: https://crive.substack.com References 预测处理基础和类似阶梯的例子:卡尔·弗里斯顿关于预测编码(概览): 安迪·克拉克的入门信息: 1 https://en.wikipedia.org/wiki/Predictive_coding https://www.mind-foundation.org/blog/predictive-coding 预测错误和意识:弗里斯顿的预测编码 / 免费能量基础论文: https://pmc.ncbi.nlm.nih.gov/articles/PMC2666703/ 2 象棋专业知识和神经效率:专家对新手大脑成像的系统性审查: (专家展示高效、专注的模式) 3 https://www.sciencedirect.com/science/article/pii/S3050642525000326 沉浸 vs. 明示 / 教室: 摩根 - 短短 et al. (2012) - 暗示 / 沉浸产生的原生类似的ERP模式: 4 https://pubmed.ncbi.nlm.nih.gov/21861686/ 工作记忆 ~4块:科文(2001) - 神奇的数字4 5 https://pubmed.ncbi.nlm.nih.gov/11515286/
