最近发现一个现象：牛人都有一个共同的特征，就是知识迁移能力。成长会的Scalers，股神巴菲特，《从0到1》的作者彼得蒂尔，“第一性原理”的主讲人顶级的物理学家张首晟，在对他们的输出和内容进行深入思考的时候，会发现他们都是对一个非常基本的概念或者原理，在不同场景、不同领域的反复试验、思考和应用，最终形成自己的一套理论体系或者投资方法。
1
对于“复利”这个概念，本质上是在稳定增长率下随时间周期的一个指数结果。Scalers用在成长模型上面，强调持续稳定的行动和输出积累，会随着时间的增长有指数增长效应；巴菲特则用几十年的投资回报曲线，来证明了复利的价值；而彼得蒂尔在创业公司投资理念上，也强调在一定时间的沉寂期后，一些具有高增长价值的公司会给投资带来可观回报。这3种都是对同一知识的在不同场景下的迁移。
对于“系统”这个概念，在知识理解上，强调构成系统的元素、元素间的关系或者说规则、系统复杂度、系统变化（涌现）。当你对这个底层概念理解足够深入的时候，会发现，世间万物都是系统。社群、企业、国家、生物界、经济等，都可以用这个系统的视角去做观察和分析，这个过程，就是在对知识做迁移应用。
2
那么，如何才能达到这种“知识迁移”的境界呢？
首先，你必须搞懂基本原理。
比如：对于正态分布和幂律分布这两个概念。通常来说，大量事物是符合正态分布的规律的，它呈现了一个中间多两头少的一个分布形态。比如人的身高，年龄分布等大部分由自然情况造成的分布。而幂律分布显然不是如此，用通俗的话来讲，就是我们常说的长尾理论，或者马太效应。你只有真正理解这些概念的底层含义，才知道在什么情况下，使用哪种知识去解释一个现象，分析预测可能发生的结果。
其次，在学习过程中需要刻意锻炼这种知识迁移能力。
《如何高效学习》里讲了一个麻省理工学生一年修完33门课的学习方法。他所提出的知识结构+知识联系方式，本质上就是对核心理论的知识迁移。比如对于冯诺依曼计算机系统的深入理解，可以让他在其它需要系统化知识的部分之间套用这套模型。
《从0到1》里面彼得蒂尔举了惠普公司从20世纪90年代一个极具创新力的公司，一直衰落到市值几十亿美金的科技服务公司，是科技行业衰落的典型。背后的原因，彼得蒂尔把它归结为一个财务专家型领导对技术和业务的压制，大家关注的是如何把财报做好，而不是对未来增长的思考。对这个现象和分析做迁移，我们会发现，国内很多科技公司也是这样。如果再拿这个观点去做公司财报分析，看下哪些公司是财务主导的，再进一步分析这个公司在创新上面的投入和结果，就可以很好的评估未来这个公司的发展趋势。
因此，在学习的过程中，千万不能求快，而应该更多的驱使自己去把所学到的知识更多的迁移到一些经验和现象的解释上面，也就是所谓把书读薄的过程。
第三点，则是要在不同领域广泛学习。
一些非常顶级的科学家，都是快领域学习者。计算机大牛，同时也是数学、物理的大神，甚至是艺术家、哲学家。这种现象并非偶然，真正基础的知识和理论，是在多个领域共通和可解释的。
最近还在看一本书叫做《大国大城：当代中国的统一、发展与平衡》中国城市的发展，可以结合美国这种发达国家的发展轨迹去预测，同时也需要结合政治经济学中一些理论去理解。这个时候，考验的其实就是你对多种领域知识的理解和迁移应用能力。如果只是一味的认为外国的经验就是最好的，而不是结合具体实际的情况去分析，最后只能邯郸学步。多学科，多领域，多角度的学习，是知识迁移和知识应用的重要前提。
3
在理解知识的基础上，尽可能多的让自己的大脑主动去思考，去关联、去迁移，是我认为最有效的学习路径。只有这样，才能把知识内化，才能真正领悟事情的本质。
网友评论