[misc]T型知识实践结构的力量

最近在做的一些新的事情，这其中获得的一些新的思考。
T型的知识积累，深度的挖掘可以通过“举一反三”的应用在广度上，广度可以通过“交叉验证”加强我们的认识，可以说是最有效的知识实践积累方式。

知识经验就是能力

虽然传统上，对于人处理问题的能力，一般可以用“智商”来形容；
当然我们可以对智商，以解决问题的视角来看待，而不是出一些单纯的偏思维数学的题目，来考验纯思维能力；
那么在实际工作生活中的解决问题的“智商”，就免不了由：
解决问题能力=func(思维能力,知识经验)
如果进一步看待的话，思维能力本身是类似肌肉样的东西，是可以锻炼提升的，它也是一个
思维能力=先天遗传因素+后天知识经验训练
最后我们大抵可以得出：
解决问题能力=func（遗传，知识经验积累+训练）
遗传因素我们不可改变，后天的训练和积累是我们能做的。

T型结构–知识经验积累最高效的途径

T型人才是说的超级多的话题，这类这类人才在职场上的优势不是这里的主要话题。
本文集中在，如果我们单纯看高效积累知识经验的话，什么样的方式是最有效的。
在平时的大量实践观察中来看，T型结构是一个最高效的方式，一定程度上可以说知识经验是一个矩形，广度和深度共同决定面积，这个面积就是你能处理问题所覆盖的范围。

“深度“的举一反三

这里广度相信大家是比较好理解的部分，当你在多个领域中有知识实践积累，那么你看问题的角度自然会比较广，不会特别的狭窄，不容易犯那个锤子看什么都是钉子的问题（因为你有全套工具箱，这个东西该是什么就是什么）。
深度的特点稍微间接一些，就是把事情做深了之后，才会有一个对于事物深层次的认识，比如：
==大型项目中，算法的重要性大幅度下降，复杂度控制是核心问题;
==基于物理的渲染系统，并不是让某一刻画面更真实好看（虽然这也是其重要特点），而是让整个系统统一自洽，在面对超大规模的开发中，依旧保持无懈可击的运行。
这些深度的认知才是我们把问题解决到较高水平的关键。

这一类认识，都不是我们在浅尝辄止时候能够获得的，甚至和我们的直觉或者开始所想的情况是反的，所以起码我们会知道，在面临一个成熟的领域，我们一开始所见所思一定是不到位的，需要更加整体深入的思考，其中可以思考的点就可以借用我们在某一个领域中深入挖掘出来的点来“举一反三”。

我们可以预先知道，常规生活的直觉和开始的认知往往是错的，深入探索的过程大抵是什么样的，随着探索的进行，什么地方是需要注意的，可以问什么问题等等。
如上图中浅蓝色的线，这些就是在一个领域深度挖掘之后，在进入新领域时候，所带来的化学反应。

“广度“的交叉验证

这里又是问题的另外一个侧面，就是在我们进入广度范围之后，会发现一些算法和做法，在新的领域中是一样的存在，同时有可能是另外一种方式。
比如负载均衡的做法，在时间上，在计算分布上，在内存和计算的互换上我们可以在图形计算，大规模战斗的高层逻辑，服务器计算中都看到，他们既有想通的道理，也有自己特有的部分，几个模块做下来看下来，我们就获得了对于负载均衡完全不同的理解。
同样道理，对于信息有损压缩，我们就是走“人感知系统特点”来进行优化的策略，比如YCC系的压缩方式（亮度+色度，人眼对于亮度敏感，色度不敏感），realtime graphics上面，我们可以使用低分辨的buffer，在大规模团战中，我们可以降低部分玩家信息更新频率，对于声音等等也是。
一个“定理”或者“策略”在多个领域中应用，就有了一个更深刻的认识，而这个认识从完全主修领域上面是比较难以获得的。
这个有点像频域时域的特点，有些东西在频域是非常简单直白的（比如sin），但是到了时域，则起起伏伏没那么好琢磨了。

T型知识领域的积累要点

我们可以看到T型知识积累的要点就是

• 通过深度来举一反三，让我们在进入扩展领域的时候，以主修领域的深度来加速我们认识的速度和深度
• 通过扩展领域中对于“共性知识”的应用，来获得交叉验证，加深对于已有知识的理解
  整个过程的要点就在于更给力的去在“横向”和“纵向”两个维度上去拓展，保持思考和总结。

警惕“边际效应递减”的误区
在我们探索深度领域的时候，常常会听到边际效应递减的说法，大致意思是这个东西你已经做了n遍了，继续做不会有太多收获，即便是对于用心思考的人，也认为90分到91分要花费这么大力气，效率很低。
对于这种情况，个人的看法是，在主修领域做的时候，一直是要有意识的去探索“更高境界”，做而不思当然是不对的；而90分到91分这部分的1分，可不是60分到61分的1分，它就是优秀到卓越，在互联网时代，winner takes all，这个就是带来all or nothing的部分。
进一步，全新的1分，会应用到你所了解的所有领域中去，在所有领域中带来全新的认识。
这部分不是边际效应递减的模型，某些情况下，它甚至是指数增加的模型。