如何【系统性学习】——从“媒介形态”聊到“DIKW 模型”

当你想用某个编程语言来写软件，就需要【系统性】学习。一般而言，你需要先掌握该编程语言的【语法】，然后还需要掌握该语言的【标准库】以及【第三方库】。每个编程语言都有一大堆语法。如果你只掌握其中的某一个语法，是【不可能】用它来开发软件的...即使你完整掌握了编程语言的“语法”，如果不懂任何“标准库”或“第三方库”，你依然【无法】用它来开发软件。即使你掌握了上述三样东西（语法、标准库、第三方库），要想写出比较优秀的软件，你还需要掌握“软件工程”相关的一些知识。

从这个例子可以看出——要具备“软件开发”这个技能，你需要掌握某个【完整的】体系。而这就需要用到“系统性学习”。

◇“系统性学习”的两个特点——【广度】与【深度】

“系统性学习”与其它学习方式的差别，就体现在这两个特点。只有同时具备了【广度】与【深度】，才有资格说你【系统性】掌握了这个领域。

◇最终目标——真正的理解与运用

“广度”与“深度”只是“系统性学习”的表观特征。

“系统性学习”的最终目的是【真正的理解】。只有当你理解了某个领域，你才有可能去运用它。

★【媒介形态】的选择

◇“媒介形态”及其【重要性】

当你要进行“学习”，必定要依赖某种【媒介】。比如“书籍”、“网站”、“报刊杂志”、“公众号短视频"等等，这些都属于【媒介】。在思想家马歇尔.麦克卢汉的代表作《理解媒介——论人的延申》（Understanding Media——The Extensions of Man）这本书中，贯穿此书的核心观点就是【媒介即信息】（The medium is the message）。（注：此书是传播学领域【划时代】的经典著作，）在麦克卢汉之前，传播学的学者只是关注媒介【内容】对受众的影响；麦克卢汉率先指出：媒介的【形式】非常重要（甚至可能比内容更重要）。由于媒介的【形态】会直接影响你的认知，所以，在“系统化学习”的时候，你一定要选取【合适的】媒介。换句话说，选取合适的学习渠道，会更容易帮助我们进行系统化学习。对于学习渠道，在当今这个时代，我还是推荐书籍学习（包括但不仅限于纸质书）。

一般而言，你想要掌握的领域越复杂、越艰深，则媒介【形态】的重要性就越明显。

◇对于“系统化学习”，书籍是【最好的】媒介形态

相比于视频、网站、论坛，书籍兼备【深度】和【广度】。书籍是“系统化学习”最好的媒介形态，主要原因在于其固有的优势，这些优势在某些方面超越了视频或网站等其他媒介形态。

为了帮助读者更好的理解上一句话，简单罗列一些书籍相对于其他媒介形态的显著优势吧：

        1. 系统性和连贯性
        书籍：
        通常以系统化和连贯的方式组织内容，从基础到高级，逐步引导读者深入理解主题。
        内容结构化，便于构建知识框架。

        2. 深度和详尽性
        书籍：
        提供详细的解释和广泛的背景信息，涵盖更多细节和复杂性。
        书籍通常经过长时间的研究和编写，内容深度和广度相对而言更有保障。

        3. 可控的学习节奏
        书籍：
        允许读者按照自己的节奏学习，随时暂停、回顾或重复阅读。
        适应个人学习速度和理解程度，灵活调整进度。

        4. 独立学习和深度思考
        书籍：
        需要读者集中注意力，进行深度思考和理解，有助于提高记忆效果和理解能力。
        鼓励读者主动学习，而不是被动接收信息。

        5. 可信度和权威性
        书籍：
        通常经过严格的编辑和审核，内容质量高，可信度和权威性较强。
        作者通常是某一领域的专家，提供准确、权威的信息。

总结：
书籍作为“系统化学习”的媒介形态，凭借其系统性、深度、学习节奏的可控性、鼓励独立思考以及可信度和权威性，被【广泛】认为是最好的学习工具之一。相比之下，视频和网站在系统性、深度和信息质量方面存在不足，难以提供同样的学习效果。当然，不同媒介各有优势，视频和网站在辅助学习和获取最新信息方面也有重要作用，但在系统化、深度学习方面，书籍无疑是最佳选择。所以，如果你想学习某个领域，不妨认真去读书捏。

★三种类型的读物：通俗性、入门性、专题性

　　对于“系统性学习”所涉及的读物，我分为三类。

◇通俗性读物

　　顾名思义，这类读物是针对【外行】。

为了达到【通俗】这个目标，这类读物【不会】包含专业术语，而且也【不】要求读者具备其它被依赖领域的知识。

举例——理论物理：
　　理论物理这个领域是高度依赖数学滴——比如在量子力学中处于核心地位的“薛定谔方程”属于数学中的“偏微分方程”；再比如“广义相对论”大量依赖“黎曼空间、微分几何、张量分析”这些数学工具......
　　但那些写得好的理论物理通俗读物，【不】需要读者具备相关的数学背景（也就是说，任何一个【门外汉】都能看懂通俗读物）

　　由于上述特点，“通俗性读物”【难以】具备深度。大部分的这类读物，既无“广度”也无“深度”；少数写得好的通俗性读物，可以做到一定的“广度”。

◇入门性读物

　　一般而言，“初级教材”属于这类。

“入门性读物”与（刚才所说的）“通俗性读物”，一个很重要的区别就在于——“入门性读物”假定你已经具备了某些被依赖的其它领域的知识。
　

还以刚才的“理论物理”举例：
　　一本理论物理的入门读物（比如说教材），作者假定你已经具备了相应的数学基础。它的“入门”是针对“理论物理”而言，而【不】是针对“数学”而言。作者没有义务再去重新解释书中用到的那些数学工具。因此，缺乏数学基础的读者，如果去看理论物理的入门读物，看不了几页就要晕过去。
　　通过上述介绍，你可以看出——“通俗性读物”与“入门性读物”对知识结构的要求有很大不同。从而导致这两者的【门槛】有很大的不同。

　　“通俗性读物”与“入门性读物”的另一个差别在于“广度”（系统性）。“通俗性读物”一般不具有“广度”（只有少数写得好的，才能具备一定的“广度”）。而“入门性读物”（尤其是教材）通常会具有【足够的】“广度”。严格来讲，一本教材如果在“广度”方面阐述得不够，那这本教材就是失败滴。

◇专题性读物

　　“入门性读物”在“广度”方面是 OK 滴；但在“深度”方面，通常【不会】太深。如果你希望在该领域的某个分支具备足够的深度，这时候需要去看“专题性读物”。顾名思义，这类读物只针对某个很具体的分支。其追求的是“深度”而【不是】“广度”。

一般而言，“学术论文”通常属于此类；除了论文，还有一些专业书籍也属于这类。

◇小结

　　为了直观，我用一个表格汇总一下：

类型	广度	深度	门槛
通俗性读物	通常没啥广度；少数优秀的，有一定的广度	没啥深度	很低
入门性读物	足够广	深度适中	取决于学科的类型
专题性读物	很窄	足够深	通常较高

★如何选择书籍？

◇基于【二八原理】的考虑

【二八原理】这个玩意儿真的非常具有普遍性，反映到书籍上也是如此。

任何一个领域的书籍，真正能称作【精品】的只占非常小的比例。实际上，这个比例远远低于 20%！在一些比较大众化的领域，这个比例甚至可能会低于千分之一。

为了进行“系统性学习”，你在挑选书籍时，一定要尽量确保自己看的书是【精品】。

那么，如何才能更有效地找到【精品】呢？我猜测很多读者会对这个问题感兴趣。但这是一个很大的话题，深入讨论的话需另写一篇单独的博文。

◇基于【多样化】的考虑

某些领域存在不同的“流派/学派”。

当你刚开始接触这个领域时，应该对主要的那几个“流派/学派”都有所了解。这样可以防止【以偏概全】。

另外，很多不同的“流派/学派”，会存在互相对立的观点/立场。你应该去了解双方的对立与分歧，然后就可以思考：为啥会有这些分歧？哪一边更有道理？......无形中帮你提升了【批判性思维】的能力。请注意：这个能力很重要。但是，我看到现在很多年轻人并不会这么做...

◇基于【写作风格】的考虑

不同的作者，会有不同的写作风格。

如果你碰到某个比较难的领域，看了某一本“入门性读物”之后，还是一直没搞懂。我强烈建议你：去看【另一个】作者写的相同题材的书。

举例——计算机算法：

《算法导论》（Introduction to Algorithms）

《算法概论》（Algorithms）

《算法设计手册》（The Algorithm Design Manual）

这三本书都很经典，而且都是系统地介绍算法；

但在“写作风格”及“内容组织”等方面，依然有很大差别。有的人看其中一本觉得很吃力，但看另一本就茅塞顿开。这样的从各个大师手中汲取知识，可以帮助我们更好的理解know-how。

★【费曼学习法】的应用

◇啥是“费曼学习法”？

为了节省读者时间，一个词语概括费曼学习法就是：【以教促学】。

假设你正在学习某个领域，为了运用该方法，你不妨假想：要把该领域传授给另一个人，并且此人在该领域的基础很差（属于该领域的菜鸟）。那么你就需要竭尽所能把你的知识解释到可以让对方真正理解，这就大大的锻炼了你对该领域知识的掌握。我写博文，也就是费曼学习法的应用，我写出来，教给你，可以让我更好的掌握我心血的知识哇。

◇运用及反馈

在【理想情况】下，如果你已经对某个领域某个分支达到【完全掌握】的程度，那么你就可以比较轻松地写出该领域某个分支的【通俗性读物】，并且确实能让【外行人】看懂。

　　反之，如果你的掌握程度还不够，可能会出现如下几种状况：
　　状况1
　　完全不知道从何写起。
　　（注：这种情况最糟糕，多半说明你对这个领域还缺乏【系统性】的了解）

　　状况2
　　你在写这个【通俗性读物】的过程中，会经常地碰到“卡壳”。
　　（注：说明你已经具备一定的系统性了解，“卡壳”是因为你还没完全【理顺】整个体系）。

　　状况3
　　你虽然很顺利地写出来，但【外行人】看不懂。
　　（注：也就是说，你还无法做到足够的【深入浅出】）。

　　出现上述这些状况之后，你需要采用相应的反馈措施：

　　状况1的反馈
　　前面说了，这种情况最糟糕。
　　应对措施是：你需要把【入门性读物】重新再看一遍。

　　状况2的反馈
　　“卡壳”的环节，也就是你之前学习过程中【缺失】的环节（你的盲点）。
　　显然，你需要重新强化这个环节。

　　状况3的反馈
　　如果外行看不懂你写的“通俗读物”，你需要问对方，到底是哪个环节没搞明白。
　　那个环节就是你的盲点。

◇“费曼学习法”的额外好处——【换位思考】

为了实践这种学习法，你需要把自己的视角切换到【菜鸟视角】。

久而久之，你无形中强化了【换位思考】的能力。这其实是费曼学习法的额外好处。

★入门之后，如何在【不同分支】安排你的时间与精力？

　　有些领域比较复杂——在它的内部包含【很多】分支（子领域）；还有一些领域，虽然分支不多，但每个分支都具有很大的深度。
　　对上述这两种情况，如果你企图掌握【全部】分支，可能你的时间/精力不允许。这时候就需要作出某种【取舍】。
　　那么，该如何取舍呢？下面俺从两个角度进行分析。

◇基础性

某个领域的不同分支，可能会存在相互的【依赖关系】。
　　在这种情况下，【被】依赖的分支处于更加基础、更加核心的地位。
　　举例——编程：
　　本文开头提到：写程序【至少】需要掌握：编程语言的语法、标准库、第三方库。一般而言，“标准库＆第三方库”都要依赖“语法”；并且“第三方库”会依赖“标准库”。所以，从【基础性】的角度考察，“语法”比“标准库”更基础，“标准库”比“第三方库”更基础。

　　越是基础性的分支，你就越应该【重视】，以确保对它具有足够的掌握程度（理解程度）。这其中的道理就如同“盖楼房”。对于多层的建筑物，上层的重量需要依靠下层来承载。越下面的楼层，对其“结构力学”的要求就会越高。

◇实用性

这个比较好理解。
　　如果某个分支属于【不】那么基础的“边缘性分支”，你是否需要投入足够时间/精力，取决于这个分支对你而言是否实用。

　　另外，【兴趣】也可以视作某种特殊的“实用”。如果你真正理解“兴趣”的奥妙及其带来的快乐，你就会明白——“基于兴趣的实用”比“基于功利的实用”更加实用 ~~~///(^v^)\\\~~~
关于【兴趣】这个话题，将来有机会我可以再做描述，这一块可以专门开一个专题来描述讷。

◇基础性【重于】实用性

如今的社会风气太过于【急功近利】。导致很多人（尤其是年轻人）在学习的时候，只看“实用性”，而忽略了“基础性”。
　　表面上看，这些人好像节省了一些学习时间，但他们因为基本功欠缺，反而【难以】在该领域达到足够高的 level。
　　在前一个章节，我提到了“费曼学习法”。那些只注重“实用性”而忽视“基础性”的家伙，在运用这个“费曼学习法”的时候，就容易卡壳。

　　注重【基础性】的另一个好处在于——越是基础的东西，越有可能【跨领域】。关于这点呢，我在后面的两个章节会细谈。

★DIKW 模型（Data Information Knowledge Wisdom）

◇概述

　　这个模型，首先是作为【知识管理】的理论被提出来滴。后来经历了一些演变，衍生出一些略有不同的解读。本章节的讨论，我侧重于我本人的解读。先看下面这张示意图，然后我会分别说明：相邻层次之间的差异。

◇Data（数据）与 Information（信息）的区别

　　为了说明这两者的差别，我以“气象站”举例。
　　一般而言，每个城市的不同区域都会架设百叶箱，里面的温度计会定期记录温度数值——每一个数值就是一个 data。
　　如果你把某个时间段所有的温度数值进行汇总，并进行一定的处理（比如：加权平均），就可以得到这个时间段的温度——这就是 information。
　　单个的 data 其实没啥意义，information 才具有意义。当你在气象网站上查到当前的气温，这是 information 而不是 data。

◇Information（信息）与 Knowledge（知识）的区别

　　如果你汇总了某个城市连续多年的“每日气温”，那么你就可以大致得出一个结论：这个城市的气温是炎热还是寒冷，是否适宜居住。这个结论就可以算是 knowledge 啦。这两者的差别在于——
　　1：生命周期的长短
　　information 的生命周期很短（短命），而 knowledge 的生命周期会比较长（长命）。类似“当日气温”这种 information，很快就会被淡忘（除了专门研究气象的人，谁还会去关心多年前某一天的具体温度？）
　　2：碎片化的程度
　　information 不光是短命滴，而且是高度【碎片化】滴。相比之下，knowledge 就不那么碎片，而且 knowledge 还可以形成某种【体系】。
　　
　　在谈到【媒介形态】时，我提出过短视频、知乎、优快云这种网站，对系统化学习并没有什么实质性帮助。根源在于——这种即时网站or平台上的内容，绝大部分只是 information（短命且碎片）。很多人终日泡在此上，除了白白浪费时间，其实没啥收获。

◇Knowledge（知识）与 Wisdom（智慧）的区别

　　对于“DIKW 模型”前三者的差别，咱单纯拿“气象站”就能说得很清楚，但要说清楚 knowledge 与 wisdom 的差别，就需要多费点口水啦。
　　某些关于 DIKW 的理论认为：information 对应“WHAT 型问题”；knowledge 对应“HOW 型问题”；wisdom 对应“WHY 型问题”。
　　“WHY 型问题”的档次明显要【高于】另外两种类型的问题。如果你能回答某个领域某个分支的“WHY 型问题”，说明你【真正理解】了这个分支。

　　说到这里，顺便分享一个经验：

我最近在做公司的管理工作，包括人员管理、项目管理，也面试过很多工程师。在考察应聘者的技术能力，我很喜欢问“WHY 型问题”。有时候我会故意先抛出一两个“WHAT 型”或“HOW 型”的问题，但最终是为了引出一个“WHY 型问题”。为啥我如此偏爱这类问题捏？除了刚才提到的好处——对 WHY 型问题的回答，能看出对方是否【真正理解】某个领域；另一个好处是——“WHY 型问题”通常【没有】标准答案（所以，这类问题比较难作弊）。我个人觉得，这应该不属于刁难吧...jajaja...

　　单一领域 VS 跨领域

　　关于 knowledge 与 wisdom 的差异，还有一个就是“领域相关性”。通常而言，knowledge 附属于某个特定领域；而 wisdom 则不然——有些 wisdom 属于单一领域，还有一些则跨领域。显然，后一种 wisdom 比前一种更重要（更有价值）。对于这类【跨领域】的 wisdom，请君阅读下个章节。

★【跨领域】的智慧（Wisdom）

　　为了说明【跨领域】的智慧，我在文末为读者浅举几个例子：

◇举例：无处不在的【熵】

　　【熵】这个玩意儿，英文叫做“entropy”。他是一个很典型的【跨领域】的例子。
　　什么是熵？通俗地说，就是指系统的无序程度（紊乱程度）。比如说：堆满杂物的房间-->熵很高；整洁干净的房间-->熵很低。

　　热力学的熵
　　【熵】的概念最早出自于“热力学第二定律”。该定理有两种表述方式，分别出自两位科学大牛：
克劳修斯（Rudolf Clausius）指出：对于某个【孤立】系统，热不能自发地从低温物体传到高温物体。
开尔文勋爵（Lord Kelvin）指出：对于某个【孤立】系统，不可能从单一热源吸热使之全部转化为做功，而不产生其它影响。
　　后来又出了一个科学大牛玻尔兹曼（Ludwig Boltzmann），他指出了热力学第二定律的【本质】是：对于孤立系统，其微观层面（微观粒子）的无序程度在不断增大。

可能某些同学会纳闷：我为啥会花费这么多口舌聊“热力学第二定律”捏？
　　从上面这三只大牛的不同表述，你会发现——前面两只大牛，他们的表述只停留在【表象】，而第三只大牛才真正道出了“熵”的【本质】。
　　一般来说，越接近【本质】，也就越接近 wisdom 层面。
　　（费了很多口水聊热力学，就是为了引出上面加粗体的这句话）

　　信息论的熵
　　【熵】是“信息论”最核心的几个概念之一。
最早是数学大牛香农（Claude Shannon）建立了“信息熵”的理论——香农因此被誉为“信息论它爹”。
　　对“信息熵”的理解，有助于你理解 IT 领域的很多know-how。
　　比如说：理解了熵，可以帮你理解“数据压缩”的原理。而理解了“数据压缩”的原理，你就能明白——真正随机的数据是【不可能】压缩滴。无论未来出现多么牛b的压缩算法，也无法压缩完全随机的数据（关于这点，可以从数学上给出证明）。

　　密码学的熵——关于密钥生成
　　【熵】在密码学中也占据重要地位。
　　比如说：密码学中的“密钥生成函数”需要引入【足够高】的熵，从而使得攻击者难以预测密钥的分布。
　　在密码学的这个分支，熵成为某种【好】东西 o(*￣▽￣*)ブ

　　管理学的熵——大企业的僵化
　　有很多优秀的初创公司，当它们发展到一定规模之后，就会出现这样那样的问题（弊端），变得僵化、失去活力。
　　这里面当然有很多原因，而其中一个原因可以归咎于【熵增大】。
　　当一家公司规模较小（只有几十个人）的时候，你要想让公司整体保持在【低熵】水平，还比较容易；但在规模扩张到几万人之后，再想保持原有的【低熵】水平就变得非常非常困难。
　　从理论上讲，公司可以通过“换血”的方式，降低整体的熵。这很类似于热力学系统中，把“高熵”的物质移出系统，并移入“低熵”物质，以此来降低系统整体的熵。可惜的是——很多事情，从理论上讲很简单；而一旦应用到【实践】层面，就很难操作。理论和实践总是会有巨大隔阂。

　　生物学中的熵——细胞内的化学反应
        在生物学中，熵用于描述生物系统的复杂性和无序性。
        细胞内的化学反应，包括代谢过程、能量转换等，都涉及熵的变化。例如：
    ATP的生成和分解：ATP（腺苷三磷酸）是细胞的能量货币。生成ATP时，系统的熵减少，因为能量被储存起来；而分解ATP时，能量被释放出来，系统的熵增加。
        蛋白质折叠和解析：从无序的线性链折叠成有序的三维结构时，系统的熵减少；而蛋白质解折回无序状态时，系统的熵增加。

致谢：

谨以此文，向那些无私分享智慧和经验的前辈博主们致敬；

正是站在您的肩膀上，后辈才能不断拓展视野，追求卓越；

你们的辛勤付出和智慧结晶，是我前行的灯塔，感恩不尽。