周尚金杭

这个问题我必须答,因为我想为这里的年轻人介绍一种「可实现的成功学」。希望这个我自创的理论,可以改变很多人的一生。

当我们评价一个事情值不值得去做、应该花多少精力去做的时候,应该抛弃单一的视角,而是分从两个不同的维度来看,一是该事件将给我带来的收益大小(认知、情感、物质、身体方面的收益皆可计入),即「收益值」;二是该收益随时间衰减的速度,我称为「收益半衰期」,半衰期长的事件,对我们的影响会持续地较久较长。

这两个维度正交以后就形成了一个四象限图。我们生活、学习和工作中的所有事情都可以放进这个图里面。这里我举几个例子:
  • 高收益值、长半衰期事件:找到自己的真爱、学会一种有效的思维方法、完成一次印象深刻的旅行、与大牛进行一场意味深长的谈话;
  • 高收益值、短半衰期事件:买一件时髦的衣服、玩一下午手游、吃一顿大餐、看AV撸管;
  • 低收益值、长半衰期事件:练一小时书法、背诵一首诗、背牢十个单词、看一本经典小说、读懂哲学著作的一个章节、多重复一次技能练习、认真地回复一封友人的邮件;
  • 低收益值、短半衰期事件:挑起或参与一次网络掐架、漫无目的地网上闲逛刷微博、使用微信陌陌知乎等进行成功率很低的勾搭。

如果我们反躬自省一下,可能会发现,我们平时做得最多的、最喜欢做的,是「高收益值、短半衰期事件」,其次是「低收益值、短半衰期事件」,而另两类长半衰期事件,我们或者做得很少、或者做得很不情愿、或者不具备做的条件。

这个现象,就导致了一种结果,就是我们不自觉地陷入了一种「短半衰期的沙坑」之中。在沙坑里,我们总是一次次地把沙子抓起来,刚获得一点快感,沙子就已从指尖划下,然后重新来过。即便这个过程重复得再多次,我们还是得到相同的结果。每一天都是崭新的一天,但每一天都在重复昨天的故事。

但是长半衰期的事件就不一样,它的效益可以累积和叠加。即便每一次事件的可见效益微乎其微,但是只要它的半衰期足够长,这个效益就可以传递下去,成为未来成功的一块小小的基石。比如背单词,背一个单词,尽管可能过几天就淡忘,但是当你重新背这个单词的时候,第一次行动留下的底子还是在那里,它可以降低你再次记诵的难度。但是假使你在玩神庙逃亡这个游戏,一个连续奋战几十分钟的战果可能在一次疏忽中就前功尽弃、灰飞烟灭,虽也许会留下一个高分纪录,但是这个数字,其实是没有意义的。

再举一个例子,中午去食堂吃饭,不免要排队等上五到十分钟,这时大多数人会拿出手机刷微博打发时间,但是如果这个时候你拿出的不是手机,而是一本诗集,读上一首诗,又会如何呢?也许你会被旁人当成异类、呆子、文青,但是没关系,也许那首诗的美,已经种在你的心里,并在某个时刻开始生根发芽。

我们知道乔布斯有一个著名的「人生三故事」的演讲,2005年在斯坦福大学。其中一个故事讲的是他在读大学期间练习书法,这个经历锻炼了他的审美品味,从而使得他在后来的苹果产品中特别注重产品的美感,所以这件事情为其传奇式的成功埋下了重要的伏笔。练书法这个事情的收益,对于我们普通人,放在当时和今天来看,都不那么高了,但是这个事情对人生的影响却可以沉淀下来,在某个时空机缘的当口爆发惊人的力量。

所谓成功的人生,就是这样把无数个或大或小的收益累加起来的结果。

看到这里,有些人可能会联想到时间管理中的「时间四象限法」,又称「艾森豪威尔法则」。该理论将事件从重要性和紧急程度两维度进行分类,分成重要紧急、重要不紧急、不重要紧急和不重要不紧急四类,并特别指出人们常常忙于去做不重要紧急的事,却忽略了重要不紧急的事情。我承认这个观点非常精彩,但是现实中,人们却很难履行这个法则并从中收益,因为我们现代人常常陷入了「两个无能」之中,一是「选择无能」、二是「执行无能」:
  • 「选择无能」就是我们很难判断两个事情哪个更重要,比如两本书看哪一本更有价值我不知道,比如两个证书去考哪一个更有前途我不知道。于是就成了布吕丹的驴子,在犹豫不决中寸步不行,直至饿死。
  • 「执行无能」就是我明知道这个事情很重要,就是不去做。其实对广大拖延症患者来说,一个事情看上去越重要,内心的恐惧感就越大,就越容易拖,最后一事无成。

所以,与其死守「艾森豪威尔法则」而不入,不如放下,拥抱简单、易做的「采铜法则」:

尽量少做或不做「短收益半衰期」的事情。

除了字面意思外,这个法则暗含两层含义:
  1. 收益值的高低无关紧要,只要不是「短半衰期」的事情,只要这个收益可以被累加,你就尽管去做,这个可以破除「选择无能」;
  2. 你不用去做那些宏伟高大的事情。即便是去做那些不重要不紧急的事情比如你现在抽一分钟出来练几个字都可以,这就赚到了,就这样开始,没错!这可以破「执行无能」。

的确,读完这篇文章,你可能还是有点迷惑,你仍旧不知道你该干什么,以及到底干什么才能成功,但是你已经可以告诉自己——从现在这一刻开始——你可以不干什么了。每个人拥有的时间都是相同的,一旦你消灭了那些不该干的事,余下的时间,不管你做了什么,都会为你增添力量,积累动能,你就会一步步地、头也不回地走向成功。


PS:评论中不少人问上知乎这个事情属于什么半衰期,我的看法是这取决于你上知乎的方式,这里我提供两个建议:
  1. 看半衰期长的答案;
  2. 写半衰期长的答案。
内容概要:本文详细介绍了基于C#的工业自动化通信开发库,涵盖了多种常见的通信协议和技术。首先讨论了串口通信的基础操作及其注意事项,如波特率设置和事件处理。接着深入探讨了TCP通信,特别是针对高并发场景下的粘包处理和性能优化。文中还详细讲解了Modbus协议的应用,包括RTU和TCP两种模式的具体实现和常见问题解决方法。此外,文章涉及了数据库操作的最佳实践,尤其是EF6与MySQL的配合使用,以及数据转换技巧,如字节序处理和布尔值提取。最后,简述了消息队列(如RabbitMQ)和CAN总线的使用场景和配置要点。每个部分都配有实际代码示例,帮助开发者更好地理解和应用这些技术。 适合人群:从事工业自动化领域的软件开发工程师,尤其是那些需要频繁处理通信协议和数据交互的技术人员。 使用场景及目标:适用于需要进行PLC通信、数据采集、监控系统集成等项目的开发人员。主要目标是提高开发效率,减少因协议复杂性和数据格式差异带来的困扰,确保系统的稳定性和可靠性。 其他说明:文章不仅提供了理论指导,还分享了许多实际项目中的经验和教训,强调了在真实环境中可能会遇到的问题及解决方案。对于初学者而言,可以作为入门指南;对于有一定经验的开发者,则可以作为参考手册,帮助他们优化现有系统并避免常见错误。
内容概要:本文档详细介绍了基于灰狼优化算法(GWO)优化逐次变分模态分解(SVMD)的MATLAB项目实例。项目旨在通过GWO优化SVMD中的关键参数(如模态数、惩罚因子等),提高信号分解的精度和效率,解决传统SVMD方法面临的参数选择和优化挑战。GWO算法通过模拟灰狼捕猎行为,实现全局搜索和局部搜索的平衡,增强了SVMD在处理非线性、非平稳和含噪信号时的能力。文档涵盖了项目背景、目标与意义、挑战及解决方案、特点与创新、应用领域、效果预测图程序设计及代码示例、模型架构、算法流程、目录结构设计、注意事项、扩展方向、部署与应用、未来改进方向、总结与结论以及详细的程序设计思路和具体代码实现。 适合人群:具备一定编程基础,特别是熟悉MATLAB和信号处理技术的研发人员,以及从事机械故障诊断、生物医学信号分析、地震信号处理、无线通信和金融市场分析等领域工作的工程师和研究人员。 使用场景及目标:①优化SVMD中的参数设置,提高信号分解的精度和效率;②处理非线性、非平稳和含噪信号,提取有用的特征;③应用于机械故障诊断、生物医学信号分析、地震信号处理、无线通信和金融市场分析等领域;④提供信号噪声抑制功能,减少噪声干扰,确保信号中的有用信息被充分提取;⑤拓宽算法的应用范围,为相关领域的信号处理提供高效、精确的工具。 其他说明:本项目不仅提供了详细的理论背景和技术实现,还附带了完整的代码示例和GUI设计,便于用户实践和调试。项目强调了数据质量和参数调整的重要性,同时对未来改进方向进行了展望,如引入深度学习技术、多模态信号融合、实时故障诊断功能、端到端加速、数据隐私保护与合规性、扩展到边缘计算平台、自动化模型训练与优化、系统的自我修复能力等。通过本项目的成功实现,可以为信号处理领域提供一种更加高效、精确、可靠的解决方案。
内容概要:本文档介绍了基于MATLAB实现的建设工程风险决策多目标优化项目,该研究结合云模型和遗传算法,旨在优化建筑工程中的风险管理决策。项目首先阐述了背景与目标,强调了优化建筑工程风险管理、提高成本效益、增强风险预测能力的重要性。接着,文档详细描述了项目挑战及解决方案,包括模型准确性、计算效率、不确定性处理等方面。项目特点与创新在于综合运用云模型和遗传算法,引入自适应优化算法,并基于大数据进行风险预测。应用领域涵盖建筑工程管理、制造业风险决策、能源与环境管理、交通运输行业和金融风险管理。文档还展示了项目的效果预测图、程序设计及代码示例,涵盖了数据预处理、云模型风险评估、遗传算法优化、多目标优化决策和结果可视化等模块。最后,文档讨论了项目的未来改进方向,如模型多样化、云平台优化、增强智能决策支持等。 适合人群:具备一定编程基础,尤其是熟悉MATLAB的工程师和研究人员,以及从事建筑工程管理、风险管理和多目标优化领域的专业人士。 使用场景及目标:①理解云模型和遗传算法在建筑工程风险管理中的应用;②掌握多目标优化的具体实现方法和技术细节;③学习如何构建和优化基于云模型和遗传算法的风险决策系统;④应用于实际建筑工程管理和其他相关领域的风险管理决策。 其他说明:此项目不仅为建筑工程的风险管理提供了科学依据,还为其他行业的多目标决策优化提供了技术参考。项目代码详尽,从环境准备、数据处理到模型训练和评估均有详细示例,便于学习和实践。同时,项目强调了数据质量和模型参数选择的重要性,为后续研究和应用提供了宝贵的经验和指导。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值