平衡法则

 

顺势而为

小米科技董事长雷军在一次演讲中说，咱们中国不乏很多既聪明、又勤奋、又有能力的人，而这样的人有一个通病就是，很自信甚至自负，他觉得他自己可以改变世界。

他接着说，等他到了40岁时，他才悟到了最重要的道理，光有聪明和勤奋是远远不够的，还得顺势而为。把握战略点、把握时机，要远远超过战术。有些东西即使做到极致又能怎么样，就像台风来了，一头猪在风口都可以飞。

雷军提出要顺势而为，但没说怎么看清形势。看不清形势，如何才能顺势而为呢？

世界纷繁复杂，只有从复杂的变化中找出规律，才能看清形势，评估变化，从而顺势而为。

 

万物变化规律

在自然界中，万物运动不止，人们奔波忙碌。生生不息。

促使万物不停变化的源动力是什么？难道没有规律可循？

举几个实例说明：

热量总是从高温物体传递到低温物体，直到达成温度平衡，温度差为0.

分子的扩散现象中，两杯不同浓度的液体接触，两杯液体最终变成相同浓度的液体。单个分子无规律运动，但整体看来确是有方向的。

不同水位的两杯水，用水管相连，两杯水最后会自发的运动，变成相同水位的两杯水。

 

热力学第二定律表示，不可逆热力过程中熵的微增量总是大于零。在自然过程中，一个孤立系统的总混乱度（即“熵”）不会减小。由此演化出了宇宙的热寂说：宇宙的能量保持不变，宇宙的熵将趋于极大值，伴随着这一进程，宇宙进一步变化的能力越来越小，一切机械的、物理的、化学的、生命的等多种多样的运动逐渐全部转化为热运动，最终达到处处温度相等的热平衡状态，这时一切变化都不会发生，宇宙处于死寂的永恒状态。

万物自发的向热平衡的方向变化，这是物质的变化的一种动力。

 

人的行为受到什么驱动？

一句老话说的好，天下熙熙，皆为利来；天下攘攘，皆为利往。

利差是人的行为的源动力。人的行为总是趋向于将利差拉平，达成平衡。

例如，假设一个生意很赚钱，也就是有利差。这个时候竞争者就会蜂拥而至，迅速的降低价格，将利差拉平，让后进场的人无利可图，达成平衡。

人往高处走，水往低处流。人的行为是自发的吗？也可以说是被历史车轮裹挟而前进。

 

以上示例可以看出一个规律：事物总是趋向于向平衡态发展和变化。

只要有差异，就有归于平衡的动力。

不平衡是事物发展的源动力。要达成不平衡，就需要将一个事物一分为二。

形象的说，也就是太极生两仪。

《易经》中说：

一阴一阳之谓道。 继之者善也，成之者性也。仁者见之谓之仁，知者见之谓之知，百姓日用而不知，故君子之道鲜矣。 显诸仁，藏诸用，鼓万物而不与圣人同忧，盛德大业至矣哉！ 富有之谓大业，日新之谓盛德。生生之谓易，成象之谓乾，效法之谓坤，极数知来之谓占，通变之谓事，阴阳不测之谓神。

 

《道德经》有：

天下皆知美之为美，斯恶已；皆知善之为善，斯不善已。有无相生，难易相成，长短相形，高下相盈，音声相和，前后相随，恒也。是以圣人处无为之事，行不言之教；万物作而弗始，生而弗有，为而弗恃,功成而弗居。夫唯弗居，是以不去。

 

再举一个例子：二八定律，普遍被认为是世界不公的现象。在财富分配中，二八定律体现在，社会上20%的人占有80%的社会财富，即：财富在人口中的分配是不平衡的。

事物只要不平衡，就有趋向于平衡的动力。说明二八定律，表面上看起来不平衡，实际是平衡的。否则一定不是二八，而是五五。

那为什么平衡点在二八呢？形成这种现象的主要原因是，创业成功的概率太低了。要想获得财富，需要去创业，创业成功了回报很高，但是风险很大。高风险如果没有高回报，就不会有人去做。风险与回报形成平衡关系。一个人能力不变的情况下，无论是创业还是打工，其实回报是一样的。假设创业百倍回报，成功的概率只有1%，那么打工与创业的回报相同，人自然懂得如何选择。如果不平衡，创业回报更高，人都不是傻子，自然都去创业了。

人工智能的平衡法则

在人工智能领域有所了解的人，可能对这一点理解更为深刻。

误差，是机器学习的源动力。

机器学习的本质就是消除误差，达成平衡。

例如，一个最简单的算法，让AI学习加法公式。输入两个数，AI需要返回两个数的和。

var inputs = tf.placeholder(tf.float32,2);           var a = tf.Variable(tf.truncated_normal(2), true, true, "A");         var b = tf.Variable(tf.constant(0.01f),true,true,"B");         var v = tf.reduce_sum(tf.multiply(inputs, a) , 0) + b;           var y_input = tf.placeholder(tf.float32);         var cost = tf.square(y_input - v);         var optimizer = tf.train.AdamOptimizer(0.01f).minimize(cost);           using (var session = tf.Session())         {             // Run the initializer             session.run(tf.global_variables_initializer());               //训练             for (int i = 0; i < 10000; i++)             {                 var test_a = (int)(Random.value * 10);                 var test_b = (int)(Random.value * 10);                   float[] array = new float[2];                 array[0] = test_a;                 array[1] = test_b;                   Debug.LogFormat("a {0} + b {1} = {2}", test_a, test_b, model_add(test_a, test_b));                   print(session.run(v,                 (inputs, array)));                   float c = cost.eval(new FeedItem[]  { (y_input,model_add(test_a,test_b)),             (inputs,array)});                 Debug.Log("cost " + c);                     optimizer.run(new FeedItem[]  { (y_input,model_add(test_a,test_b)),                 (inputs,array),                 });                     yield return new WaitForEndOfFrame();                   if (c < 0.00001f)                 {                     break;                 }             }               //测试             for (int i = 0; i < 10; i++)             {                 var test_a = (int)(Random.value * 5500+5000);                 var test_b = (int)(Random.value * 5500+5000);                   float[] array = new float[2];                 array[0] = test_a;                 array[1] = test_b;                   Debug.LogFormat("test {0}+{1}={2}",test_a,test_b, session.run(v,                 (inputs, array)));                   yield return new WaitForEndOfFrame();             }

这里面的cost则为训练的误差。Cost接近0，学习过程可以结束。数学上可以证明，在平衡点，事物处于最优解。导数为0，变化曲线的斜率为0；也可以说，万物趋向于平衡，也就是趋向于最优解