CG电影

本文来自微信公众号：不懂经，作者：也叔，头图来自：AI 生成为什么很多聪明、勤奋的人，最终只能取得 " 还不错 " 的成就，而无法抵达被称作 " 卓越 " 的境界，取得巨大的成功？剩下绝大多数人，更是只能换来 " 可预测的平庸 "？而还有极少数人，他们并不加倍聪明，勤奋也有限度，却能获得在旁人看来如奇迹般的成功？这背后的关键要素，并不在于能力、资源或运气的差异，而在于一种随进化而来的、根深蒂固的心智模式：大多数人被训练成了 " 稳定值 " 的觅食者，而那些拿到大结果的人，几乎无一例外，都是 " 异常值 " 的狩猎者。这就是普通人与高手、小成者与大成者之间的关键分野，也是人生跃迁的关键一环。一、爬错山在之前的文章中，我们提到了有 " 加密先知 " 之称的克里斯 · 迪克森。迪克森是世界上最成功的加密风险投资家之一，曾将他的第一个 3.5 亿美元的加密基金变成了大约 60 亿美元。2022 年时，他位居《福布斯》风险投资家排行榜首位，他在（a16z）的老板本 · 霍洛维茨预测他将成为 " 他这一代最好的投资者 "。迪克森曾经写过一篇短文《爬错山》，其中讲到一个故事。这个故事其实很常见，在我们身边都时有发生，甚至可能就发生在我们自己身上。故事讲的是，一个很聪明的年轻人，大学毕业进入投行工作。一年后，他认为自己讨厌华尔街，想去科技创业公司。于是他向老板提出辞职，而老板极力挽留。老板们告诉他，如果留在银行，他会得到加薪和更大的职责。而加入科技行业，则意味着他要从零开始。于是，年轻人又考虑留下了，尽管他对金融业并无长远打算。迪克森说，这些年，他遇到过许多处在类似境况的求职者。他会问这些人一个显而易见的问题：" 未来 10 年，你想做什么？" 他们的答案总是惊人地一致：" 在一家科技创业公司工作，或者自己创办一家。"然而，他们中的大多数人最终还是决定留在目前的轨道上，而不是加入创业公司。几年后，他们终于辞职了，但已经在一个自己不喜欢的行业里蹉跎了数年，这些岁月并未真正帮助他们实现长远抱负。聪明、有抱负的人，为什么会留在一个自己并无长远规划的领域里工作，并最终获得 " 可预期的平庸 " 结果呢？迪克森提到一个计算机科学中的模型，可以很好地来类比他们所犯的错误。计算机科学中有一个经典问题叫作 " 爬山 "。想象一下，你被随机放在一片丘陵地带，四周雾气蒙蒙，能见度只有几英尺。你的目标是登上最高的那座山。我们先来看最简单的算法：在任何时刻，都朝着能让你走得更高的方向迈出一步。这种方法的风险在于，如果你恰好从一座较矮的山脚下出发，你最终只会到达那座矮山的顶峰，而不是最高峰。一个更复杂的算法，是在你的行走中加入一些随机性。开始时，随机性很高；随着时间推移，随机性逐渐降低。这样一来，在你开始专注、不再随机地攀登之前，你就有更大的机会蜿蜒漫步到那座更高的山丘附近。还有一种通常更好的算法：你反复将自己空投到这片区域的随机地点，然后执行简单的爬山算法。在多次尝试之后，你再回过头来，判断哪座山是最高的。回到那个年轻的大学毕业生。他的优势在于，他对自己所处的 " 地形 " 看得更清楚，没那么多 " 雾 "。他知道（或者至少相信）自己想登上的，是另一座山峰，而不是脚下正在爬的这一座。他甚至能从现在的位置望见那座更高的山。但是，当前这座山的诱惑是巨大的。人们天生就有一种倾向，总想让下一步是向上的。他最终掉进了一个被行为经济学家们反复强调的普遍陷阱：人们倾向于系统性地高估短期回报，而低估长期回报。这种效应在越有抱负的人身上似乎越明显。他们的抱负心似乎让他们难以放弃眼前那个 " 向上一步 " 的机会。然而，这种抱负心，从另外一个角度看，其实就是对稳定值的依赖，最终获得的往往是线性的轻尾回报（即平均斯坦）；而失去了那种加入科技公司、可能获得属于异常值的重尾回报（即极端斯坦）。无独有偶，19 世纪的德国物理学巨匠赫尔曼 · 冯 · 亥姆霍兹，曾用一个精妙的比喻描述他解决复杂问题的过程，其实和我们的人生非常相似。在解题过程中，他感觉自己像一个登山者，在陌生的山脉中费力攀爬。他时常走进死胡同，不得不折返下山；又在某个不经意的瞬间，因一次偶然的领悟，发现一条新路，得以继续向上。当他历经艰辛终于登顶时，却常常懊恼地发现，其实旁边本就有一条通往山顶的捷径，而他在山脚下时，明明已经路过却视而不见。这个故事，就是无数勤奋而优秀者的人生缩影。我们大多数人，都像是那位努力但视野受限的登山者。我们努力学习、拼命工作，在一个 " 山头 " 上精益求精，试图将人生的分数从 60 分优化到 90 分，为每一次微小的进步而欣慰，为每一次的稳定而心安。然而，我们很少反省自问：我正在攀登的，是最高的山峰吗？眼前的路是释放我们人生潜能的最佳路径吗？我们往往以为，回报等于能力加努力。但在高手的世界里，回报更像是一个乘法公式。生态位的要素——地理、平台、社群、导师、时间窗口等等，对个人回报的效应是相乘而非相加的。能力相同的人，在不同的生态位中，其成果可能呈数量级的差异。人生的跃迁，提高认知和能力很重要，而更关键的在于对生态位（山峰）的选择，在于一种从 " 优化存量 " 到 " 寻找异常 " 的思维范式转变。正如桥水基金创始人达里奥所言，" 你必须独立思考，因为赞同已反映在价格中的共识观点是赚不到钱的。"二、" 稳定值 " 心智：蚀刻在基因里的古老生存算法 普通人难以大成，并不是因为不努力，而是过早满足（在 80 分或 90 分位就定居）与过度求稳（规避高方差的风险生态）。【低方差就是指所有的数据点或表现都非常接近平均值，结果是可预测的、稳定的、低风险的。高方差相反。】这种 " 早满 " 与 " 求稳 " 的倾向，并非性格缺陷，而是一套在我们基因中运行了上百万年的生存算法。它的底层逻辑，可以从三个层面来理解：1. 身体层面：稳态要求与能量预算的铁律生物体的首要任务是维持 " 稳态 "，即将体温、血糖等关键指标锁定在一个极窄的窗口内，任何剧烈的波动都可能致命。我们的大脑，是身体的 " 耗能大户 "，耗能占比 20%，本能地厌恶不确定性，因为每一个 " 意外 " 都意味着需要消耗宝贵的能量去处理。生存是一场 " 乘法游戏 "，因为任何一次归零都会导致全局失败。所以，在进化的赛道上，形成习惯、固定作息、稳定社交，本质上都是用 " 可预测性 " 来换取能量效率。" 不出错 " 远比 " 多得分 " 更重要 。2. 心智层面：预测误差与风险规避我们的大脑之所以耗能，也因为它是一台精密的 " 预测机器 "，它的核心目标是最小化预测误差。显然，一个稳定、熟悉的环境能带来低预测误差，带给我们安全感；而一个动荡、未知的环境则会带来高预测误差，让我们持续处于警觉和压力之下。因而，追求稳定，正是我们心智寻求安宁的本能策略。进化心理学也揭示了，相比于潜在收益，人类更厌恶损失，背后的深刻根源就在于：在远古，一次错误冒险的代价是毁灭性的，而一次成功冒险的收益是有限的。还有现状偏好、熟悉性偏差、沉没成本等一系列机制，把我们的心智被塑造成了宁愿 " 避免大错 "，也不愿 " 追逐大赚 " 的模式。3. 社会层面：合作与道德的规范人类作为大型哺乳动物，有一个巨大的劣势，就是人类幼崽有着极其漫长的脆弱期，这要求父母必须提供多年的稳定供养和可预测的照料网络。正因如此，在人类社会中，那些可靠、一致、可预测的行为被制度化为美德与规范，而那些出格、冒险的行为则常常面临被群体排斥的风险。在古代，这种行为直接等同于生存威胁。现代社会中，从契约、岗位到养老金，人类社会的大部分制度设计，本质上都是将个人波动性摊平的装置，旨在让大多数人可以在一个低方差的轨道上安稳地生活，并为社会做贡献。这套古老的生存算法，在人类历史的 99.9% 的时间里都无比正确。它帮助我们的祖先在危机四伏的荒原上存活下来。但问题是，这个为 " 线性稀缺 " 环境设计的软件，在今天这个 " 凸性丰裕 " 的现代世界里，正变得越来越不适应，甚至成为了我们的束缚和累赘。 三、" 异常值 " 的世界：当古老算法遭遇现代幂律分布我们所处的现代商业与信息世界，其回报的分配方式与远古荒原截然不同。它不再遵循温和的钟形曲线，而是极端的幂律分布。网络科学权威艾伯特 - 拉斯洛 · 巴拉巴西提出了一个颠覆性的观点，即 " 成功第二定律 "：能力表现是有界的，但成功是无界的 。我们可以想象这样两个世界：轻尾世界：以百米短跑为例。地球上跑得最快的人尤塞恩 · 博尔特，其百米成绩是 9.58 秒。一个非精英运动员的成绩大约在 13-14 秒之间。博尔特的能力表现无疑是顶级的，但他不可能比普通人快 100 倍 。他的能力被物理定律牢牢地限制在一个 " 有界 " 的范围内。身高也是如此，世界上最高的人，也只比平均身高高出几英尺 。重尾世界：与身高和奔跑速度相比，财富、影响力、思想的传播则完全不同。它们遵循着一种被称为 " 重尾分布 " 或 " 幂律分布 " 的模式。在这种分布中，顶端百分之几的结果，是中位数结果的许多倍。畅销书作家丹 · 布朗的作品《失落的秘符》销量可以比排行榜第二名的《最后的歌》高出整整 10 倍。马斯克的财富，如果换算成身高，将高达 8.5 万公里，约为地月距离的四分之一 。我们绝大多数人，都生活在轻尾的世界里，或者轻尾的心智模式中，终生在用优化 " 能力表现 " 的线性思维，去追求 " 成功 " 这种非线性的、幂律分布的回报。我们以为从 90 分到 99 分的努力，只会带来 10% 的回报提升，但在重尾世界里，这 1% 的顶尖位置，可能意味着 10 倍甚至 100 倍的回报差异。这种认知上的错位，注定了大部分人会停留在一个 " 还不错 " 的水平上，早早停止了探索和对极致的追求。在一个 " 重尾世界 " 里：绝大多数的回报，都由那 1% 甚至 0.1% 的 " 异常值 " 所贡献。在这个世界里，我们那套古老的 " 求稳 " 的算法就变成了一个巨大的陷阱：它让你陷入局部最优：就像亥姆霍兹的登山比喻，我们的求稳本能会驱动我们奋力攀爬最近、最显眼的那座山峰，并安于其上。我们满足于 " 还不错 " 的稳定工作和 " 可预测的平庸 " ，却从未意识到，不远处的另一座山峰，其高度可能是我们脚下的十倍百倍。它让你变得可替代：稳定的路径往往培养的是标准化的、可流程化的能力。而在平台与人工智能时代，这类劳动恰恰是最先被替代的。它让你错过指数回报：在幂律世界里，早期进入和持续复利至关重要。等待和求稳的代价不是零，而是永久性地错失了指数增长曲线最陡峭的前半段。这就是现代人最大的困境：我们在用一套为生存而设计的、旨在消除波动的旧心智，去应对一个需要拥抱波动才能获得巨大回报的新世界。四、打造 " 异常值 " 心智：像 " 坟墓舞者 " 一样思考和行动如果说普通人的心智模式是寻找稳定值，那么高手们则发展出了一套主动狩猎 " 异常值 " 的现代策略。在重尾世界里，异常值决定了游戏的一切。高手们深知，方差不是需要消除的噪音，而是充满机会密度的信号。他们的核心策略非常反直觉：获取足够多的样本，并筛选 " 可能惊艳 " 的选项，而非 " 大概不错 " 的 。硅谷顶级的创业孵化器 YC 的投资哲学正是如此。他们认为，最好的创业点子，初听时都像是坏主意。因为如果一个想法显而易见是好的，那么别人早就去做了。真正的机会，存在于 " 看起来是坏主意 " 和 " 实际上是好主意 " 的交集之中 。当 Airbnb 的创始人向 YC 推介他们 " 让陌生人住进你家公寓 " 的点子时，YC 的合伙人们一致认为这个想法糟透了，永远不会成功。但他们被创始团队的决心和毅力（甚至通过卖政治主题的麦片来维持生计）所打动，最终决定投资。后来的故事我们都知道了，这个 " 坏主意 " 最终成长为一家价值千亿美元的公司，一度占据了 YC 投资组合价值的 15% 。YC 筛选的不是点子的现有质量，而是创始团队迭