在不确定的世界里，你的理解变成了最大的阻碍。我们要做的，不是去理解这个世界，而是去设计一套，不需要我们理解也能顺应变化的系统。

讲三个故事。

前不久读到一篇文章，大意是这样的（抱歉我花了一个小时也没从浩瀚的历史记录里找到原文）：当人类需要 ai 去解决一个前所未有的难题时，需要做的，不是去设计更好的解题思路，而应该为 ai 模型提供更强大的算力，让 ai 用更多次的计算和试错，不断学习和进化，最终找到人类不知道的解决方案。换句话说，ai 提升能力的方式，靠的不是人类的理解，而是自身的学习和进化。

一个已经发生过的例子是，2016年诞生的第一代 AlphaGo， 使用了人类职业棋手数百万盘棋谱进行监督学习，而它的下一代模型，在2017年推出的 AlphaGo Zero， 不再使用人类棋谱、不加入人工设计的围棋特征，而是从随机自我博弈中学出策略。人类只提供围棋规则。AlphaGo Zero 从随机落子开始，与自己不断对弈，靠更大的算力、更长时间训练，自行发现所有策略。

也就是说，ai 的进化过程，来自于大量的尝试和训练，从结果中找到更优的策略。

人类的理解（Prompt 和程序设计）固然有帮助，但它们更像是提高已有模型能力的利用效率。真正让模型能力跨越式提升的，历史上更多来自：更大的模型（参数），更多的数据，更强的算力，更长时间的训练，更好的学习算法。

本文并不想讨论 ai，但读完这个故事，你应该受到一点点启发，人类的理解，往往不是钥匙，而是瓶颈。

第二个故事，我可以提供 原文链接。这是塔勒布不知道什么时候发布的一篇论文。读完之后，我理解联想到了第一个故事，看来不止 ai，人类历史上的进步，也都与理解无关。就像塔勒布说的：