学习的 85% 法则
编者按：本文来自微信公众号“开智学堂”（ID:openmindclub），作者：车子，36氪经授权发布。
学习状态可以分为三个区域：舒适区、学习区、恐慌区。我们总说，要逃离舒适区，这个度怎么把握？85% 法则，可以帮你评估自己是不是在学习区。
学习区模型
据不完全查证，学习区模型由德国教育家和冒险家汤姆·森宁纳（Tom Senninger） 在 2000 年提出。这里简单介绍一下。该模型将学习状态分为三个区域：
舒适区
学习区
恐慌区
图片来源：http://sethsandler.com/productivity/3-zones/
让我们详细地看一下每个区域。
1. 舒适区
在舒适区，我们毫无压力，表现出色。举个例子，在工作中我们肯定会胜任一些常规任务，流程是什么，具体怎么做，遇到问题怎么解决，我们都一清二楚，游刃有余。
但是，在舒适区停留时间过长可能会阻止我们发展新技能，因为我们基本学不到新东西，日子有点千篇一律。
2. 学习区
也称为成长区，位于舒适区之外，但是不会超出舒适区太多。在这里，我们扩展已有技能，虽然有点吃力，但是能搞定，也就是「跳一跳，够得着」。
理想情况下，随着我们在学习区中花费更多的时间，我们对新技能就更加熟悉，随着熟悉程度增加，这些新技能就会变成旧技能，融入我们的舒适区。
3. 恐慌区
在这个区域，我们面对的是完全学不懂的知识，或者远超出自己能力的任务。我们感到焦虑、恐慌、不知所措。即使拼尽全力去学习，也收效甚微，甚至一团糟。
学习区模型表明，要想学到新的知识和技能，我们就不能一直躲在舒适区，要跨出去接触新东西，但是不需要太多，因为太多了就会跑到恐慌区，不但压力大，学习很可能会失败。
说到这里，我终于明白上中学的时候，那些学不进去的同学有多痛苦了。他们知识落下太多，听课就好比是听天书，压根听不懂。别人的学习区是他们的恐慌区。
有人问，都说要脱离舒适区，这个度怎么把握？万一跑太远，跑到恐慌区了怎么办？
给你介绍一个法则，可以帮你评估自己是不是在学习区。
85% 法则
美国亚利桑那大学和布朗大学的研究者，于 2019 年在《自然》上发表了论文《最优学习的85%规则》（The Eighty Five Percent Rule for Optimal Learning）。这篇论文利用机器学习的方法来研究在多大的难度下，机器学习得最快。
机器学习这个词已经火了很久了，为了便于理解研究者的实验，先科普一下。
首先，机器学习是一种实现人工智能的方法。其次，机器学习以数据为「原材料」，无需显式编程就能表征出学习能力。虽然机器学习算法的实现也需要编程，但和传统的显式编程有明显不同。
在传统的编程范式中，通过编写程序，给定输入并计算，就会得到可预期的结果。但机器学习不一样，它会在给定输入和预期结果的基础之上，经过计算（拟合数据）得到模型参数，这些模型参数反过来将构成程序中很重要的一部分。
两者的差别如下图所示：
图：传统编程与和机器学习的差别。来源：https://www.92python.com/view/233.html
机器学习包括很多方法，比如线性回归、决策树、贝叶斯分类等，其中一种方法是人工神经网络学习。
一个人工神经网络包含一系列基本的「神经元」（或者说感知器），就是下图中的圆圈。
图片来源：http://www.ruanyifeng.com/blog/2017/07/neural-network.html
图中，底层感知器接收外部输入，做出判断以后，再发出信号，作为上层感知器的输入，直至得到最后结果。
我们可以用大量的数据去训练神经网络，让它自己学会如何做判断。这话是什么意思呢？
神经网络内部有很多参数，在训练的过程中，这些参数不断变化，就相当于人脑在学习中不断掌握规律，最后获得技能。
每一次训练，先让网络对输入有个自己的判断，然后告诉它预期结果。如果网络判断正确，它就会加深巩固现有的参数；如果判断错了，它就调整参数。
这和人脑学习很像，如果答对了，我们更加确认自己的理解是对的；如果答错了，我们就知道理解有偏差，需要纠正。
在实验中，研究者可以决定用多大难度的数据去训练这个网络。如果难度太低，网络每次都能猜对，显然无法提高判断水平；如果难度太高，网络总是猜错，它的参数就会东一下西一下变来变去，变得无所适从。
这项研究要解决的问题是：每次训练中，网络判断的错误率是多少，才能学习得更快？
研究者经过实验，得出一个精确解：15.87%。
也就是说，当训练一个神经网络的时候，你给它的内容中应该有大约 85% 是它熟悉的，有 15% 是它感到意外的。研究者把这个结论称为「85% 法则」。
如图所示，横轴是出错率，即每次训练中网络判断的错误率；纵轴是训练次数；颜色代表训练出来的网络的准确度，颜色越热（越接近黄色）表示准确率越高。
过横轴上的每个点都可以做一条垂直于横轴的线，如果沿着这条线，很快就可以到达黄色，那么这条线对应的 x 坐标就是我们要找的最佳出错率。
可以看到，图中那条虚线是接近黄色最快的垂线，它对应的 x 坐标刚好是 0.1587。
如果出错率是 0.4（对应于我在图中画出的红线），训练 1000 次能达到的准确率，大约相当于用最佳出错率训练 400 次。
对于这个图，横坐标是训练的总次数，纵坐标是神经网络的准确度。可以看到，出错率是 0.16 的那条曲线，准确度增加的速度是最快的。
心流与 85% 法则
85% 法则不但让你学得最快，还能让你学起来最上瘾。
心流（Flow）这一理论由匈牙利裔美籍心理学家米哈里·契克森于 1975 年首次提出。它描述人在从事活动时忧虑感消失、废寝忘食、主观的时间感改变等现象。
通俗讲，一旦进入心流，我们会全神贯注，物我两忘，不仅工作效率翻倍，而且感觉不到时间的流逝。
进入心流状态首先要具备 3 个条件因素：
明确的目标 ：目标会让人专注其中，是激发心流产生的首要条件；
即时的反馈 ：反馈告诉我们是否在接近目标，能减少不确定性带来的焦虑；
技能和挑战匹配 ：当任务的难度略微超出我们的能力时，容易激发兴趣。太困难的任务会使我们焦虑，太简单又会无聊。
如图所示，右下角是无聊区，代表技能高于挑战；左上角是焦虑区，代表技能远远达不到挑战；中间的带状是心流区，任务的难度略微超出我们的能力。
请注意，「难度略微超出我们的能力」，究竟是要超出多少呢？
研究表明，15.87% 不但是学习中的最佳训练出错率，也是心流率。
对于 b 图，当学习效率最大的时候（黄色），那条黄色的通道刚好是心流通道。沿着这条心流通道走，有没有一个固定的出错率呢？从 c 图可以看出，对角虚线对应的训练准确率大概是 85%，即训练出错率是 15%。
也就是说，为了产生心流，我们要给自己设计这样的挑战：挑战中大概有 15% 是我们不熟悉的。
总结
这项研究使用的例子主要是机器学习，但是研究者也考察了在其他领域中的训练，包括对人的教学实验和对动物的训练，大家摸索出来的结果基本一致，就是要有 15% 的新内容。在这个点上，学习效率最高，也最容易进入心流状态。
在工作中，如果领导给的任务很简单，在我们的舒适区，那么可以自己增加难度，争取做到超出领导预期。
如果领导给我们的任务在恐慌区，那我们一味恐慌是没有用的，应该马上想到 85% 法则，想尽办法降低学习的门槛，比如铺垫一些前置课程。总之不可陷入负面情绪之中，甚至自我怀疑。
参考资料：
[1] Robert C. Wilson et al., The Eighty Five Percent Rule for Optimal Learning, doi: https://doi.org/10.1101/255182
[2]万维钢. 为什么15.87%这个数字对你很重要？. 微信公众平台. 取读于 2021年4月24日, 从http://mp.weixin.qq.com/s?__biz=MjM5NjAxOTU4MA==&mid=3009221253&idx=1&sn=2422e79e4832f4be71a72a283c34882a&chksm=90461e96a7319780b0086e9ce6f4d605dc034dbd2a3b8a46e63737b7bfbfb07f50939454429f#rd
[3]机器学习与传统编程的区别_Python教程网. 取读于 2021年5月4日,从 https://www.92python.com/view/233.html
该文观点仅代表作者本人，36氪系信息发布平台，36氪仅提供信息存储空间服务。