思维模型No.55|算法人生，成为更好版本的自己
算法是我们经常听到的概念，今日头条、抖音通过算法推荐，而以前的媒体由编辑人工推荐，比如各大门户的头条文章是由网站编辑决定哪个新闻上，哪个不上。
我们都订阅公众号，公众号列表是我们自己编辑的一份阅读清单，虽然每个人都不一样，但也是人工筛选的。
那么算法和人工究竟有什么区别呢，算法的优势又在哪里，智能时代为什么每个人都要有算法思维，我们如何打造和优化自己的算法呢？这是我们今天要讨论的内容。
算法，可以理解为计算的方法，既然是计算，就有清晰的规则和指令，比如2+2=4，这个等式就是一个简单算法，2是输入，+号是计算规则，=号是输出指令，4是输出结果。
算法的一个明显特征就是能对输入做计算，然后输出结果。宽泛的算法含义就是针对一个问题，定义出清晰明确的指令，然后用系统化的方式解决这个问题。我们说的算法人生，就是想系统化的解决人生成长这个问题，相对于人工，算法更可依赖，结果更确定。
亿万富豪的终极秘诀：算法
《原则》一书的作者瑞·达利欧 （Ray Dalio）是将算法应用于生活和工作的高手：
他用算法打造投资机器，这个机器已经给他创造了几百亿的财富，未来还会继续创造财富；
他通过算法打造1500多人的投资管理团队，这套算法可以推而广之到其他公司；
他将自己的算法整理成书出版，卖了几百万册…
达利欧说认识并解决问题有三个层次，
第一层次：思考
第一层是思考问题本身，从直接结果出发寻找解决方法，地很脏，扫一扫，有点焦虑，玩局游戏，健身很痛苦，放弃吧，这是我们的正常反应。
第二层次：原则
原则是对思考的反思总结，目的是寻找现象背后的基本规律。制定原则时要考虑后续与再后续的结果。这个后续与再后续结果就是二三阶效应，直接结果是一阶效应。如果人们过度重视一阶效应而忽视二三阶效应，就很难实现想要的目标。
但很多事情是一阶效应为负，二阶效应为正，直接结果和后续结果的可追求性，通常是相反的，这会带来重大的决策失误。
比如「健身」，就是典型的一阶为负，二阶为正的例子。刚开始健身时，很痛苦，动作做完后肌肉酸痛，而它的回报要在未来很长一段时间才能看到。
如果没有原则指导，我们就不太愿意做这些一阶为负，二阶为正的事。长期坚持原则很难，更好的策略是将原则写成算法，让计算机帮助我们，或者通过训练让它自动运行。
第三层次：算法
算法的运行过程如下图：
算法是对原则的连续执行：
如果A发生，
应用B原则，
实施C行动，
获得D结果。
然后再根据结果调整算法，这样持续循环，迭代改进。我们来看看达利欧将原则算法化的一个例子，桥水公司的「痛苦按钮」软件，它的具体运行原理如下图：
这就是达利欧做出可靠决策的三个层次，思考-->原则-->算法，自下向上，输出结果越来越稳定，越可靠。
算法的5个特征
让我们回到算法的原始出处——计算机科学，一个有效的算法究竟有什么特征呢？著名计算机科学家高德纳总结了算法的5个特征：
1.输入(Input)：算法必须有0个或多个输入。所谓0个就是算法本身定义了输入。
2.输出(Output)：算法有一个或多个输出，是对输入计算后的结果，没有输出的算法无意义。
3.明确性(Definiteness)：算法的每一步应有确切定义，以保证执行结果能精确的达到期望。
4.有限性（Finiteness）：算法必须能在有限的步骤内完成任务并终止。
5.有效性(Effectiveness)：又称可行性，就是说算法的执行可以分解为基本的操作步骤，执行有限的次数，在有限的时间内完成。
而评估一个算法好不好，通常看执行计算所花的时间和占用的内存（空间），占用内存越小，花的时间越少，算法质量也越高。另外还得考虑成本，所以，评估一个算法的质量，有三个维度：
时间
空间
成本
其实，评价任何一个解决方案的优劣，都可以从这三个维度思考，如果我们能用更少的时间，更少的空间，更少的成本做成了一件事，那我们就找到了一个更优的解决方案。
清楚了算法的概念和特征后，我们来看看行为改变中应用算法的三个例子。
算法在行为改变中的应用
执行意图
心理学家 Gollwitzer 经过多年研究发现人们使用执行意图能提高执行力，执行意图就是if-then（如果…那么…）句式制定的行动算法。
使用这个句式算法化后，一个个想法不再模糊，而是具体的动作指令。比如有这样的一条if-then句式：
如果每天晚上八点前回到宿舍，我会立即打开笔记本，写200字的总结。
这条指令
有具体时间：晚上8点；
有具体地点：宿舍；
有可执行的动作：写200字的总结。
明确的时间和地点是触发，执行的动作是写作，输出结果是200字总结。如果将大脑看做一台超级计算机，那么这条语句就是给大脑编程，程序多次重复后就能自动运行，形成习惯。
WOOP思维
Gollwitzer的老婆加布里埃尔·厄廷根（Gabriele Oettingen），对执行意图更进一步发展，考虑了行动障碍，提出了WOOP思维：
W（愿望，Wish）
O（结果，Outcome）
O（障碍，Obstacle）
P（计划，Plan）
下面以一个例子来说明如何应用这个工具：
W：今天的锻炼愿望，傍晚跑步；
O：最佳结果，感觉身心舒畅；
O：障碍，下班回家很累；
P：用执行意图抓住机会。
WOOP介入后的句式就是
如果7点到家已经很累，那么我就换上跑步鞋出去跑步。
我们将愿望，结果以及障碍都写进行动算法中。这个算法理性推导好像有点矛盾，如果很累，怎么还要出去跑步呢，累了不是休息更好吗？
但是使用这种行动句式，将特定的时间地点作为触发，就能骗过大脑的理性思维，克服障碍促进行动。
图片和例子源于《WOOP思维心理学》
播种习惯
我在「播种习惯」训练营中谈到，通过寻找适合的已有锚点（已有习惯行为），将新习惯与旧习惯绑定，具体格式是：
在我「现有的锚」后，我会「新的微习惯」。
对于用牙线清洁牙齿，一个适合的「锚」就是刷牙。于是习惯算法为：
在我刷牙后，我会用牙线清洁一颗牙齿。
打开咖啡机也是一个提醒你服用维生素的锚：
在我打开咖啡机后，我会服用维生素。
在播种习惯中，不使用闹钟或笔记来提醒，而是要找到你已经在做的事情，通过它来触发新的行为，这要比依赖外界的提醒更可靠。
一个恰当的锚要满足下面三点：
与微习惯有相同的频率
与微习惯在相同的地方发生
与微习惯有相同的主题
算法要有确切的定义，所以你的锚点必须是一个明确的事件。
一个模糊的锚「像午餐后」，或者「在我感到压力时」不是很有效。一定要让锚清晰而具体，如：「进门换上拖鞋后」，「泡好咖啡放到桌子上后」，「合上笔记本电脑后」等。有的锚每天发生一次，有的每天多次，你的锚发生的次数和你要养成的习惯发生次数应该相同。
如何打造并优化算法
上面是将算法思维用在改变行为的几个例子。但每个人面对的情境都不一样，同样的算法换了场合可能就不管用了。我们该如何打造并优化自己的算法呢？
逻辑学家和计算机科学家 R Kowalski 有个公式：
Algorithm = Logic + Control。
翻译过来是 算法 = 逻辑 + 控制。
曾鸣给算法在商业语境下的定义是，一组反映了产品逻辑和市场机制的计算机指令的集合。
逻辑可理解为结构，模型，对问题的定义，是重要性的表达，达利欧的原则就属于逻辑。控制是怎样合理安排时间和空间资源以实现逻辑。要让一个算法产出预期结果，首先需定义逻辑。
逻辑决定了算法的目的，以及需要什么数据。我们说「垃圾进，垃圾出 」，如果我们喂给算法的是垃圾，那么多厉害的算法，它只能产出垃圾。
我们既要学习他人的算法，思维模型就是他人的算法，更要积累数据，包括自己的经验，观察到的现象等，然后置入的特定情境中，通过数据来优化自己的算法，才能解决我们个人的具体问题。
向蜜蜂学习
我们从小背诵过《论语》，「学而不思则罔，思而不学则殆」，其中
学而不思，就是只积累数据，没有优化算法；
思而不学，就是只优化算法，而不关注数据积累。
显然，两种做法都不好，学和思相互依赖，相互促进，任何一个都不能偏废。这让我想起三种小动物的故事：
第一种小动物是蚂蚁，它们不辞辛苦的收集各种食物，不管现在用不用得上，也不管是不是多余，看到食物它们就会往家搬。在移动互联网时代，收集信息变得异常简单，手指一点就存到了各种软件中。很多人就如蚂蚁一样，每天忙于收集知识，以为存在了电脑或者网盘中就变成了自己的知识，还经常以知识面宽广而自诩。
第二种小动物是蜘蛛，它不从外界辛勤的收集食物，它靠的是「自力更生」，用自己身体生产一种纤维织成蜘蛛网，然后躲在网附近以逸待劳，等待小昆虫撞到网上后美餐一顿。培根说，这种小动物不是从外部收集资源，而是靠自身的力量达成目标。
第三种小动物是蜜蜂，蜜蜂兼具有蚂蚁和蜘蛛的功能，一边勤奋的从花丛中采取它们想要的东西，一边又将采集到的东西在自己肚子里加工，让它们变成更有用的东西——蜂蜜。所以蜜蜂是既有从外面采集又有内在加工两种努力。
我现在对值得读的书，至少读两遍，第一遍是学习书中的算法，作者提出了那些新的思想，那些方法，用什么样的论证方式。
第二遍是搜集数据，将作者书中的类比，人名，金句，案例记录下来，细节也能帮我们理解作者观点的前因后果。这些数据是写作的素材，也是进一步学习的线索。
三位一体成长
有了数据，有了算法后，我们还需要通过一个界面或者说载体，将二者整合，形成一个动态系统。数据，算法，产品三位一体，相互促进，持续迭代优化。
具体到个人来说，数据就是我们每天看到的，学到，想到的一些零散信息。算法就是我们的心智模式，我们处理数据的方式方法。
决定算法中逻辑部分的是你的世界观，价值观。他们决定我们将注意力用在什么地方，以及如何使用我们的资源。算法有三种来源：