感谢每个昨天的自己，拥抱希望的明天

去年整理思维导图用法的时候，搜集到的一个概念：

需要注意的是思维导图作为一个思考工具，是用来辅助思考的，但思考质量本身恰恰是工具无法给予的。思考的层次的提升只能通过认知升级来实现，认知升级的途径——成为终身学习者。思考工具并不是思考本身。

然后上周在《Structure in Fives: Designing Effective Organizations》最后尾页的推荐阅读里面看到：

未来，属于终身学习者

我这辈子遇到的聪明人（来自各行各业的聪明人）没有不每天阅读的—没有，一个都没有。巴菲特读书之多，我读书之多，可能会让你感到吃惊。孩子们都笑话我。他们觉得我是一本长了两条腿的书。

——查理 •芒格

好巧不巧，正在读的另外一本《the art of impossible: A peak performance primer》里面又来：

我们是如何度过我们的日子，当然就是如何度过我们的生活。-ANNIE DILLARD

如果你在追求高成就，动力是让你进入游戏的动力，但学习能让你留在那里。无论你的兴趣是做从未有人做过的事，还是做自已从未做过的事，这两条路都要求你培养实际的专业知识。

这个基础需要学习，大量的学习，终身学习是这个问题的专业术语。

终身学习有许多好处，能让大脑保持敏锐，防止认知能力下降，同时训练记忆力。此外，它还能提升自信、沟通能力和迎难而上的习惯。这些改进是心理学家认为终身学习是满足感和幸福感基础的原因。

张雪松直播说过，一个人将来能走到什么样的高度，真正看的其实不是那考大学的一次考试，而是他有没有持续学习能力。

想曾经我刚学五笔的那会，还是小霸王学习机，当时有一个职业叫打字员，通常会要求分速是多少个字，学习机里面的练字程序也在练习的时候有分均多少字的显示，然而在某一个时间段就完全淘汰了。好比我曾经在电脑城里面的装机经历，现在还有电脑城装机吗？好比趴在农田里面的那些机器，已经不再需要农民付诸原来的收割。

高速发展的社会，互联网改变了信息连接的方式，人们获取数据的方式变得高效、简单，数据层出不穷，人工智能的崛起让处理数据又提升了一个维度。过去，人们可以凭借单一的专业技能在一个领域内从事一辈子的事，将不再适用，当然在某些特定的情况下还是可以有，但谁能保证未来呢。

未来的世界需要的是具备完善知识结构、极强逻辑思辨能力和敏锐洞察力的复合型人才。这些品质的获得，都需要通过持续不断的学习来实现。

终身学习是指个人在一生中持续不断地学习，从出生到死亡的整个过程。它强调学习不应局限于学校教育，而应贯穿人的一生。

干过互联网的都知道，程序员的35岁危机，意为大部分公司更愿意雇佣年轻的程序员，更低的薪水，更容易接受公司的文化和价值观，来代替那些只见年龄增长，而经验没有增长的大龄程序员，追其核心是你的可替代性，毫无体现你价值优势的地方，价值优势的体现就是你学习成果的展现，好比在学校阶段，学历就是你学习成果的展现。

当然工作之后你可以再去考取更多的证书，更多的荣誉资质，这也是一种学习成果的体现，但终究不是每一个技能都有目标证书的，那如何保证我们有终身学习的动力呢，这就要你把他当成一种无限游戏。

就好象是一个趋于逐渐变平的曲线，和一个不管是倾斜角度是多少但是一直向上的直线，倾斜角度内定跟智力有关。假设两条线上的人都是你自已，走了两条不一样的人生，左边的最终是趋于躺平，哪怕是一开始更早的看到了另一个山头，右边则是一生都在看比之前更高的风景。

公认最强的学习法：费曼学习法

前端新的框架层出不穷，当我们每次啃完一个框架的文档的时候，你当下能知道自己可以使用里面的一些方法，可以应用在项目里实现其它的某个功能，再过了几天时间之后，你可能就忘了。

让我们再进阶一下，我一边看文档，一边写代码实践，对着文档去做演示，或者把官方的DEMO代码拿过来修改修改跑出另外一个DEMO，这时候你再过些时间，好象我还是知道这个东西怎么用。但这时候如果旁边的人问一个，把它们之间联系了串起来的问题，你又可能不太清楚了。

那继继走进阶的方法，把文档全部啃完，DEMO跑完，对里面所有的细节概念都收集起来，逐个弄明白，再把每个独立的概念整合成不同的更易理解的组合，去讲解给别人听，这期间你还要不停的问自己为什么，然后去解答为什么，最后去讲给专家听。为什么要讲给专家听，因为新手小白听完可能懂也可能不懂，更不会想到去指出你里面的错误，来告之你改进。所以要去讲给专家听，让专家给你挑刺。在我们给别人说或者讨论一个话题、一个观点的时候，别人指出我们的错误，先不要去辩驳，趁机思考一下这个错误是不是我们自己的错误，so！--珍惜那些指出你错误的人。

如果您希望成为终身学习者，请学习如何承认您的错误。错误是我们学习的较佳资源之一。但是，我们只是承认错误，尽量不要犯错误。

再来说费曼学习法

刚刚上面说的一步步的进阶就是费曼学习法。费曼学习法是一种通过教授他人来学习和理解知识的方法。其核心思想是，如果你不能用简单的语言向别人解释一个概念，那么你对这个概念的理解还不够深入。

费曼学习法通常分为以下几个步骤：

选择一个你想要学习的概念。
假设你要向一个对这个概念完全不了解的人解释它。
用简单明了的语言解释这个概念，避免使用专业术语。
回顾你的解释，找出其中的漏洞或不清晰的地方。
重新学习相关的材料，填补你知识中的空白。
重复步骤3-5，直到你能够清晰、连贯地解释这个概念。

我用craft记录学习的一些内容，其实也是费曼学习法的一个过程，原本只是记录在自己的craft里面，慢慢放到公众号里面去，期待着某个时刻，某个专家看到给我留个言说，你那里错了。如果你不敢放出来、不敢讲出来，你怎么确信你理解的是正确的。

费曼学习法大部分人都知识，我们怎么让自已愿意去执行这个学习的过程呢？---- 好奇。

我为什么想要去学习一个概念？为什么？为什么？

好奇是学习的原动力，好奇激发我们去探索未知、提出疑问、寻求答案。好奇的本质是对未知事物的渴望和兴趣。当我们遇到了新奇、有趣、有挑战性的事物时，大脑会释放多巴胺，产生愉悦和满足感，进一步激励我们继续探索和学习。当我们对某个主题感兴趣时，我们会更专注、更投入、也更容易理解和记忆相关的知识。好奇心能帮助我们发现知识之间的联系，促进生成新的思维。

黑色的屏幕为什么更省电？

为什么你睡这么长时间，还这么累？

让我们对自己多提各种为什么，无论在家庭、工作还是学校里（学校跟我没关系了）。当工作中有一个新的领域需要你去尝试，并且公司也愿意承担尝试的两面结果，那就放心的去干吧。

OK，当我们有了好奇心之后，现在我准备好了，想要去知道为什么？

我打开Google，会搜到海量的信息，当然有了AI之后，我们会更方便一样，但同样还是会有相当大的信息，而且这些信息分布在各处，彼此没有关联。忍不住我又翻出了我整理设计规范的时候的浏览记录了。

我们把收集到的所有信息，先存放到一个盒子（Inbox）里面，任何方式的零碎信息，我们都放进来。

然后我们把盒子里面的零碎信息进行整理，整理成一条条清晰完整的笔记（Note）。

接着我们把笔记归类，完成为我们知识（Knowledge）体系里面的一部分。

最后我们在项目（Project）实际运用的时候，从知识体系里面直接拿来运用，并同时检验、巩固和完善它。

这叫INKP 知识管理法

搜索关于蕃茄和鸡蛋的所有信息，做法、技巧、工序等。比如蕃茄要什么样的，鸡蛋要几个，鸡蛋要不要先炒，炒到什么样子等等信息。

然后整理成一个完整的蕃茄炒蛋的笔记，包括准备材料、步骤、需要注意的事项等等。

这时候我将它纳入我的知识体系“烹饪知识”“家常菜”，慢慢的我就形成了一套家常菜烹饪知识体系

在我执行某个项目时（老婆忽然点菜要吃蕃茄炒蛋），我就可以拿出来实际检验应用一下，对蕃茄炒蛋再进行完善补充

总结来说：就是把信息收集起来，完善成一个清新完整的笔记，纳入知识体系，落地实战+复盘完善。

DIKW模型

这里还有一个类拟把数据处理成智慧的方法。

Data（数据）Information（信息）Knowledge（知识）Wisdom（智慧）

数据：原始的，未经处理的数据。

信息：经过加工之后，有逻辑、有意义的数据

知识：在对信息集合进行整合、提练的基础上获得经验、理解、判断。

智慧：合理的应用知识进行正确决策、判断的能力。

我们重新画一条放在旁边辅助一下，其实这是一个维度提升的过程，对应的是点--线---面--立体，从0维到3维的提升过程。这个三角型的图WIKI上有，大部分看到的图我想要使用，我都会在figma里面重新自己画一个，让自己有一个接收到构建的过程。

大脑就好像一个仓库，每一个包裹都是一个原始数据点，它们是分散的。----点

我们通过货架给它们整理出横向、竖向的队列。这些队列是同类点的重复排列----线

我们分成一个个区域摆放同一类型的货品。这些区域是同类队列的重复叠加---面

整个仓库是N个不同的区块组成的，或者是上下好几层。N个区块汇聚在一起变成仓库---立体

应用一个示例来说：

我们在医院检查身体的时候，化验单、CT等产生的报告里面的指标都是原始数据。

将这些指标与正常范围进行比较，判断出上升还是下降，配一些简要的说明，CT下面的那几句诊断建议。

主治医师根据这些信息，综合患者症状、体征，得出诊断结果并给出治疗方案。

经验丰富的医生综合考虑患者的个体差异、病史和生活环境等因素，提供定制化的健康管理建议。又或是更高级的“治未病”。

当然不管是哪种模型，我们第一步获取数据，都要尽量去获取一手数据，我们追求的是那个数据最本质的含义，不是经过粗糙加工之后的二手信息。

最后说整理内容的时候，搜到的一个软件 Heptabase。主要核心就是辅助你，更好的使用上面两个模型进行信息整理，然后没有免费版！！！。自己细算一下，感觉软件上花钱太多了，只能寄希望于craft身上了，craft你可长点心吧，把知识体系和双向关联搞出来吧。