练习量：超越理性的非结构化技艺

2023 年 4 月 5 日

「运用之妙、存乎一心」由三个部分决定：天赋、认知和熟练度。「天赋」无从改变，「认知」可以通过思考与学习提高，而「熟练度」则纯粹只能依靠勤勉/耐力积累「练习量」来实现。

即便如编程、投资这样的脑力工作，练习量也能在特定条件下成为决定性因素：压力越大、任务越多，能否「行云流水、运用自如」就越是取决于练习量。

而要接纳「练习量」的清苦，就不能一味沮丧于天赋不高、认知不足（事实上，你应该直接接受这个事实而放弃无意义的改变妄念，就像你只会接受离不开氧气这个事实，而不会狂妄地去寻找方法避免吸氧）。须知，只要是「技能」就总有这样无法依靠「聪明」跨越、不过是「熟能生巧」的劳作部分。它困难却并不复杂，只需当作书法绘画，勤加练习即可。

熟能生巧的「巧」，可以变化无常、神鬼莫测、在理性与非理性之间来去自由。我想，很难去解释它是什么、为什么可以、能够分离出的根本基石又是什么。它就像《西部世界》中为机器人注入的 improvisation，通过非理性的误差让整个系统产生了智能。

而唯一可以知道的是，要达到这种「巧」，仅仅依靠「认知」的提升是做不到的，它依靠的是娴熟度（即：海量的训练量，恰如 deep learning 的海量训练量一般）。虽然都在吐槽 deep learning 认识图片的方式同三岁小孩比起来，实在是多了太多的训练数据。但不可否认的是，大脑本身的某一部分正是按照 deep learning 的这种方式来运作的，例如 improvisation 或「运用之妙、存乎一心」。

在这个意义上讲，并不是 practice makes perfect，而是 practice makes astonish。在同等天赋和认知的前提条件下，那些更为神乎其神的技艺，来自海量的练习。

它很像从不会骑自行车到突然学会的那个质的变化。无论你对自行车的原理了解得有多清楚、复盘自己的动作问题有多透彻，只要没有足够的「练习量」积累，就还是过不去「习得」的那道坎。而神奇的又是，即便你不知道原理、不去过多的复盘，只要反复摔倒、练习，就能突然掌握。你突然间就掌握了一项「质的飞跃」的运用之妙。

另一方面，练习量又极大地决定了一个人的视角和行事方式。就像面对 GitHub 上的众多开源项目，可能大部分人只会敬畏地将它当作偶尔看看、鲜有投入、束之高阁的橱窗展览。但对于经常探索/实践新东西、乐此不疲地游走在 trial and error 愿意舍近求远瞎折腾的人来讲，他们常常做的是迅速深入了解一个项目并做出判断（达到能够添加 feature、修改 bug 的程度），然后撤出来，再继续扎进下一个项目的深水里。

即便是打着技术选型和调研的旗号，大部分组织的实践方式也多是煞有介事地留出一大段时间，然后一本正经地尝试一两个排名靠前的热门项目。但在那些创意非凡、每天在为新的方向探路的团队里，可能一天就会尝试 10 个新的项目，而且是见缝插针地去尝试摆弄，因为并没有奢侈的一大段空白时间拿给你慢条斯理地“调研”。

这种感觉很像初中第一次看见其他同学以不同的方式玩 Windows 的纸牌游戏。遇到这位同学之前，大多是看着大人们一脸严肃地看着屏幕（摸鱼练就的屏幕扑克脸？），误以为玩纸牌游戏是一件需要正襟危坐、沐浴焚香的严肃事情。但那位同学的玩法竟然是手速敏捷地不断尝试如何在尽可能短的时间内完成游戏，挑战在 3-5 分钟内如何尽快结束战斗。

这就是「视角」带来的质的不同。一件你当作是需要正襟危坐、大动干戈的事情，对于另一部分人来讲则是稀疏平常、甚至是将其当作 counting competition 的、举重若轻的小游戏。就像很多人惊讶于巴菲特、李录的数字敏感程度，能够扫一眼就知道数字的纰漏。那是当然了，如果你每天也花费十几个小时在几十份研报之间查阅、核对、推演各种数字、不间断地做着类似于研报 debug 的工作，你也能对数字产生神乎其神的直觉和技艺。

在这个视角下，「练习量」完全决定了你做事的世界观。当一件事情需要你正襟危坐大动干戈地解决时，你便还没有进入到「运用之妙，存乎一心」的境界。你需要做的就是重复练习，将这件事每天做 N 遍、自行比赛如何在更短的时间完成更多的次数，如此便能烂熟于心。

在这个视角下，当一件事对你来讲极为困难时，让它变简单的方法就是每天训练自己处理 10 次这件事情。又或是：