您现在的位置是：网站首页>励志励志
《模型思维》讲解了24种模型，可以把任何人变成天才 _ 芒格说：“要想成为一个有
铛铛铃2025-08-07【励志】461人已围观
简介
大家好，欢迎来到听书享富，祝大家享受愉快的听书时光。今天，我要向你介绍的书名叫《模型思维》。在这本书中，作者试图将我们的思维方式提升到一个全新的高度，让我们不再局限于单一的视角，而是以多模型的方式来探索和理解世界。
一开始听到这个概念，可能会感觉有些抽象，但是模型究竟是什么呢？简单来说，模型就是一种精炼而抽象的表达方式。平时我们接触到的谚语、公式、定理等，都可以被视作模型的一种形式。例如，当我们观察到某些行为在特定情境下反复出现时，我们可能会将这些行为抽象为一种模型。例如，如果我们发现，每当某人遇到挫折时，他总是选择逃避而非面对，我们便可以将这种行为模式抽象成逃避模型。再举一个例子，你可能会注意到，温度升高时，气体的体积会膨胀，而温度降低时则会收缩，这也是一个常见的抽象模型，即气体热胀冷缩模型。换句话说，模型可以被看作是人类理解复杂世界的一种简化手段。我们从经验中总结出规律，然后将这些规律进行抽象，转化成可以清晰表述的谚语、公式、定律等，这些经过浓缩的经验就是模型。
但是，这本书的主题不仅仅局限于单一的模型，而是涉及到多模型。单一模型无法完全解释世界，因为每个模型都有自己适用的场景和前提条件，一旦前提条件发生改变，原有的模型就可能不再适用。例如，牛顿的力学定律在宏观物理中有效，但在量子层面却不适用。同样，你可能会听到截然相反的谚语，这是因为它们适用的场景不同。统计学大师乔治·伯克斯曾经说过：“所有的模型都是错的，它们只在特定的尺度上成立。”如果我们只采用单一模型来观察世界，就可能会丧失真理的丰富性。因此，为了更好地理解真实世界，我们需要的是多模型，而这本书的目的，就是帮助读者建立多模型思维。
这本书的作者是斯科特·佩奇。2012年，他在密歇根大学开设了一门名为《模型思维》的公开课，最初只有不到100人参与听课，但如今学生人数已经超过100万。这本书可以说是该课程的精华总结。佩奇在书中解读了23组思维模型，每组至少包括三四种模型，总计近100种。需要特别指出的是，这本书内容非常丰富，原版中文版有近500页，不可能在半小时内读完。今天的解读，只是为了向你介绍模型思维的世界，如果你以后阅读原书，希望今天的介绍也能为你提供一些帮助。
佩奇主张，多模型思维首先是一种认知，其次是一种技能。我们往往过于依赖单一模型，因此要培养这种技能，首先必须培养这种认知，不断提醒自己是否在运用模型思维，模型是否切合实际。因此，要建立多模型思维，必须解决两个核心问题。首先是意识层面，了解多模型思维的本质，以及为何需要这种能力。解决这个问题，我们就能初步形成多模型思维的认知。其次是技巧层面，即需要掌握哪些模型。将这两个问题的答案联系起来，我们就能解答如何建立自己的多模型思维这一主题。接下来，我将以这两个问题为基础，将这本书分成两个部分供你阅读。
首先，我们来探讨多模型思维的本质是什么。简言之，多模型思维是一种舍弃固有经验，转换思维模式的能力。这种表述或许略显笼统，我们将通过一个故事来具体阐述。这个故事源自著名的进化生物学贾雷德·戴蒙德，讲述了美国西部山区的森林大火。大约100多年前，美国东部居民开始迁往美国西部山区城市，但不久发现该地森林频繁发生火灾。尽管采取了各种扑灭措施，但在接下来的100年里，仍然会发生严重的超级大火。最终，他们意识到，扑灭过多的小火消耗了森林中的燃料，当大风来临时，缺乏足够的可燃物，火势无法蔓延。说到这里，你可能已经发现了问题的关键，扑灭小规模的火，虽然保护了干枯的树木，但间接为最终的大火积累了燃料。为何美国森林局未能意识到这一点呢？实际上，他们被过往的经验所束缚。在之前，我们提及了一些居民最初定居在美国东部山区的情况，东部的气候潮湿，导致枯死的树木通常会被土壤分解，或者受到严重潮湿的影响，从而无法燃烧。因此，他们的灭火策略是一旦发现火灾就立即扑灭。可是，当他们移居到西部时，干燥的气候使得枯死的树木成为了可燃物。换句话说，环境的变化带来了前提条件的改变，传统的火灾扑灭模型也不再适用。随后，人们为了应对这类森林火灾，发展出了一套专门的模型，即森林大火模型。该模型不再侧重于如何扑灭火势，而是专注于如何点燃火势。在大风来临之前，人们会提前放置小火消耗燃料，从而阻止大火的蔓延。
说到这里，关于森林大火的故事就告一段落了。现在，让我们通过这个故事来深入探讨一下，什么是多模型思维。在本书中，作者将人的思维能力划分为四个层级。首先是数据层级，即我们能够直接观察到的事实。在森林大火的故事中，你知道火灾发生的地点，已经达到了这个层级。其次是信息层级，也就是对数据进行归类统计，得出准确的数字。比如你了解一年内发生的火灾数量及造成的损失，这就是信息。接着是知识层级，也就是面对信息时的应对方式。例如，在面对火灾时，你知道应该采用何种技术扑灭火势，以及如何组织人员，这些特定情境下的知识即所谓的模型。一旦掌握了某种模型，你就具备了相应的知识。最后是智慧层级，指的是在面对不同情况时，能够灵活选择和切换多个模型的能力。举例来说，面对火灾，你了解到东部山区潮湿需要灭火，同时也意识到西部山区干燥需要调整方案，你能够从传统的灭火模型切换到森林大火模型，超越固有经验，这种模型切换的能力即是思考的最高层级，也就是智慧，也就是我们今天所提及的多模型思维。菲茨杰拉德曾说：“第一流智慧的标志是同时持有两种截然相反的观点，仍能正常行事。”现今我们可以理解这句话为，第一流智慧的展现是同时掌握多种模型，并能根据环境变化灵活切换。
作者认为，所有模型都具备三个特点。首先，它们必定是简化的，忽略了某些细节，比如传统的灭火模型不考虑树木是否干燥。其次，它们都是逻辑化的，大多数物理规律可用公式表达。不过逻辑化也伴随着代价，这是模型的第三个特点。正如前文所述，所有模型都不是全面的，任何单一模型都无法解释复杂的现实世界，只有建立更多模型，才能更清晰地认识世界的真实面貌。引用一句极端的话，生态学家理查德·莱文斯说：“我们的真理本质上是若干独立谎言的交集。”换言之，模型实际上是真实世界在某一场景下的运行规则，当场景改变，规则也随之变化。
以上是第一部分的内容，我们探讨了多模型思维的本质。简而言之，多模型思维是一种能够根据环境灵活调整思维模式的能力，摒弃既有经验。这也意味着，要真正掌握这种能力，必须掌握多种模型，这不是一蹴而就之事。在本书中，作者提出了近百种模型，虽无法一一道尽，但至少能开启思维的大门，迈出重要的第一步。下一步，我将从书中选取了三组比较广泛应用，且易于在音频环境中讲解清楚的模型，与你分享。每个模型都适用于特定的情境。
首先是两种分布模型，正态分布和幂律分布。正态分布又称常态分布，你可以把它看作是一个追求平均、资源均等的世界。简而言之，在所有样本中，接近常态的平均值占比最大。比如人的身高，大多数人身高都在平均范围内。再比如考试分数，大部分人的分数都在一个中等水平，极高分和零分都很罕见。而幂率分布则意味着平均值的比例优势消失，你可以将其想象成少数人独占大多数资源的情况。在所有样本中，少数人占据了大多数资源，比如财富，少数人拥有着社会大部分的财富。再比如网络流量，少数的大V占据了大部分流量，而其他大多数粉丝流量较少。了解这两种分布模型的用途是什么呢？简而言之，它们可以帮助我们合理规划资源，管理风险。例如，设计公共汽车的扶手高度时，考虑到人的身高分布符合正态分布，扶手的高度应该使大多数人能够触及到。但是在森林部门工作时，要维护一整片森林，必须意识到森林火灾是幂率分布，尽管发生率很低，但造成的损失却非常巨大，因此需要重视防火抢险工作，储备大量资源。如何区分一个系统遵循正态分布还是幂律分布呢？这个判断标准很简单，就是看样本之间是否相互独立。如果样本之间独立如身高，那么你可以判断其遵循的是正态分布。如果样本之间相互关联，那么该系统则遵循幂律分布，比如森林大火、财富分配等。在处理具体项目时，如果在正态分布和幂律分布上判断错误，可能会导致局势失控。比如波士顿的中央隧道工程，这是美国历史上最昂贵的公路项目之一。由于概率模型的错误估计，从1991年到2006年，项目总花费达140亿美元，是当初预算的三倍。最初人们认为，隧道工程遵循正态分布，即各个环节相互独立，不会相互影响，例如挖掘地沟、设计、墙壁、建造、顶盖，各个环节各自进行，互不干扰。因此，在初期规划时，每个步骤的成本被认为是固定的，没有留出太多的余地。不过，真正到了施工阶段，事情却没有想象的那么简单。举例来说，在制作顶盖时出现了一些问题，这就需要拆除原有的顶盖，这也意味着必须破坏墙壁，于是墙壁也得跟着重做，墙壁里的线管也得重新铺设，每个环节相互关联，一个小问题，最终演变成了一系列相互制约的大问题。但是，这些问题实际上在前期规划时是可以避免的，如果意识到这是一个幂律分布的系统，就会在前期增加沟通成本，并为风险控制留出更多余地。这是第一组模型分布模型，它的作用是帮助我们合理规划资源，控制风险。
接下来要介绍的是一个单独的模型，夏普利模型，它能够帮助我们判断一个人在团队中的价值。假设你在公司里感到自己的工资太低，应该获得更高的报酬，那么你最好仔细了解这个模型，这可能是我见过的衡量一个人价值最合理的模型了。在正式讲解夏普利模型之前，我们先思考一个问题。假设有一家公司，从事西班牙和法国之间的跨国贸易，它必须同时与法国人和西班牙人交流，注意，必须同时与这两个国家的人沟通，这家公司才能创造价值。假如一个人只会一种语言，那就没有用处了。现在有三个人在公司里，第一个人只会西班牙语，他的工资是2000块，第二个人只会法语，当然，公平起见，他的工资也是2000块。但问题来了，第三个人同时精通西班牙语和法语，现在问你，他的工资应该是多少呢？按照一般想法，如果一种语言的工资是2000，那么懂两种语言的应该是4000，但实际上它的真正价值可能是8000，这是怎么算出来的呢？这就涉及到夏普利模型了。夏普利模型是由经济学家罗伊德·夏普利提出的，他计算的是一个人在所有可能的加入团队的次序下，对团队做出的边际贡献的平均值。简而言之，他考虑的是团队增加一个人后的影响。你可以这样想象，当团队还没有人时，你是第一个加入的，你能够贡献多少价值。当已经有一个人时，你是第二个加入的，你能贡献多少价值，以此类推，计算出你在每种情况下的贡献价值，最后，求出所有情况下贡献价值的平均值，这就是你在团队中的夏普利价值。现在，让我们用这个模型来分析前面的例子。无论是只懂西班牙语还是只懂法语，你都必须在另一个人已经加入的情况下才能加入，才能创造价值。因此，对于这两个人来说，只有一种情况下能创造价值，那就是另一个人先加入，他是第二个加入的。但如果一个人同时懂两种语言呢，那么他至少可以在四种情况下创造价值。首先是他是第一个加入的，然后是在一个懂法语的人加入后，再然后是在一个懂西班牙语的人加入后，最后是在一个一无所知的人加入后。因此，它能在四种情况下创造价值，所以它的价值应该只能在一种情况下创造价值的人的四倍。因此，2000×4，他的工资应该是8000。这个模型的科学之处在于，首先他忽略了资历，只考虑能力。其次，他计算的不是一个人的孤立价值，而是他在团队中的不可替代性。值得特别指出的是，为了便于讲解，这里对夏普利模型进行了简化，真实的夏普利模型比这个算法复杂得多，也更为严谨。以上就是我们今天介绍的第二个模型，夏普利模型，它可能略显复杂。
接下来，我们来谈谈第三个相对简单一些的模型，即网络模型。这种模型通过网络化的方式看待人群，而不是将他们视为孤立的个体，而是将它们视为一个网络。它的价值在于帮助你快速找到问题的症结。让我们以一个情景开始，假设在某个城市里，突然爆发了一种病毒，迅速蔓延。对抗这种病毒的方法有一种特效疫苗，但是供应有限，只足够给少数人接种。那么你会选择给疫苗的对象是谁呢？也许有人会说，应该优先考虑老年人和儿童，因为他们的抵抗力较低，更需要保护。也可能有人会提议，首先应该为各行各业的精英提供疫苗，因为他们是社会的中坚力量。还有人可能认为，应该通过抽签方式公平的分配疫苗，让一切交由运气决定。但是，从网络模型的角度来看，其实还有一种更为科学的方式。网络模型将人群视为一张网，每个人都是一个节点，人与人之间的关系则是连接线。你会发现，有些节点与周围的联系特别紧密，这些人更容易与他人接触，可能是因为他们的人际关系良好，也可能是因为他们的工作需要与他人打交道。如果这些人感染了病毒，他们会立即传染给其他人。因此，根据网络模型，应该优先给这些人接种疫苗，这样可以更有效地控制疫情的传播。同样的，如果你要推广一种新产品，也可以将拥有最多联系的节点视为种子用户，首先向他们提供产品，然后让他们帮助你进行推广。总的来说，无论是扩散观点还是解决问题，通过网络模型，我们都能够快速找到解决问题的突破口，这个突破口通常就是拥有最多联系的节点。这就是我们所说的第三个模型，网络模型。
以上是第二部分的内容，从书中，我挑选了三组思维模型，分布模型、夏普利模型和网络模型。当然，在这本书中，还有许多更实用，也更具挑战性的模型，如果你感兴趣，不妨去阅读原著，挑战一下自己。关于模型思维的探讨，我们先前的讨论告一段落。这本书的价值在于提供了各种思维模型，同时引导我们审视和理解这些模型在日常生活和工作中的应用。模型不仅是一种工具，更是我们思考和行动的基础，因此，选择合适的模型对于我们的成功至关重要。希望这些讨论能够启发你对模型思维的理解，促使你在实践中更加灵活地运用不同的模型来解决问题。
最后，我想分享一点个人体会，模型不仅仅是思维的基础，也是我们对世界的一种理解方式。它们像是我们心智中的地图，指引我们前进的方向，但需要谨记的是，地图并非就是领域本身，模型可以帮助我们理解世界，但世界本身是复杂而多变的，没有任何一个模型能够完全覆盖。因此，灵活运用多种模型，并不断调整和优化，才能更好地适应不同的情境和挑战。另外，模型也不是一成不变的，随着时间和经验的积累，我们的认知和理解会发生变化，从而影响我们对模型的使用和理解。因此，不断学习，不断更新和调整模型，是保持思维的活跃和敏捷的关键。同时，也要保持开放的心态，愿意接受新的观念和思维模式，以应对不断变化的世界。在这个过程中，与他人分享和交流经验、观点和模型也是非常重要的，因为不同的人可能有不同的视角和见解，能够帮助我们更全面地理解和运用模型。
恭喜你又听完了一本书，感谢大家对我的支持和关注，请订阅听书想富的频道，点赞并与身边的朋友分享这个宝贵的知识，让我们共同将智慧与实践相结合，实现自己的财务目标，创造更美好的未来。谢谢大家，我们下期见。
"感谢喜欢，赞赏支持是对我的鼓励。"
很赞哦！ (0)
