深度思考學習的方法與對職業的意義
為了實現月更的承諾。查資料的時候想到一個問題,我經常會聽到“深度思考”這個詞,但從沒人告訴我什麼是深度思考,更別說如何做了,而且做到了又能如何呢?
本文希望讓讀者建立一個概念框架,可以自行通過“深度思考”學習如何深度思考。
什麼是深度思考
我們經常聽到別人說“做事之前要想清楚”、“做事要勤思考,多動腦”,這些本質上都是深度思考。
那麼多深叫深呢,需要深入靈魂嗎?當然不需要,你只是想設計一個功能或做一件事,不需要回答“我是誰”、“我在哪”、“我要到那裡去”。
所以深度肯定有一個範圍。
在工作中,思考主要有兩個目的:一個是解決問題,一個是搞清楚事情。舉個例子:“中午吃什麼?”是個要解決的問題,“我為什麼糾結中午該吃什麼?”是個要搞清楚的事情。
搞清楚事情是解決問題的前提,當然也有不為解決問題的時候,這在科研領域中叫做“理論研究”。
思考是建立在已知的知識(或資訊)上的,越難的目標需要的知識就越多越複雜。
思考本質上是為了更好的解決問題,解決不了問題說明知識不足,而知識不足體現在沒做過、不知道方法、不瞭解原理(或原因)。
有不少人的思考過程是懶惰的,新問題也用舊方法解決。也有不少人發現舊方法不能很好的解決新問題,自己創造了新方法,但是創造新方法的方法可能是憑感覺。
我們常常會看到一些講經驗總結的文章,讓我們應該這樣應該那樣,看起來挺有道理,但是自己上手就發現不是一回事。而且講到原理/原因這一層的極少,這就屬於沒有經過深度思考,憑感覺認為這個方法是正確的。
每個人遇到的環境都不同,我們必須知道一個經驗或方法背後的原理,通過原理創造適合自己的方法,這也就是常說的具體問題具體分析。要擁有具備“具體問題具體分析”的能力就必須知道原理。
知道原理一定能找到更好的方法嗎?當然不可能,否則現實世界也就不會這麼多問題了。
不知道原理也可以通過多次實驗找到正確的方法,這叫“演化”,是效率極低的方法。但是人類社會發展長期以來都是用這麼低的方法進步的,直到現代科學的誕生才得到快速的發展。
原理的用處就是為創造新方法提供思路和限制範圍。否則就真的只能通過不知道多少次的實驗來進步了。
但是現實生活中什麼是原理呢?有必要寫個菜譜也把不同材料的比熱容給列出來嗎?肯定是沒必要的,以該領域普遍認可的事實為基礎即可,"該領域普遍認可的事實"就可以當作原理。
所以深度思考就是通過邏輯把觀點、方法和現實聯絡起來,找到更深入的價值。建立在現實和邏輯上的觀點和方法才有可能有價值,僅僅只有觀點和方法就是“我覺得有用”的空中樓閣。
說起來簡單,但是要做到是一件非常困難的事情,需要不間斷的反覆使用。接下來討論深度思考的方法
如何做到深度思考
做到深度思考的方法就是我的遊戲設計方法論中提到的認知工具中的“思維方式”。
這裡做一個大致介紹,然後會推薦幾本書,畢竟人家是專門研究這方面的,比我強太多。不過需要提醒一下,這些書寫得非常全面,從這些書從中提取對自己有用的內容就好,沒必要全盤接受(大部分都有用,不然我也不會推薦)。
各位讀者也可以從這些書中探索自己的深度思考方法,歡迎交流。
一、明確目標
在思考之前需要明確目標,目標一般是解決問題或搞清楚事情。很多時候找不到辦法或搞不清楚就是因為沒有清晰的目標。首先我們要分清慾望(觀點)和目標(現實),比如“我要發財”、“我要買房”、“我覺得冷”顯然是慾望(觀點)而不是目標(現實),制定目標有個SMART原則,即:
- S代表具體(Specific)
- M代表可度量(Measurable)
- A代表可實現(Attainable)
- R代表相關性(Relevant)
- T代表有時限(Time-bound)
舉個例子:經濟學、心理學對遊戲設計的幫助非常大,我們必須要學習這方面的知識。這是個目標嗎?用上面五個標準來逐一衡量:
- 經濟學和心理學這兩個名詞對不瞭解的人來說是具體的,但希望深入學習的人不能這麼說。相信大家都用了很久電腦,如果有人說“我要學計算機”,你會怎麼想?我反正我是不知道他到底想學什麼。定目標前需要對目標有一個基本的瞭解,否則“可實現”這個步驟怎麼辦?
- 例子中有可度量的標準嗎?“幫助非常大”有多大呢?“學習這方面的知識”要學到什麼程度呢?都沒有辦法直接衡量。
- 目標不具體,都不知道如何衡量實沒實現。
- 相關性看起來好像是有,但實際不一定有。要用事實證明經濟學和心理學對遊戲設計有用,不能靠“我感覺有用”的觀點。
- 時間限制顯然沒有。當然你也可以認為是終生學習,這種“遠大”的目標可以用來激勵自己,但沒有指導價值。
這類介紹性的陳述句沒什麼價值,跟“LZSB不解釋”、“LZ不懂別瞎說”然後不做任何說明沒什麼區別。
搞清楚目標對工作有個方法簡單效果強大的好處。
大家應該都看過類似的笑話:甲方給乙方提需求說字型再大些,顏色再亮些的詭異需求。而乙方會照著做然後嘲笑甲方提的需求很可笑。
在實際工作中確實有類似的例子,策劃由於不瞭解美術/程式的技術,提需求的時候是按自己的理解直接說方法,而不是說目的,比如提的需求是“字型再大些”而不是“強調這個文案”。這就導致美術/程式直接照著做,最後效果不好的時候說“這是策劃提的需求”。
這個問題的解決方法有三個,一個是策劃提需求的時候明確說明目的(注意區分策劃/美術/程式的目的);另一個是美術/程式多想一步,思考一下提需求的人的目的;最後終極辦法就是自己比美術/程式還要懂美術/程式。
我目前的想法就是走第三條路,其實也不算難,我們只需要懂原理,不需要懂具體的方法和各種技術細節。這時候溝通起來人家也會覺得你很專業,信任自然就建立了。而且懂得原理的價值是非常大的,對整個團隊的提升都有作用。
所以遊戲設計的知識體系同樣會包含視覺和程式機制還有互動、音效、劇情等。不過只需要研究原理,不研究方法,畢竟我們不會去做這些工作。
目標是思考的充要條件,如果你覺得目前沒遇到什麼問題也好像沒有什麼事情想搞清楚,說明你沒有目標。這是很危險的狀態,說明你停止思考和進步了。
搞清楚目標這件事推薦一本書《原則》的生活部分,看完以後感覺思路清晰了不少。
二、邏輯思維
邏輯學中有兩種主要邏輯:一個是歸納邏輯,一個是演繹邏輯。
一些書中講的結構思維、金字塔原理的MECE、線性思維本質上就是這兩種邏輯思維的延申。
歸納邏輯就是從特殊到一般,同類中的幾個典型都為真,那麼整個類都可能為真。
演繹邏輯就是所有前提為真,那麼結論必然為真。
前面說到深度思考過程就是把你的觀點和現實通過邏輯聯絡起來,建立強有力的邏輯關係。
演繹邏輯的強度要比歸納邏輯強,這也是線性思維更深入人心的原因。
這裡不詳細介紹了,專家比我講得好。推薦B站上中山大學熊明輝教授的《邏輯學導論》。
三、系統思維
現實世界是非線性的,同樣的條件不一定產生同樣的結果。這就需要系統思維來幫助思考。
邏輯思維是靜態的,而現實世界是不斷變化的,靜態的邏輯需要放入動態世界中去思考。
系統思維是動態思維,是從動態變化的視角思考問題的方式。
我們做設計的時候會畫系統結構圖,系統的元素、系統間的互動、系統的目標。這就是一個動態的系統。
系統有很多種型別,增長迴路、穩定迴路等,很多系統設計都可以歸於這些系統型別,研究清楚這些系統的特點對設計遊戲有很好的指導作用。
同樣不詳細介紹了,推薦德內拉·梅朵斯的《系統之美》
小結
類似講思考的文章和書有很多,根本看不過來,全看完可能更不知道該怎麼思考了。後來我總結了一下,這三個思考方法足夠解決大部分問題,大部分方法也都是基於這三個維度擴充的。
能做到深度思考非常難得,如果學會了深度思考,用在哪方面能效用最大化呢?接下來聊聊深度思考的意義
深度思考的意義
結構思維裡有一個二分法,就是用兩個衡量標準把事情劃分成四個部分。這是一種簡單有效的方法,深度思考就可以用在工作和學習的第一象限中。
工作
卡爾·紐波特的《深度工作》就屬於非常重要,影響深遠的書,越早看收益越大。如果對職場感到迷茫,可以嘗試看看這本書。
作者對深度工作的定義:在無干擾的狀態下專注進行職業活動,使個人的認知能力達到極限。這種努力能夠創造新的價值,提升技能,而且難以複製。
同時作者給深度工作制定了三個標準:
- 有價值的
- 少見的
- 有意義的
我看完這本書之後開始大幅減少無效時間,改為花大量時間在受益最大的專業領域做深度思考,《方法論》就是主要成果。
我也希望自己的文字屬於這類作品,所以每篇都會做深度思考。希望多年以後再看還會覺得有價值,而不是隨著讀者水平提高或時代變化變得沒用的文字。(這篇文章不太可能流傳好幾年,因為只是一個思考的“引子”,不過你要是打算轉發,我覺得是個不錯的想法)
做到這點最好的方法就是去研究自己不知道的領域,因為我的知識並不比別人豐富,我已知的別人肯定也知道,做的事也就差不多,這就產生不了額外的價值。
人的進步主要是通過探索未知領域的過程中獲得的成長。工作和學習往往是分不開的。
學習
有用程度30%以下的知識渠道都不值得看,時間非常有限,所以質量很重要。有用程度是個主觀感受,而且是個相對值,找到更有用的渠道原先的渠道自然就“更沒用”。
深度思考的目的是找到更深入的價值,一個點找到更深入的價值比羅列一堆點有用得多。同樣是三五千字的文章,“心理學對遊戲設計有幫助”這樣的文字肯定沒有“峰終定理在關卡設計中的應用”思考得深入,也就不太可能有幫助。
在一個點找到更深入或新的價值的內容才值得看,往往也是這類內容才能引發深度思考。觸發思考或者判斷文章價值的一個簡單方法就是看到一個陳述句問一下自己“事實真的如此嗎?”
有價值的文章大多建立在事實或邏輯有效的基礎上。每天多想幾次,慢慢就會看到一個嶄新的新世界。
個人建議書籍作為知識來源的比例在50%~90%之間,網上的資訊太碎,不成體系。知識點如果不能通過邏輯聯絡起來就很難利用,因為知識的掌握程度跟知識點與外界的連線數量和堅實程度有直接關係。
隨著學習的深入,書籍的比例會越來越高,因為網上的知識大多屬於基礎知識,越深入的知識就越難找。畢竟網際網路才發展多少年,書籍已經出現上千年了,雖然做為知識的載體網際網路肯定會超過書籍,但目前還沒有。(電子書要算在書籍裡,只是不少好書沒有電子版)
寫知識體系這篇文章已經看了十多本書,又找到十來本“看起來不錯”的書,要是有用的話將來再寫。
個人的小建議
不少剛入行的讀者特別希望掌握方法解決當下的問題,因為平時會涉及到很多具體的工作。除上述幾本和視訊外,其實更推薦自己思考,這也是寫這篇文章的原因。
遊戲行業發展這些年,也有不少書出版了,好書都是老外寫的。我看過比較好的有兩本:《體驗引擎:遊戲設計全景探祕》和《遊戲設計藝術 第2版》。
它們都有一個問題:太全面了。這兩本書都是針對廣義的遊戲寫的,很多內容與我們不相干,也就沒有解決問題的指導意義(當然還是一定要看的)。
推薦自己思考的原因是因為這是一個掌握深度思考很好的鍛鍊方法,熟練之後很自然的就自動使用了,不需要刻意去想,受益終生。
用上面三個步驟舉個例子:
很多時候設計一個功能不清楚該如何入手,也不清楚該設計成什麼樣。就可以按上面三個步驟進行思考。
- 首先定位問題。按SMART原則進行描述。例如把“GVG競技場”改為“伺服器(內/外)(隨機/指定)的X個公會(全員/個別成員)(同時/分別)(實時/離線)在(特定/隨機)場景中(限時/不限時)比賽的(週期/一次)性具有(特殊/常規)獎勵的玩法”。接下來就可以針對每個點進行詳細設計。
- 第二步是把這些點的設計聯絡起來看整體是否能夠達到設計目的,注意必須達成的設計目的只能有一個,只有這個目的達成設計才達標,次要目的不能影響主要目的,“一箭雙鵰”的思想要不得。設計目的必須包含在問題的描述中,必須是可衡量的標準。比如上述例子就是讓(全員/個別成員)參加這個玩法,參與率就是主要衡量標準,可以通過資料埋點判斷設計是否成功。資料不好要優化,需要用到第三步的思維。
- 第三步需要系統思維,即這個設計目的是為了達成整個遊戲的大目標。判斷這個設計目的達成後是否對大目標有足夠的支援。要搞清楚能否對大目標有支援就必須搞清楚各個系統間的關聯。雖然這一步做功能之前就應該想明白,做完之後再思考一遍也是有必要的,因為成品和設計方案會有很大差別。上一步中提到的優化可以通過調整系統內部或外部的其他元素達到目的,比如活動時間和週期、獎勵價值、公會匹配規則,甚至屬性養成等。(這一步能做到位你就超過了90%的人)
這個例子沒有講到原理的應用,深度思考必須建立在事實上,每一個選擇都應該有比另一個選擇好的原因,這個原因建立在確定性最高的原理之上,而不是其他遊戲做得不錯我們也做一個。這就需要由原理來證明價值的有效性。(這一步能做到你又超過了9%的人)
雖然做到這點很難,原理是需要經歷多年的探索才能發現並驗證的。要是不難有什麼價值呢?所以我們要在這方面養成深度思考的能力,不然就只能看著別人不斷創新。
就算是模仿,這個思考步驟也是必須的,否則就真的只剩下抄了,而且也不可能抄好。
另外有不少“心理未成年人”非常不願意聽“道理”,覺得講道理的人都不切實際,翻來覆去就那幾套,早就聽煩了。我之前給人推薦過《思考,快與慢》這本書,他的反應就是講道理的書沒用。
最應該研究的就是這些道理,為什麼那麼多成功人士都在講道理呢(這裡的道理是指各領域的原理,不是雞湯)?他們總不會是為了招人煩吧。所以顯然是因為真的有用。確實有很多錯誤的道理,這就需要自己多讀多思考,多問幾個“事實真的如此嗎?”
來源:我的遊戲設計理論
原文:https://mp.weixin.qq.com/s/GhfIgQr3U65PSnzTx37XFw
相關文章
- 學 習 數 學 的 意 義
- 學習Lua的意義
- 深度學習的一些思考深度學習
- 實踐和思考的重要意義
- 對深度學習的認識深度學習
- 思考追根溯源的學習方法
- SEO優化對企業網站推廣的作用與意義優化網站
- 對於學習的一些思考
- 拯救深度學習:標註資料不足下的深度學習方法深度學習
- 對《關於修改〈中華人民共和國網路安全法〉 的決定(徵求意見稿)》的學習與思考
- 學術派 | 愛奇藝深度語義表示學習的探索與實踐
- 大資料分析對企業經營的意義大資料
- 伺服器頻寬測試的意義與方法伺服器
- 基於深度對抗學習的智慧模糊資料生成方法
- 深度學習中的優化方法(二)深度學習優化
- 深度學習中的優化方法(一)深度學習優化
- 深度學習之PyTorch實戰(5)——對CrossEntropyLoss損失函式的理解與學習深度學習PyTorchROS函式
- 職場 | 工作五年之後,對技術和業務的思考
- AI從業者需要應用的10種深度學習方法AI深度學習
- Suspense對React的意義在哪裡?React
- 大資料平臺對企業運營的意義大資料
- 天生一對,硬核微分方程與深度學習的「聯姻」之路深度學習
- 深度學習在搜尋業務中的探索與實踐深度學習
- 深度學習的應用與實踐深度學習
- 基於深度學習的影象語義分割技術概述之背景與深度網路架構深度學習架構
- 深度學習網路模型的輕量化方法深度學習模型
- 深度學習中影像上取樣的方法深度學習
- 深度學習中不得不學的Graph Embedding方法深度學習
- 在表格中基於樹的模型與深度學習優劣對比模型深度學習
- golang中關於死鎖的思考與學習Golang
- 幽靈詭計:遊戲敘事的意義、方法與技巧遊戲
- 深度分享|關於惡意軟體加密流量檢測的思考加密
- SACC2018:機器學習與深度學習如何助力企業業務?機器學習深度學習
- 在騰訊的八年,我的職業思考
- NLP與深度學習(六)BERT模型的使用深度學習模型
- 工作狂與長時間工作的區別及其對健康的意義
- 【讀書1】【2017】MATLAB與深度學習——深度學習(2)Matlab深度學習
- NeurIPS 2022:基於語義聚合的對比式自監督學習方法