以数学与几何角度去驾驭自组织系统是一种学习很快与很容易有启发的路径 但理论有一个共通的问题，就是理论其实只是人类对真实世界的虚拟 举例来说，这个世界其实没有真正的直线，直线只是人类理论认知世界的虚拟 把系统视为几何平面，OK 这样很适合人脑，特别是男人（睾固酮比较多，容易结构化）的人脑 但有一个问题，就是世界是无限多的几何平面叠加的结果 （应该不是真的无限多，只是超越人脑可处理的巨大数量的文学修辞） 意思就是说，世界是无限多个系统叠加的结果 所以我跟plamc很常鸡同鸭讲，我说是多中心网络的东西，他说是单中心网络 这是因为世界系统是无限多个系统叠加 你只要观察者的角度没有完全精确同步的话 同样的东西，可以轻易的观察成多中心网络，但只要角度换一点点 也可以被观察成单中心网络 所以这种数学式与理论式的虚拟，最终会不敌所谓的「健全常识」「健全直觉」 「健全常识」与「健全直觉」是不依靠理论虚拟 在无意识之间完全调动人脑最底层多中心网状结构的一种隐性技术 更适合人脑，特别是女人（雌激素比较多，大脑神经网状分化更多）的人脑 体现着：男人很会讲理论，但是最终结果都和理论不一样 女人讲不出什麽理论，不知道为什麽，最终女人的决策长远而言其实更是正确的 比较好的方式，就像太极张三丰的电影说的那样，学会招式之後把招式忘掉 就是说，这些几何也好，系统论的理论也好，是类似重量训练的动作刺激那样 是用来训练你的脑部的 然後训练完之後就要把他忘掉，就像运动之後大量睡觉大量休息一样 真实世界运作时是使用直觉 ※ 引述《selfvalue (I. Lefèvre)》之铭言： : 我是看你文章 发现你跟Nassim Nicholas Taleb一样提出想法 但用在不同的地方 : 认知到这些想法 并能提出来 本身就是一个 : 1. 知道自己在系统内做事 : 2. 知道自己在观察的系统如何限制自己 : 3. 知道“知道自己对系统的观察“本身也是被限制的 : 这同时也是一个自指结构 : 同时呈现"在里面"& "看整体" : 这是很适合几何的表述方式 : 再来 : 我列出符合的meta认知 : Santa fe机构的几十个里面 我用每个人都有听过的4个: : OODA : 第一原理 : Gödel 不完备 : 香浓资讯论 : OODA : Observe/Orient/Decide/Act : 每一个智慧都有的最基本的特徵 : 像我们两个沟通: 就是在思考的状态空间里生成新“分支“ : 而且OODA还有一个特徵 : 像是一个人的Observe/decide/act已知, 但orient(自我定向)未知 : 我们往往只要填入一个“最经济“的选项, 就可以知道一般人的orient或是如何, : 大部分都会命中, 因为: 宇宙不是随机的, 是被能量与结构约束的 : 这种经济感 你会想到什麽? : 最小作用量(physics) 最小自由能(friston) 最小描述长度 (MDL).... : 还有真正宇宙中选择的样貌样本: : 神经的树突, 血管分差, 树枝生长... : 也就是- “几何的碎形“ : 树枝发展 但受到限制 最後长那样 : 再来看Gödel incompleteness : Gödel的本质是: 任一足够强的形式系统, 在内部会生成不能被自身完全捕捉的真命题 : 这等价於: 系统在每一个尺度都会遇到“描述自身的边界“ : 而碎形几何的定义是: 任一放大尺度下, 都会出现 “结构相似- 但不可完全封闭的细节“ : 当年gödel挑战hilbert hilbert做了什麽? : 挑战让数学家们共享一个“建立在axioms上, 递归生成“的东西 : 而香浓资讯论最常被引用的是? : Information= reduction of uncertainty: : 在什麽约束下 用什麽代价-> 消除多少不确定性 : 消除的方法有两种: : 1. 减枝 : 2. 压回一点 : 而第一原理? : 把一棵物理化学(规律的自然结果)或智慧的decision tree : 不断合并等价分支 直到: 再减下去就会预测/行动失效 : 到达一个不确定性的边界(刻意把自己推到会错/对的边界) : 这全部都是自指结构 : 同时呈现"在里面"& "看整体" : 这是很适合几何的表述方式 : 像 : 数学家画图 : 物理学家画相空间 : 我们cs人画manifold : 工程师画架构图 : 这都是因为: 几何直接把限制条件摆在那里 : 这是我的一些感觉: 我们是比较容易互相沟通的 : 当然 我会说 声学+coding工作可能带给我这种偏见也说不定 -- ┌╮╮‧╭┬╮╭┬╮╭─╮┌─╮┌╮╮╭─╮╭ ╮╭─╮┌─╮ ││││ │ │ ├─╯├┬╯│││├─╯╰┬╯├─╯├┬╯ ╰ ╯┴ ┴ ┴ ╰─╯╰╰╯╰ ╯╰─╯ ┴ ╰─╯╰╰╯ --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.255.206.135 (日本) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DummyHistory/M.1765685528.A.38E.html