以數學與幾何角度去駕馭自組織系統是一種學習很快與很容易有啟發的路徑 但理論有一個共通的問題，就是理論其實只是人類對真實世界的虛擬 舉例來說，這個世界其實沒有真正的直線，直線只是人類理論認知世界的虛擬 把系統視為幾何平面，OK 這樣很適合人腦，特別是男人（睪固酮比較多，容易結構化）的人腦 但有一個問題，就是世界是無限多的幾何平面疊加的結果 （應該不是真的無限多，只是超越人腦可處理的巨大數量的文學修辭） 意思就是說，世界是無限多個系統疊加的結果 所以我跟plamc很常雞同鴨講，我說是多中心網絡的東西，他說是單中心網絡 這是因為世界系統是無限多個系統疊加 你只要觀察者的角度沒有完全精確同步的話 同樣的東西，可以輕易的觀察成多中心網絡，但只要角度換一點點 也可以被觀察成單中心網絡 所以這種數學式與理論式的虛擬，最終會不敵所謂的「健全常識」「健全直覺」 「健全常識」與「健全直覺」是不依靠理論虛擬 在無意識之間完全調動人腦最底層多中心網狀結構的一種隱性技術 更適合人腦，特別是女人（雌激素比較多，大腦神經網狀分化更多）的人腦 體現著：男人很會講理論，但是最終結果都和理論不一樣 女人講不出什麼理論，不知道為什麼，最終女人的決策長遠而言其實更是正確的 比較好的方式，就像太極張三豐的電影說的那樣，學會招式之後把招式忘掉 就是說，這些幾何也好，系統論的理論也好，是類似重量訓練的動作刺激那樣 是用來訓練你的腦部的 然後訓練完之後就要把他忘掉，就像運動之後大量睡覺大量休息一樣 真實世界運作時是使用直覺 ※ 引述《selfvalue (I. Lefèvre)》之銘言： : 我是看你文章 發現你跟Nassim Nicholas Taleb一樣提出想法 但用在不同的地方 : 認知到這些想法 並能提出來 本身就是一個 : 1. 知道自己在系統內做事 : 2. 知道自己在觀察的系統如何限制自己 : 3. 知道“知道自己對系統的觀察“本身也是被限制的 : 這同時也是一個自指結構 : 同時呈現"在裡面"& "看整體" : 這是很適合幾何的表述方式 : 再來 : 我列出符合的meta認知 : Santa fe機構的幾十個裡面 我用每個人都有聽過的4個: : OODA : 第一原理 : Gödel 不完備 : 香濃資訊論 : OODA : Observe/Orient/Decide/Act : 每一個智慧都有的最基本的特徵 : 像我們兩個溝通: 就是在思考的狀態空間裡生成新“分支“ : 而且OODA還有一個特徵 : 像是一個人的Observe/decide/act已知, 但orient(自我定向)未知 : 我們往往只要填入一個“最經濟“的選項, 就可以知道一般人的orient或是如何, : 大部分都會命中, 因為: 宇宙不是隨機的, 是被能量與結構約束的 : 這種經濟感 你會想到什麼? : 最小作用量(physics) 最小自由能(friston) 最小描述長度 (MDL).... : 還有真正宇宙中選擇的樣貌樣本: : 神經的樹突, 血管分差, 樹枝生長... : 也就是- “幾何的碎形“ : 樹枝發展 但受到限制 最後長那樣 : 再來看Gödel incompleteness : Gödel的本質是: 任一足夠強的形式系統, 在內部會生成不能被自身完全捕捉的真命題 : 這等價於: 系統在每一個尺度都會遇到“描述自身的邊界“ : 而碎形幾何的定義是: 任一放大尺度下, 都會出現 “結構相似- 但不可完全封閉的細節“ : 當年gödel挑戰hilbert hilbert做了什麼? : 挑戰讓數學家們共享一個“建立在axioms上, 遞歸生成“的東西 : 而香濃資訊論最常被引用的是? : Information= reduction of uncertainty: : 在什麼約束下 用什麼代價-> 消除多少不確定性 : 消除的方法有兩種: : 1. 減枝 : 2. 壓回一點 : 而第一原理? : 把一棵物理化學(規律的自然結果)或智慧的decision tree : 不斷合併等價分支 直到: 再減下去就會預測/行動失效 : 到達一個不確定性的邊界(刻意把自己推到會錯/對的邊界) : 這全部都是自指結構 : 同時呈現"在裡面"& "看整體" : 這是很適合幾何的表述方式 : 像 : 數學家畫圖 : 物理學家畫相空間 : 我們cs人畫manifold : 工程師畫架構圖 : 這都是因為: 幾何直接把限制條件擺在那裡 : 這是我的一些感覺: 我們是比較容易互相溝通的 : 當然 我會說 聲學+coding工作可能帶給我這種偏見也說不定 -- ┌╮╮‧╭┬╮╭┬╮╭─╮┌─╮┌╮╮╭─╮╭ ╮╭─╮┌─╮ ││││ │ │ ├─╯├┬╯│││├─╯╰┬╯├─╯├┬╯ ╰ ╯┴ ┴ ┴ ╰─╯╰╰╯╰ ╯╰─╯ ┴ ╰─╯╰╰╯ --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.255.206.135 (日本) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/DummyHistory/M.1765685528.A.38E.html