转载

做得太急,想得太少.

封面：我最喜欢的老师，数学帝，高考杀手葛军。

假设面对一门数值分析课的大作业，需要在尽可能少的计算次数下，尽可能精确地解决大量等式，你只有非常少的时间去完成，你的选择是使用高斯消去或者是用比如GMRES和jacoby这样的迭代法，你应该怎么做？

这是我大学时曾经面临的一道问题。当时面对的最大挑战其实是对代价的估算，到底这个n（等式以及未知数的数量）是否足够大到高斯消去不适用，或是我们的迭代方法的收敛效率高到可以无视直接解法。

我们人生中经常面对这样的问题：技术需要投入，总有trade off，我们实施一件事带来的好处的同时也会增加开销。对创业者来说每一次产品的迭代和发布，每一次融资，每多招聘一个人负责一件事情，也许都有其他的机会成本在里面，你也许可以选择中介，或者是开发一套自动化系统来解决你需要人力解决的问题，但是这笔账到底怎么算？更要命的是，别人会这样打击你：你还在算的时候人家已经开始动手了，你愣在这里干嘛呢？

很多问题在不确定的时候它也许有多个答案，每个选择看起来都是对的，就好比“一个大于4的偶数是否能拆分成两个质数的和”，这个问题直到人类完美解决后才直到答案是什么，在那之前，我们能做的不是选一个答案，而是通过方法上的优化来逼近。说到方法，也许有的时候我们的选择是在选择方法而非选择本身。但是不管怎么说，这总比你瞎做一个选择去撞大运要好。

我说一下我10岁那年的事：我写了人生第一个程序，是用莱布尼茨公式计算圆周率的1/4。公式很简单： 1-1/3+1/5-1/7+1/9…… 计算10万项之后我只得到了一个4位数的精度。也正是那一年，我在一本数学书上看到了马青公式，于是我把程序改写了一下，用3次多项式计算反正切函数，并通过马青公式合并成圆周率的数值，在很短的时间内我就得到了300位的精度，欣喜之余我用了一个下午时间一口气把那300位都给背了下来，至今都是倒背如流。

如果用一个收敛性不够的公式去解，即便是用大型计算机业未必有一台PC的效果好，由于你的算法不好，大量硬件上的投入会打水漂。

我从来不喜欢做练习册，做大量的题目，通过形成经验性条件反射去取得高分。但是直到上了高中后碰到了一个真正给了我信心的数学老师——葛军（著名的江苏高考杀手，还不是本校的），我才坚定了自己的观念，我不愿意用笨方法去武装自己，我的生命太有限，我要去从更高更泛的维度解决问题。

多年后我从海外再次回到国内，我看到了太多人在用笨方法去做事，我们人们通过思考对问题进行进一步的抽象，于是我们沦为了世界工厂，大量劳动密集行业，到处都是地推，到处都是制造业，我们还一直引以为豪沾沾自喜觉得我们的TMT行业是如此发达。君不见uber用几套算法把我们玩得团团转吗？

我经常见到一些老板一身民科和民哲范，总结一套完全不具备科学依据的理论，通过阶段性结果来支持，最后被复杂度和越来越发散的需求打垮。我还会见到一些视某些理论为信仰的迷信派，一定要求解决某个问题，比如说复杂度好了，完全不理会Rob Pike所说的：当k足够大n足够小的时候，追求O 复杂度是没有意义的。

我们追求敏捷追求MVP和快速迭代，但是很多所谓的高频迭代纯粹是版本数量堆出来的，就像莱布尼茨公式对比马青公式，你的收敛性太差了，虽然你一步一步迈向真理走向完美，但是你的步子太小了，虽然没扯到蛋，但是你是夹着蛋在走。

互联网消费红利即将过去，效率时代即将来临，少用蛮劲，多用巧劲，多独立思考，不要做一个迷信盲从下的执行者。

正文到此结束