宽度优先的认知方式，能让你收获多样性红利
全文共3.2千字，阅读时间约7分钟。
前两年很流行「斜杠青年」——从事多个行业，个人介绍中有不同职业，头衔喜欢用「/」，比如：作家／插画师／摄影师。
最近一些斜杠青年导师又建议读者在一个领域内深耕，要专精，不要再做斜杠了。
多元化和专业化是每个人成长中都遇到的问题，究竟追求认知的宽度还是思想的深度呢？
一个捣糨糊的说法，也是正确的废话，就是看情况——根据个人条件，不同阶段有不同的侧重，一段时间内追求宽度，一段时间内追求深度。
最近我将这个问题想清楚了，本文不捣糨糊，给你一套有效的参考策略，让你走在正确的道路上，即：
宽度优先
追求多样性
寻找关联
建构「山」型认知体系
怎样快速登顶富士山
先宽还是先深的问题，可以通过一个形象的登山隐喻来说明：
假设我们要探索一块很大的区域，这个区域有很多山峰，我们的目的是快速登上最高的山峰，比如日本的富士山。
你没有地图，也不知道哪座是富士山，怎样才能快速登顶呢？有两种不同的上山方式。
人往高处走
第一种是不管它是不是富士山，只有站得高才能看的远，爬高一点就可以看见那座山更高了。
于是从最近的一座山开始往上爬，一边爬一边观察，发现周围有比脚下这座高的，折下山，去爬更高的那座，如此往返，总能登上最高的富士山。
这其实就是计算机编程中的深度优先算法。这种方法往往会浪费资源，只有当起点恰巧在富士山脚下时，会以最快，最节约资源的方式达成目标。我们这里有多个山峰，这个几率就很小，只能靠运气。
深度优先还有一点不足是——会陷入局部最优。如果每次都要比当下高度大一点，你就不会往下走，被困在任何一个山顶。
计算机算法中会通过增加一个随机量，允许下一步的高度比当前低，就能解决这个困境。
人当然不会那么笨，知道往下走，但精力毕竟有限，你爬上一个比较高的山峰，风光秀丽，也有点累了，就不愿再下山寻找更高的山峰——你忘记了出发的目的。
宽度优先法
另一种方式就是先不登高，而是走走转转，看看哪座有可能是富士山，然后认定一座山往上爬。这是计算机科学中的宽度优先算法。
宽度优先也不完美。因为你探索出的不一定就是富士山。跟前面一样，如果沿路景色不错，你可能会被路边的野花野草迷住，忘记你的最终目的是登上最高峰，毕竟往上爬要比探索更费力。
这两种登山方式，如果不限资源，不限时间，在理论上任何一种方式都可以登上山顶。但实际上，资源和时间都是有限的，哪一种更可行呢？
宽度优先让你更有动力
两个策略，各有优劣。深度优先在开始时，每一步看似都有进展，都在向目标靠近，其实做的是无用功，还容易陷入局部最优——非富士山的山顶上。
局部最优会成为继续前行的包袱，你可能会想，好不容易爬这么高，虽然不是最高的，但也是一个不错的位置。你就不愿下山探寻更高的山峰。
宽度优先前期是兜兜转转，看上去做的是跟最终目标没关系的事，但当你将整个地形探索完，画出一份地形图后，就增加了找到最高山峰的机会，就不再随机的盲目登高。
在心态上，由于你了解地形，认识了登上最高峰的难度，你会更乐观。当你登上一座山峰后，发现不是最高的，你对失败更宽容，你也不气馁，愿意做更多尝试。
只要你不放弃，就跟唐僧带着四徒弟西天取经一样，有了坚定的信念，会拒绝女儿国国王的好意，一路向西，取得真经。
更重要的是，宽度优先的探索方式增加了多样性，而多样性是有红利的。
多样性红利
多样性红利通俗来说就是：
三个臭皮匠，好过一个诸葛亮
斯特科·佩奇有本书叫《多样性红利》，详细解释了这个道理。我直接引用书中两个结论：
群体能力 = 平均个人能力+多样性
多样性 > 能力
书里谈的是组织中个体的多样性，实质是个体的多样性带来了思维方式的多样性，认知的多样性。
你通过增加认知宽度，增加多样性，一个人活成了一个队伍，就会用多个视角看问题，而书中有个「学者定理」：
对任何一个问题，都存在一个能让答案一目了然，脱颖而出的视角。
这跟芒格的多元思维模型同样的道理，多元视角利于解决问题，总有一个视角要比其他视角更有利于解决问题。
一个从工程角度看上去很复杂的问题，切换到市场视角，答案可能会一目了然。所以，多样性大于能力。
佩奇认为要发挥多样性优势，这个问题要满足四个条件：
1）问题得足够难，难到无法用单一视角解决
回到爬山隐喻，如果你有一张地图标出了最高峰，你也有能力登上山顶，就不需要探索，也不需要特别视角，直奔富士山往上爬就行了。
所以问题要难到单一视角无法解决，才有多样性发挥的空间。
2）群体中的每个人，必须有一定的能力
每一个思维模型，每一种视角，都能实现其相应功能，没有混日子的。
3）群体中的每个人都有跟别人不一样的视角和解决问题的方法
在解决问题时，使用的每个模型要跟其他不一样，跨度越大，越有可能提供不同的，脱颖而出的视角。就像乔布斯在设计电脑时，将早年掌握的美术字体融合进来。
4）群体规模必须足够大
只有规模足够大，才能发挥多样性的超加性——两个视角加起来，有利于解决新的问题。2个视角，就有一对连接。而5个视角，就有5×4/2=10个连接，那么10个视角，就有10×9/2=45个连接。
芒格说要掌握100个思维模型，是因为只有在一定规模基础上，才可产生大量的 lollapalooza效应。
寻找关联可将宽度转化为深度
到这里，有朋友可能会问，朋友圈的一些「学习爱好者」，每天都在学，还挺杂——比如有法律思维，产品思维，医学通识。
可读他们写的文章，跟他们聊天时，没发现他们有什么特别角度，思考好像也不深刻。那么追求宽度能训练出深度的思维，有助于看到事物本质吗？
答案是肯定的。
朋友圈的这位学习爱好者学的虽然很宽，但他没有做后续，也是最关键的一步工作——寻找知识之间的关联。
没有结构，零散的，隔离的知识点用处不大，而要看透本质，需要大量点连成复杂的知识网络作支撑。
换句话说，如果你尝试寻找这些知识间的关系，你就能将宽度优势转化为深度能力。
我举过一个关于熵的例子：
熵——热力学中的一个重要概念，是体系混乱程度的度量。第一次碰到，我将它放入自己的卡片盒。虽然记下了，但我对熵的理解还很肤浅，也将它的使用限定在热力学范围内。
随后，我又学到了信息熵——用来量化度量信息，信息熵越大，不确定性越高。跟热力学中熵好像有关系，对熵有了更深的理解。
又过了一段时间，我在《心流》中学到了精神熵——描述内心失序的现象。至此，对熵有了更深刻的认识。
有一天，我发现儿子的玩具，他妈两天不给他收拾，就乱成一团，这个现象可以解释成玩具熵。
我并没有刻意去钻研「熵」的深度，但这些不同学科，不同角度的概念凑在一起后，宽度转化成了深度，让我对「熵」的理解变深刻，变灵活了。
再比如，这里有28张狗狗照片，你可以试着找它们的关系，不同的特征，相同的特征，尝试寻找一个分类方式为它们分类。
做完这个练习后，你对狗的认识是不是变深刻了？
这就是模式识别——在真实的情境中收集大量数据和实例，从这些数据的细微差别中找到规律，发现「模式」，而模式就是深层的特征反映。
而我们要获得多样性红利的途径就是——宽先于深，博优于专。
特别在人文社会科学中，将认知的宽度转化为深度的方式更有优势。
回到开头斜杠观点，错不在斜杠，关键要看斜杠两端的技能是否可协同。数学家跳拉丁舞没优势，但数学家研究物理就有优势。
建构「山」型认知体系
通过宽度优先，追求多样性，关联知识点，建构「山」型的认知体系，能让我们更快的提升认知水平。就像王云五所说：
为学当如群山式，一峰突起众峰环
最下面一横是通识与基本技能，有一个精深的专业（最高峰），同时也有多个协同专业（山头）。我们就可以在不同山峰间寻找相似性，通过嫁接，重组，迁移得到更多机会。
同时，这个结构也有强的适应力，是反脆弱的，即使最高的山峰遭到毁灭性打击，你还可以转移到第二，第三高地继续发展。
欢迎扫码加入我的知识星球，拓展你的认知宽度，建构你的「山」型认知体系。
大辉新书《直面不确定性》已上市，是能加宽你知识面的一本书。点击下方链接在当当网购买。
前期文章