将自己网状化

以网状化的思维方式生活

Posted by Winchell.Wang on June 21, 2024

随着时间飞逝,脑中信息量的不断增加,如何能够尽可能清晰的梳理脑中的信息对我而言就显得尤为重要,并且如何利用既有脑中的信息解决当下以及将来的问题也十分重要。网状化管理这一概念并不稀奇,并已广泛的应用于这个世界的方方面面。其优秀的可扩展性以及逻辑性对我而言是一种优秀的面向大脑管理的系统工程工具。经过我这辈子这么久的实践及优化,粗浅总结出了一些如何将摄入的信息网状化存储在脑中,并以同样的思维逻辑处理生活中的事物。写成此文一面防自己忘记和理清思绪,另一面并请读者批判。

何为网状化

网状化的定义或许人人都有自己的理解,在我而言相对贴近的概念就是类似于思维导图式的结构,或者就是大脑神经相互连接抽象后的三维立体结构。尤其需要强调的是,网状化的管理毋需执着于是否是二维或是三维的可具像化的节点图谱,作为一种信息管理方式其矩阵结构可以是超越三维以上的。这一点类似于数据库管理,虽然人类并无法想象出三维以上的物理世界,但是可以创造四维以上的数据库管理数据(多维数据库)。在这个结构中,每一个节点都或多或少的与相关节点关联。有些节点间的连接数更密集,而有些节点的连接数更稀疏,但这样的宏观结果并不是先天有意为之。节点间的相关性由其背后的#hashtag,这种常用于社群网络的词语,所掌控。以在小学三年级学习的勾股定理为例子,那么这个知识点就可以被标记上#小学,#学校名,#学校地,#数学,#几何,#年龄,#班级,等等标签。需要回溯该信息时,如果信息本身属于热数据那么可能无需通过分类标签寻找,但是可以通过标签迅速扩展联想到相关信息点,并且这种看似发散的联想背后是有着标签带领的高度逻辑化的扩散。如果这个信息属于低频的冷数据,例如乞力马扎罗是世界第几高峰,则也可以通过列出可能的相关#hashtag来在脑中系统性搜寻。比如可以通过#地理,#山,#外文名称,#世界高山,等等以逻辑化的条件搜索,避免陷入无从下手的茫然中。除了方便检索以及向外发散,网状化管理还可以避免碎片化的信息使大脑过载。此处以苹果的APFS硬盘格式为例解释,当数据被切分到基础的小节点后,这些元数据之间不具备重复性,但是可以通过标签重组为相似的信息块。当出现新的信息输入,信息被拆解为元数据后,相同的元数据部分不会在脑中再复制一个新的地方,只是原本的元数据会多若干新的标签,信息的总量并没有增加。但这样的缺点也同样明显,就是无法记住细节。为了标准化数据的切分以及节约节点数,信息的拆解会抛弃一些低信息的部分。例如小学三年级学的勾股定理是以3cm,4cm和5cm为边的三角形为例这样的细节就会被抛弃,因为核心的信息是三边平方和而非具体的案例。当遇到新的信息比如看到一个6cm,8cm和10cm为边的三角形式便不会在脑中留下任何印象,因为该信息没有提供任何新的元数据。这也是为什么我看了那么多文学作品却什么也记不下来的原因,因为纸面上书写的东西实在是信息熵太低了,抽提出的感受反而是唯一记下的东西。但我本就是一个无法清晰记下所有的人,这样必须有取舍的情况下,我满足于该概念下对记忆的取舍。由此,便是网状化思维的基本概念,十分简洁。

如何网状化

虽然概念简洁明了,但是如何有效的将信息网状化储存是需要一套方法来适应的。

信息拆解

一段有效的信息往往是富信息的,直截了当的塞进脑子里就像吞下一根法棍而不咀嚼一样,想想就感觉到噎了。信息的拆解首要便是信息的过滤,原则基于获取信息的目的和对自己的影响。例如我看新闻联播想知道今天的中国人民生活是不是又更高一层楼了,那我会在看完新闻后首要扔掉美国人民生活水深火热的信息。拆解的第二步则是信息的转换,很多时候人类的语言会在信息上层层套娃,此时就需要将其转换为中性的信息。例如朝鲜主持人痛哭流涕的感谢金元帅大冬天的坐着迈巴赫去看骨瘦如柴的牛在田间耕作这个信息(我自己捏造的假新闻哈,不要当真)。因为金元帅是朝鲜的大爹,主持人不可能是伤心的痛哭流涕,所以这个信息里的痛哭流涕应该意为感动/感恩。最后,正确转化后的信息就需要拆解了,依旧以朝鲜主持人痛哭流涕的感谢金元帅大冬天的坐着迈巴赫去看骨瘦如柴的牛在田间耕作这个信息(我自己捏造的假新闻哈,不要当真)为例。在我理解中这个信息就可以拆解为朝鲜,金正恩,感恩,主持人,豪车,饥饿的人民这样的基础信息或元数据。

打标签

信息拆解后如果不打标签就如同孤岛一样漂浮在记忆海中,无法被搜寻连接到。而过于繁杂不符合直觉的标签则无法在脑中留下痕迹,也就失去了标记的作用。打标签的实质是将一个信息从不同的视角进行归类。以上面的假新闻为例,首先的标签便是#2024年,其次是#朝鲜,再其次等等。这里无需纠结标签是不是和元数据重复了,因为标签的作用和元数据是截然不同的,标签的目的是像漏勺一样将元数据捞出来,然后依据标签的指示重新拼装成完整的信息,而元数据是信息的基本单元,两者可以同名但功能不同。例如在#2024年,#朝鲜这个标签下,“朝鲜,金正恩,感恩,主持人,豪车,饥饿的人民”这样的元数据大概是拼不出“主持人在奔驰迈巴赫里看到金正恩在朝鲜饿着肚子用牛在田里犁地感动到哭“这样的信息的,因为这不符合#朝鲜这一标签的信息逻辑。在这里,标签的信息逻辑应该是下意识的,常识性的,可以是不可名状的感受,但绝不是复杂的规则框架。

低维映射

此时,当我们将信息以网状化的方式记住后,就可以做到总结归纳了。但什么是总结归纳?在数据库管理角度看来,就是低维映射。以一种数据转换方式将高维数据投射到更低维度的世界中会得到信息在某一面的投影,将投影进行统计学方法的观测则可以得出对某一类信息的总结。以三维物体分类这样的具像化事物为例,其二维投影可以找到矩形,圆形,三角形,缺乏明确基础形状的无定形,以及由这几种形状拼接而成的多边形。这就是一种对三维物体的分类方法。虽然其实质上是罗列了在二维世界投影的形状,但是因为将信息降低一维,使得三维物体在二维层面上的特征被突出,方便了我们的理解。值得注意的是,低维映射会造成对信息的片面化理解,其得到的总结性信息是在特定降维条件下的。为了能够得到全面的总结性信息,需要对信息从不同面向进行低维映射,也就是多角度观察。

切片整理

切片整理的目的在于对杂乱的信息进行重新梳理,增强信息的逻辑性。其感觉就类似于如果记忆是一块正方体的数据库,其x轴是时间的话,如果想要重整昨天的所有信息,则就是提取x轴为昨天的这一正方形切片。这一切片内的所有信息都是标上了#昨天这一个标签的信息块。但是我们往往需要选择更多的标签来限制信息到更具体的范围内来理清思绪。所以实质上的切片整理是在更高维度的数据库内进行的,也不必纠结于这个高维数据库的物理外观,只需要关注于这种感受和对信息的提取方式。将信息通过切片的方式提出后,就可以重新对信息块进行信息拆解。对我而言,这就是复习。

利用网状化

信息的摄入和消化可以利用网状化,但面对事情的处理逻辑同样可以利用网状化这一概念,并且其步骤基本相同。在我看来,解决外部事情就是将外部信息按照我的逻辑处理后,与我的内部信息进行撞库匹配的过程。

信息重构

当面对需要处理的事情时,这一事件本身也同样是一段信息,因此需要对信息进行重构。与纯粹的信息摄入不同,对需要解决的事情需要进行更高强度的过滤与转换来明确目标。以你老婆吵架说如果不把马桶修好就离婚这一事件为例。这里强烈的愤怒感情色彩使其说出了离婚这个词,这个信息就属于强烈的感情冲动对事件解决没有帮助,可以过滤掉。而如果你确实没有修马桶技能的话,直截了当的表面理解修马桶就是修马桶就会让自己陷入困境。因此需要根本上理解为何修马桶十分重要,或许是你老婆内急要马上用,也或许是她不想看到厕所一片狼藉,但一旦明确了她幕后动机就完成了信息的转换。至此,“如果不把马桶修好就离婚”这一突发事件就可以重构为“她不想看到厕所一片狼藉”。

标签匹配

以你老婆不想看到厕所一片狼藉为例,转换后的信息只是方便理解目标事件,此时要做的第二步就是为目标事件打标签。而这个事件的标签在我看来就是#居住,#卫生,#即时。拿到标签后,就可以将脑子中符合这三个标签的信息捞出匹配,寻找解决方案。符合#居住的可以是自己家,朋友家,酒店,宾馆,等等;符合#卫生的可以是消毒,自来水等;符合#即时的可以是外卖,酒店,宾馆,打的等等。这样想来似乎很是复杂,但是在此时此景,当框定出#居住,#卫生,#即时这三个标签时,脑子里应该是会一瞬间想到酒店,宾馆这样的解决方案出来。此时,对“我们今晚去找个酒店住一晚,明天早上我请人来修好厕所,你不用担心。”这样的话稍加修饰说出或许就可以解决“如果不把马桶修好就离婚”这个看似风马牛不相及的目标事件。