吸星大法：像科学家一样思考
吸星大法
最牛逼的技能是吸星大法，碰到啥学啥，学啥会啥。
元认知 = 耐心 + 刻意分块练习 + 思维/心理/身体过程关键点反馈 + 调控
我们一般的认知，是对外的认知（世界、事情、科目、问题），是为了更好的做好那件事。
而元认知是对自己的认知（学习过程+细化、思维过程+细化、方法步骤+细化、情绪过程+细化、心理过程+细化、认知过程+细化、身体过程+细化），是为了思维升级。
- 每次突发事件后，都是元认知的开始
- 长期平平无奇后，也是元认知的开始
- 学习使用新知识，也是元认知的开始
人如果没有元认知能力，那和其他动物有什么区别。
大部分动物做出的举动都源自本能，是写在基因里的编码让它们做出特定的反应。要想改变，可能需要十多年甚至上百年的进化。
而我们人类则不同，我们可以在有限的生命内，不停地回顾自己的想法，进而改变自己的行为策略。某种意义上，我们甚至每天都可以进化。
大脑是分层的（理性脑高于情绪脑、本能脑），高层次可以控制低层次的大脑，高层次的大脑越接近真正的我，我就越能控制大脑，而不是大脑反过来控制我，这才是作为人类进化的最有效的手段。
大多数人其实并不了解自己的思考过程、思考原理、思考方式；更是因为大多数人从未认真审视过自己的思考结果是否确实正确合理。
看到智商高的人，就觉得人家天生聪明，可以轻松解开复杂的数学题目。而不会觉得，对方其实是知道了这些数字背后更深层次的原理。
看到情商高的人，就羡慕对方的社交能力，但真正本质的是对方能够体察别人内心深处的期待。
元认知能力之所以重要，是因为它不光能帮你了解自己，同时还会让你更加了解别人。
场景一：时间总是在过后才显得飞快。
- 正常人：赞同，我也有类似感觉。
- 元认知大脑：为什么会有这种感觉呢？ 为什么竟然忽略了这个事实？我究竟错过了什么？我还需要纠正的是什么？
场景二：别人骂你。
- 正常人：挨了一下性格强势的人一定会打回去，直到越到更强的人失去所有；性格怯懦的人永远逃避，最后什么事都解决不了。
- 元认知大脑：挨了一下我生气了，这种情绪对我有没有帮助？只有做傻事、痛苦、后悔、事情变得麻烦，关系变得糟糕，那么让我结构化倾听，把他的话分成事实、情绪、期待，承认搞砸的事实，安抚负面情绪，做出对方需要的期待。
场景三：夫妻吵架。
- 正常人：只说表面的理由，如果自己都没有想明白，就急着跑去找对方。最终的结果可能是对方提出了几点不同意见，就已经刺激到自己，并且不想继续交流了。
- 元认知大脑：不止表达直觉的想法，产生这个想法的来龙去脉也会讲，还能一层层的表述，让对方深入理解。
场景四：长期无法解决的问题
-
正常人：恋爱中 A 生气了，B 以为 A 是因为 X 而气恼，于是，就围绕着 X 这个话题反复解释、劝说、甚至哄逗……对不起，通常这么做很可能只能让 A 更恼火，更生气，为什么呢？
-
元认知大脑：这件事情重复遇到好多次了，也许这次应该去别的地方找钥匙……钥匙在哪里？在心理学书籍里：对人类这种高级动物来说，有些情绪是对立的，几乎完全不可能共存的。比如，你几乎没办法既高兴又痛苦，既兴奋又低落，或者既感到无聊又感到有趣……于是，解决方案就相当地简单明了：要是能让对方感到极度开心的话，TA 就没办法痛苦、生气、无聊、无奈……你真的平时花足够的时间思考过这个几乎最重要的事儿吗？——究竟都有哪些东西、哪些事件可能让对方极度开心？
场景五：阅读一本书
- 正常人：搜索各种概念和观念，追求有用有趣，只读对自己有用的。
- 元认知大脑：阅读对比自己和作者，觉知思维，只字不差的阅读。
当我们的元认知能力不强，还不能对于某些概念做深入思考的时候，就很容易出现两种极端情况：全盘接受或者是全盘否定。
元认知能力强的人，在阅读的时候，时时刻刻都能注意到自己的思考与思路，时时刻刻都在对自己的思考与思路进行反思、校验、修订、升级。
你在读别人的文字的时候，就是在拿对方的思维方式和自己的作对比。看看哪些方面和你想的一样，哪些方面和你想的不同。
读书的时候，读到的不仅仅是文字以及文字所阐述的道理，更多注意到的是作者的“思考方式” ，作者的“思考方式”与自己的“思考方式”之间的不同，以及，若是作者的“思考方式”有可取之处的话，自己的“思考方式”要做出哪些调整？
像一本概率论读完，大多数人就是考个试也不一定能及格，而另外的极少数人却成了科学家——因为他们改良了自己的思考方式，从此可以“像一个科学家一样思考”……
场景六：投篮练习。
练习投篮，能够觉知到自己的投篮是偏左还是偏右了，但是一般无法觉知到自己的手指（尤其是食指）的状态。更别提膝盖、腰、肩膀、手肘等一系列对投篮都有影响的部位了。你投篮几年了还是很低的命中率，因为你缺乏觉知的意识；你偶尔怀疑自己为什么偷懒不准也找不到原因，只能感叹手感不好，其实就是想要觉知而无法施展出来；即使你花时间去练习自己的投篮也往往效果不佳，因为你的觉知不精细。
场景七：打字练习。
我在打字。我打字的时候右手的小指头不是很灵活，它去够那个“P”键不流畅，我感觉到了这一点。它有点僵硬，有点短。但是我控制着它去执行这个动作。几十次练习以后，它就边灵活了，尽管在此之前的十年它都没什么长进，但是由于我带给它觉知，所以它几分钟突破了十年的障碍。
场景八：做题。
- 正常人：这题我不会做。
- 元认知大脑：我看到这个题目，先做了联想。联想到哪些东西？联想到了某个公式，或者某个固定的解题套路。接着干嘛了？我开始套用这个公式或者套路。但接着又发现这样行不通。于是我卡住了。
场景九：学习。
你要经常自己审视自己。你正在按照某种策略做一件事情，比如说使用某个方法学英语，你做着做着就会问自己：我有没有什么办法，能做得更好呢？我能不能再帮助自己一下？还有没有别的方法？可能你用了一阵儿每天背 20 个单词的方法，感觉这么学好像进步速度太慢，就主动改成了每天拿出专门的大块时间背 500 个单词的方法。你对方法很敏感，而不是一条道走到黑。
场景十：提问。
- 正常人：这题看不懂。
- 元认知大脑：解题步骤和分析过程有很多步，难道所有步骤全都看不懂？这是不可能的。一定是有某几个核心步骤想不明白，要具体到第n步。如这个题的xx选项，想要分析清楚，是不是需要弄明白步骤甲，然后按照xx方式去推算？但是我在第2步推算的时候，发现和答案不一样，那我到底哪一步想错了呢？
不同的提问，反应出来的是，前者习惯于一个思维模糊的状态，当他的思维很模糊的时候 ——体现在他的提问很模糊、并没有精确定位没掌握的知识点和分析过程 —— 他并不感觉难受，他是很可以接受这种状态的。
如果是一个求知欲极强、思维细致的人，他的大脑应该是有一种本能的 —— 一定要把这个没搞懂的东西搞懂。如果处于一种模糊的状态，连问题出在哪了也不知道，大脑是会感觉很不舒服、不爽的，这种不爽的感觉会引导着人去进一步聚焦，分析清楚问题到底出在哪了。
思维精细度高则意味着你的思考效率、效用更高，进一步意味着，你的这一次学习效率更高，你的改错是真正有用的。
像科学家一样思考 = 元认知 + 模式识别 + 机器学习
理工科的学习不是单纯的看时间长短，关键有没有思考，认真思考的话很快就能融会贯通。
因为理工科的赚钱方式是相同的，如生物和计算机专业的核心竞争力，是需要去一个大的市场大的企业里搞上10年研发。
而研发本质上也是有流程的，虽然超级重大的创新确实需要天赋，但其实很多创新都是流程积累。
就是你有经验，懂市场，在大公司干十年，做到顶尖，差不多就可以出来自己做了。
理工科赚大钱 → 大市场大企业研发 → 像科学家一样思考 → 发现题目特征和思维定式 → 元认知 + 模式识别 + 机器学习。
人从出生，就是在收集、整理、提炼、加工各种数据。
很多数据是相当隐秘的，不是长期处在某种特定场景的人是不可能收集大量相关数据形成这种“模式识别/机器学习”的。
模式识别——我已经被输入了某种固定的模型（学习别人的思维定式），我根据这个模型去做识别、判断、选择等等。
机器学习——我在茫无头绪中面对一个陌生的世界，自己慢慢摸索，逐渐形成了一些所谓的规律（自己总结题目中的特征和特征对应的方法），而这个规律是一种暂时的、不那么执着的规律，我要怀着谦卑之心，拿这种规律和模式去跟世界碰撞。如果我是对的，那就深化这种认知；如果我是错的，那就进行改进。然后，通过这种不断地迭代，不断地格物致知，我的认知能力会越来越强。
模式识别是演绎，机器学习是归纳。
演绎是已经有了一个成形的模型判断，再用这个判断去规范、衡量杂多的信息，然后找到某些信息，得出相关结论和作出某种预测。这种方法对于识别简单的信息是有用的，比如，在一堆几何图形里把三角形找出来，是很容易的，但在一堆人脸中找到唯一的那张脸的话，常常会错误百出。
机器学习的特点，在方法论上，它不是自上而下的，而是自下而上的。是不带成见和偏见吸纳大量数据的。它从大量的、非结构性、没有指向的数据当中，生成一些模式，然后再在大量的数据中寻找符合这个模式的东西。同时，这个过程不是一次性完成的，它是一个反复迭代的过程。
这个模式的形成和迭代是一个缓慢的、刻意的学习过程，而模式一旦形成，它的识别又是瞬时的、无意的、不假思索的。
关联到现实生活，不管是曾国藩识人，还是雌孔雀看到雄孔雀开屏的时候，马上判断对方适不适合作为交配的对象，或者福尔摩斯第一次看到华生的时候脱口而出“你是从阿富汗回来的”，这些过程当中都包含着两个要素：
- 事实，你眼前看到的这个事实；
- 故事，这个事实背后的故事。
“故事”是在特定的时间、场景，经过一个也许很漫长的过程形成的眼前的事实，而识别是从事实倒推到故事当中，或者说“从眼前的事实解码，还原成一个故事”——一方面，是还原过去的故事，另一方面，又是预测未来的故事——这仍然是一个“模式识别”的问题。
- 模式识别是一个结果，机器学习是一个过程；
- 模式识别是针对事实，机器学习是一个故事。
模式识别、机器学习的作用：解决综合性大题、寻找解题思路、举一反三、找到最直接的方法。
使用模式识别、机器学习的步骤：
① 需要做题（2个月300题），总结出每题的特征。
做题时脑袋默念，之所以使用XX方法，一定有XX特征。
② 寻找特征，就是寻找关键步骤
做对了，用这个方法是因为有什么特征？
做错了，我是怎么思考的写下来。再对比正确答案我卡在哪一步（关键步骤）？是缺失知识点，还是没学新的策略，还是会的策略没想到。
如果是会的策略没想到，要怎么改进呢？结构化分析，把问题形成的根本原因上拆解。
问题：怎么把200毫升的水装进100毫升的杯子？
结构化分析：从杯子、水、外部环境分析，被子容积小、水是液体不能压缩，地球环境有重力。
通常简单题目很容易看出特征，之所以不能举一反三，是因为这个题目混合了别的特征，还需要掌握别的方法。
使用模式识别，需要掌握三点：
- 掌握方法：显现方法直接记忆。隐性方法需要自己发掘，通过关键步骤逐行对比定义。
- 识别特征：一个方法的特征，要么来自条件，要么来自问题，要么中间步骤。条件特征可以直接识别，问题特征需要对比不同题目识别，中间步骤特征需要解题步骤逐行对比，不断对比，统计出一类特征。
③ 混合问题
题目不止一个特征，N个特征是考多个知识点的组合运用，那么需要拆解问题所有特征。
简单题目 = 特征1
复杂题目 = 特征1 + 特征2 + 特征3
④ 复杂问题，以推导逻辑链条为主
复杂问题的逻辑链条可能有10步，正常人只能推导3步。
- 顺推：1+9
- 倒推：1+8+1
- 模式识别：1+3+1+4+1
顺推+倒推，再寻找特征作为中间站相互联系，顺推+特征n+倒推形式。
这样就把10步的逻辑链条变成了3步左右。
⑤ 结构化总结题目模式
以特征为指标。
如一道题 = 特征1 + 特征2 + 特征3，我这题不会是因为只懂特征1、2，不会特征3，所以用不出刚学会的公式/解题思路，那我需要训练特征3。
阶梯式设计题目，特征由少到多，从单一到组合。
简单题目 = 特征1
中等题目 = 特征1 + 特征2
复杂题目 = 特征1 + 特征2 + 特征3
⑥ 关联学习
七个关联方向：
- 前向关联（和我以前学习的知识有什么联系）
- 后向关联（这个知识能延申出什么来）
⑦ 形成封闭域
题目无穷尽，但解题思路有限，掌握这个封闭域内所有解题思路。