最近看到一些有趣的分析和思考问题角度，简单的回忆并整理出来，希望对你们有所启发。
01
分析香港人为什么如此长寿？面对这个问题，很多人都从香港的饮食习惯和居住条件分析。比如香港地理位置优越，亚热带气候不冷也不热，特别适合居住。
这个观点看似很有道理，但调查发现世界上其他一些以健康老年人群体著称的地区环境与香港不同，有的地方凉爽，有的地方炎热。因此认为这个因素对长寿的影响较小。
比如“香港是亚热带气候，新加坡是热带气候，日本是温带气候。”
那么会不会是饮食健康？香港作为通往中国内地和亚洲其他地区的海陆通道，这使其更易获得新鲜的鱼类、水果和蔬菜。
但如果从历史的角度看，不管是在香港、地中海还是在日本，当强调饮食等因素时，必须注意到，人们一直都是这样吃的。那么他们为什么现在寿命变长呢？可见饮食健康也不是主要因素。
02
孩子身上的很多问题都是由基因和环境共同影响造成的，这其中包括不同基因之间的相互影响，环境与基因的相互影响和不同环境之间的相互影响。那么到底如何确定孩子身上的一些问题大部分是环境引起还是基因引起呢？学物理时候用到的“控制变量”思想就很有用：
如果一个问题主要是环境引起，那么不同环境下孩子的表现会不一样；
如果一个问题主要是基因引起，那么不同环境下孩子的表现会非常相似。
因此，我们可以观察孩子在家里、学校、商场、旅游地等不同地方的表现，如果某个问题在不同环境中的表现趋同，那么说明这个问题更多是基因引起的。
比如孩子挑食，如果孩子在学校、家里或夏令营都很挑食，那么说明孩子挑食的原因更多是基因在起作用。反之，则说明是环境引起。那么你完全不用担心你孩子的挑食问题，毕竟到了学校后他会吃很多。
但目前而言，很多科学家研究的结果显示，绝大部分孩子的行为50%由基因引起，50%由环境引起。如果完全是基因引起，我们确实无可奈何，所以找个优秀的人结婚，备孕期间保持好饮食，锻炼好身体等都是非常有必要的；
那么剩下的大部分行为我们都可以通过改变环境而改变相应的行为，没有人愿意被说服，只有当他们有了这方面想法的时候才可能被你的语言说。因此，当语言无法改变行为的时候，先改变环境，让他意识到问题的存在，之后的语言才会有作用。
综上，下次想纠正孩子某个行为的时候，试试改变环境吧~
03
如何找到培养创新者的方法？众所周知，创新者会是人工智能时代的最紧缺人才！创新者大致分为两种，一直是可以改变人生生活或世界经济的天才，比如乔布斯。这类创新需要很强的天赋，一般人很难达到。但还有一种创新却是普通人可以习得的：即解决问题的新方法和看待问题的新角度。
为了搞清楚第二种创新人才培养的方法，哈佛大学教育学院教授托尼瓦格调查了全世界几千个20多岁依靠创新成功的人。当然为了搞清楚什么样的教育才能培养出创新者，他也采访了这些创新者的老师和父母。
结果却让人大吃一惊，和大家很重视的家庭教育并没有关系，因为这些年轻人有的来自于单亲家庭、有的来自于离异家庭、有的父母很重视家庭教育、有的父母不管不顾......
和这些孩子的个人性格也没多大关系，因为这些年轻人有的外向，有的内向，有的急躁有的沉稳......
托尼瓦格拉在这2000人中找到了唯一的共同点——在学习过程中遇到了一位不拘一格的老师！这个老师和其他所有老师不同，用的也是完全不一样的授课方式。
因此，瓦格纳认为如果要培养适应未来的创新者，首先要培养出不拘一格的老师，那如何培养出不拘一格的老师？最好的办法就是创造一个完全不同的学校，比如以项目式学习为核心的高科科技高中。之后让毕业于这些学校的一部分选择老师这份职业。
当然，这个研究方法存在一定的局限性，瓦格纳没有研究那些不拘一格老师班里的其他孩子的未来表现，如果研究一下大概率的情况是：仅仅一部分成为创新者。根本原因在于复杂问题的影响因素存在彼此相互影响的情况，比如“性格+不拘一格的老师”、“家庭环境+父母收入+不拘一格的老师”等等。
但这个结论还是有一些价值的，就是不拘一格的老师对学生的重要性！其实，也挺好解释，根据“群体社会化理论”，对孩子影响最大的是同龄群体；对同龄群体影响最大的是班级文化；而老师是可以影响一个班级的文化的，所以创新的老师培养出创新的文化，创新的文化让一些孩子有了共同的想法和兴趣，他们在一起组成群体相互影响。
那么，我们发现，从结果推出原因并不难，难的在于从原因推出结果。这就是咨询师和企业家的区别：前者通过几个成功的案例，找出它们的共性，然后推出一些普试的方法。而且咨询师往往研究的案例并不是很多，所以得出的结论也不一定有足够的普适性。既然如此，验证一个咨询师靠不靠谱的原则就是看他是不是目睹或分析过足够多的案例。阿里巴巴首席战略官、湖畔大学校长曾鸣教授之所以战略分析让人佩服，原因就是从阿里巴巴工作这么多年下来看过了太多的企业成功和失败。
后者则是根据一些科学常识，利用低成本实验和快速迭代的研究方法从一两个假设入手，最终完成一个项目。出发前他们根本不清楚哪些因素会成为关键，哪些行动或决策能带来成功，因此他们总是不断地失败，然后根据反馈不断修正解决方案，最终成功。
04
什么方法能让印度的孩子更好地完成学业？目前全球慈善基因最大的问题不是经费不够，而是如何让慈善行为有效！全世界有钱人越来越多，而有钱人衡量自己成就的标准就是捐款数额，所以这些慈善基金并不缺钱。
那么问题就停留在了如何更好地解决贫困地区某一问题上，刚开始一些基金认为导致印度很多孩子成绩差的原因是这些学校很穷，没有足够的资源让孩子接受好的教育。于是这些机构就给这些学校购置很多新书、添置课桌椅、提供不错的食物。可这些行为并没有让更多的孩子成绩提升，换句话说：教育条件的提升对孩子成绩提升并没有帮助。
在这种情况下，有人把医学研究常用到的“随机对照双盲实验”引入了进来，于是他们开始多次试验。他们随机选择2所学校，并把每所学校平分成2组。给予其中一组英文原版课本，另一组没有任何东西。结果显示，给孩子英文原版课本对提高孩子成绩毫无帮助，甚至有些孩子因为看不懂英文而产生厌学情况。接着他们按照相同的方法，每次只提供一种设施或物资，最终他们发现对孩子成绩提升效果最显著的居然是“驱蚊液”。原来，印度本地蚊虫很多，很多孩子在蚊虫的叮咬下完全无法专心学习，自然成绩难以提升。
最终，这个基金很明智的只把这个方案扩展到了当地其他的学校，而不是全印度执行。毕竟印度不同地方的情况不一样，需要继续采用随机对照试验的思想，找到适合当地学校的最好办法。
这个方法再很多领域都有运用，比如互联网企业常用到的AB测试（也称灰度测试），当需要在两种方案中选择哪种方案能带来更多点击能的时候，会给予一部分用户A类型的界面，另外地部分用户B类型界面，最终看看哪个效果更好。
“随机对照实验”这个方法和以前研究方法不一样，物理或数学的目的都是搞清楚事物背后的原理或规律，然后来解释这个世界。而“随机对照试验”的目的仅仅是验证“某一假设是否成立”，也就是说它在乎的是解决问题而不是分析问题或找出规律。
这其实也是目前机器学习采用的思想——根据真实环境的结果，不断修正自身数学模型。最后，机器学习能够完美的解决一个问题，但它的数学模型已经复杂到人类看不懂的地步。
05
如何判断他人建议的可信度？知识付费时代，任何问题貌似都能找到一大堆专家回答你。你会时常听到这样的话：“我孩子成绩一直不好，自从上了这个辅导班孩子成绩立马提升了20分！”、“我以前表达能力很差，自从听了这个培训师的课，表达能力一下子提高很多”。。。
验证这些话可信度最好的方法就是“使结果具有统计学意义”——确保样本的数量足够大，比如1000个人上了辅导班提高成绩的有800人，那么我们就能得出结论，上辅导班能提高孩子成绩，可以让自己的孩子报名。
可问题是很多企业会故意杜撰信息，隐藏真实的统计数据。另外，世界变化太快，新事物总是以我们无法想象的速度出现，如果非要等到有就够多的统计数据验证新事物是否有效，很可能你已经失去了做事的好机会了。
那么如何在只能获取少量信息的情况下，判断一件事情的可信度呢？这就要借助概率论当作一个非常著名的公式了——“贝叶斯定理”。
P(A|B)=P(A)*P(B|A)/P(B)
A代表我们感兴趣的事件，比如“X培训班有用”，P（A）表示它发生的概率。B代表一个与之有关的事件，比如“邻居家孩子去了X培训班，孩子考试考了100分。”P(A|B)意思是在B发生的情况下，A发生的概率。类似的，P（B）表示B发生的概率，P（B|A）表示在A发生的情况下，B发生的概率。
贝叶斯定理最关键的思想是：当B发生以后，有了这个新的证据，我们对A的信念就需要做一个调整，从P（A）变成P（A|B）。你可以把A当成你对一般事情的理论预言，把B当成一次实验结果。有了新的实验结果，你就调整自己的理论预言。
现在我们就拿上辅导班的例子来解释下。我们要验证“上X辅导班能提高孩子成绩”这个假设。首先我们用基本概率公式，把P（B）展开成 P(B)=P(B|A)P(A)+P(B|A')P(A')，其中A'表示A的相反事件，也就是“X辅导班没用”，P（A'）=1-P（A）。
我们假设A代表“X培训班有用”，如果你只是半信半疑，那么P(A)=0.5；B代表“邻居家孩子去了X培训班，孩子考试考了100分。”，假设邻居对你说了实话，那么辅导班让邻居孩子成绩提升的概率大大提升，比如P(B丨A)=0.8；同时根据你对邻居孩子的了解，如果没有X辅导班帮助，他凭自己能力考100分的概率P(B丨A')=0.4，根据贝叶斯公式，P(B)=0.8x0.5+0.4×0.5=0.6。最终可以算出，P(A丨B)=0.5x0.8/0.6=0.8。
也就是说“X培训班有用”这件事的可信度从你原以为的50%上升到了现在的80%，这说明知道邻居家孩子这件事后，你是越来越相信X培训班是起作用的。如果再多几个妈妈告诉你自己孩子成绩提升都是因为X培训班，那么很快你就会完全相信“X培训班能提高孩子成绩”这件事了。这也是为什么那些老年人更容易被保健品广告忽悠的原因，因为他们能听到或看到很多吃保健品身体好的故事。
但世上没这么好的事，否则每个孩子都能考到清华北大了。突然另一个妈妈告诉告诉你，自己孩子上X培训班后成绩不仅没提升反而下降了，于是你就开始调整你的看法。根据之前的定义，A仍代表“X培训班有用”，P(A)=0.8；B则变成“上X培训班不能提高孩子成绩”，所以P(B丨A)不再是0.8，而应该是0.2。
P(B|A')=0.4，此时P(B)=0.2x0.8+0.4×0.2=0.24，最终可以算出P(A丨B)=0.8x0.2/0.24=0.67。
所以，因为一次不灵验的事件，你应该把你对“X培训班有效”的信念值从80%调低至67%。如果再碰到几个这样的无效案例，你就会彻底对这件事失去信心。
这就是贝叶斯定理的精髓——不断的动态调整我们的看法或态度，在经过一系列的事情证实后，就会形成比较稳定而正确的看法。
好了，介绍完了数学方面的枯燥内容，下面我们更进一步谈谈“贝叶斯定理”更广泛的意义。
1、如果我们对一件事情的信念值非常非常高，比如99.9%，那么再强有力的反面证据也很那扭转我们的信念：很多人迷信宗教，认为宗教能够给自己带来平安。那么即使不久他就生了一场大病，他不仅不会认为宗教没有用，反而会认为是自己心不诚，没有很好的完成宗教仪式。除非连续多次遇到这类反面事件，否则他的观念很难被改变；
2、如果我们对一件事情的信念值非常非常,低，比如0.05%，那么再强有力的正面证据也何难扭转我们的信念：比如你隔壁邻居小王小时候特别调皮捣蛋，成绩一塌糊涂，你对他的未来完全不看好。十几年后，你得知小王现在成为一个大企业的CEO，那么你一定会认为这小子运气太好，或者是做了一些见不得光的交易。除非小王后来有连续取得了多次成功，否则你对他的看法很难改变。
3、现实生活比数学世界复杂的多，我们可以用贝叶斯定理来解释一个著名的“预言自证效应”：我们认为一个人会很优秀，他就会越来越优秀。贝叶斯定理中的P（A）代表我们对一件事初步的看法，如果我们认为一个人很优秀，那么P（A）的值会很高。按理说，如果这个人多次表现不好，那么你对他的看法会慢慢变差！但人是复杂的，当他起初认为一个人优秀的时候，他会更多关注他身上表现出来的优点而不是缺点。这就意味着，你会发现这个人越来越优秀，毕竟每个人都有优点。之后你会给他更多的机会锻炼，最终让他越来越优秀。
当然，这也只能发生在我们明显能分辨什么是优秀的情况下，现实中一些父母完全失去了这样的分辨能力。把孩子很正常的一次表现误认为很优秀，从而对孩子的未来越来越自信，最终的结果是，孩子一次失败就认为是孩子不够努力，或者不够用心！而不是思考，是不是真的孩子能力不够。
总之，贝叶斯定理告诉我们必须时刻根据现实情况调整自己对他的看法，哪怕你刚开始对一件事情导致另一件事情发生极其不相信，这也没关系，经过几次事实的印证后，它会越来越接近于真相。
既然已经谈到了这里，我就再进一步：贝叶斯定理让我们决定相信一件事情，并且采取行动。比如我知道“X培训班确实能提高孩子成绩”，于是给自己孩子报名。很快你的孩子确实在下一次考试中取得了非常棒的成绩！那么这时候你一定会认为这个X培训班真的太棒了。
但也存在这么两个可能性：
①孩子学习有个自然规律，孩子在上这个X培训班的时间点正好是他以前积累过的知识爆发点。也就是说哪怕这个孩子不上X培训班，他也会成绩突然变得很好；
②这次考试的题目基本是以前做过的题目。
那有没有什么方法能鉴别到底是不是X培训班让自己孩子提高成绩呢？很难，毕竟除非你能在平行宇宙中观察孩子没上X培训班情况下的考试表现。
所以，成功的人往往不是最有能力的，而是最幸运的。
06
如何让你的方案被人接受？如果说女人的心情就像天气一样阴晴不定，那么甲方就是一群女人的集合体。乙方根据甲方的需求提交了很多次方案，可甲方往往都不满意。一次方案最终定稿可能已经被甲方改了几十次！
但有一种方法却可以明显的减少甲方修改的次数——遗传进化思想。
这种思想最初来自于进化论的“自然选择 适者生存”法则：为了适应环境，动物们生下的宝宝往往都带有一定程度的变异，那些能适应环境的变异动物活了下来，并通过交配把这个有效的变异传递给下一代。。。几代之后，动物将会完全适应了环境。
运用同样的思想，在提交方案的时候，可以同时提交多个方案，比如3个。然后让甲方评价每个方案的优缺点，把这三个方案的优点整合起来形成全新的方案，最后再根据甲方需求小步迭代了。
这种思想还有个与它相通的思想，就是工程师常用到的“先粗调后精调”：在确定好大方向之前，不要考虑细节，快步大走迅速找到方向。确定了方向之后，在关注细节，不断优化。
这个思想也可以用在研发产品上，有这么一个故事：联合利华为了优化洗衣粉制造的流程，需要设计一个全新的过滤器。他们先采用了专家思维，找了很多数学和工程方面的专家，让这些专家来计算出最优秀的过滤器。结果就是，这些数学家做了大量的分析计算和设计，但研发出来的过滤器相比于最初的并没有什么提升。
绝望下，联合利华由雇佣了一批生物学家团队，这些生物学家采用了遗传进化思想，一开始就直接设计十多个可能的解决方案，然后测试哪几个解决方案最好。之后在这几个解决方案的基础上再设计出十几个解决方案。。。以此类推，大概进行了8次这样的重复之后，他们设计出了一个完美的解决方案——一个他们不可能想到的解决方案。
这就是进化的魅力
