【认知】如何系统性学习：从“媒介形态”聊到“DIKW 模型”

01.基于【二八原理󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮】的考虑

【二八原理】这个玩意儿真的非常具有普遍性，反映到书籍上也是如此。 　　

任何一个领域的书籍，真正能称作【精品】的只占非常小的比例。实际上，这个比例远远低于 20%！在一些比较大众化的领域，这个比例甚至可能会低于千分之一。 　　

为了进行“系统性学习”，你在挑选书籍时，一定要尽量确保自己看的书是【精品】。 　　

那么，如何才能更有效地找到【精品】捏？ 　　

我猜测很多读者会对这个问题感兴趣。但这是一个很大的话题，深入讨论的话需另写一篇单独的博文。

02.基于【多样化】的考虑

某些领域存在不同的“流派/学派”。 当你刚开始接触这个领域时，应该对主要的那几个“流派/学派”都有所了解。这样可以防止【以偏概全】。

另外，很多不同的“流派/学派”，会存在互相对立的观点/立场。你应该去了解双方的对立与分歧，然后就可以思考：为啥会有这些分歧？哪一边更有道理？……无形中帮你提升了【批判性思维】的能力。

请注意：这个能力很重要。

03.基于【写作风格】的考虑

不同的作者，会有不同的写作风格。 　　

如果你碰到某个比较难的领域，看了某一本“入门性读物”之后，还是一直没搞懂。我建议你：去看【另一个】作者写的相同题材的书。

有的人看其中一本觉得很吃力，但看另一本就茅塞顿开。

五、【费曼学习法】的应用

01.啥是“费曼学习法”？

这个学习法出自著名的理论物理学家理查德·费曼（“Richard Feynman”）。 　　

所谓的“费曼学习法”，如果用一个词来概括，就是【以教促学】。 　　

假设你正在学习某个领域，为了运用该方法，你不妨假想：要把该领域传授给另一个人，并且此人在该领域的基础很差（属于该领域的菜鸟）。 　　

前面我已经提到了：系统性学习涉及到【三种读物】。要运用“费曼学习法”，相当于强迫自己去写该领域某个分支的【通俗性读物】。

02.运用及反馈

在【理想情况】下，如果你已经对某个领域某个分支达到【完全掌握】的程度，那么你就可以比较轻松地写出该领域某个分支的【通俗性读物】，并且确实能让【外行人】看懂。 　　

反之，如果你的掌握程度还不够，可能会出现如下几种状况： 　　

状况1 　

完全不知道从何写起。

（注：这种情况最糟糕，多半说明你对这个领域还缺乏【系统性】的了解） 　　

状况2 　　

你在写这个【通俗性读物】的过程中，会经常地碰到“卡壳”。 　　

（注：说明你已经具备一定的系统性了解，“卡壳”是因为你还没完全【理顺】整个体系）。 　　

状况3 　　

你虽然很顺利地写出来，但【外行人】看不懂。 　　

（注：也就是说，你还无法做到足够的【深入浅出】）。 　　

出现上述这些状况之后，你需要采用相应的反馈措施： 　　

状况1的反馈 　　

前面说了，这种情况最糟糕。 　　

应对措施是：你需要把【入门性读物】重新再看一遍。 　　

状况2的反馈 　　

“卡壳”的环节，也就是你之前学习过程中【缺失】的环节（你的盲点）。 　　

显然，你需要重新强化这个环节。 　　

状况3的󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮反馈 　　

如果外行看不懂你写的“通俗读物”，你需要问对方，到底是哪个环节没搞明白。 　　

那个环节就是你的盲点。

03.我本人的例子

我一直在践行这种“费曼学习法”。作为一个的博主，这种学习法带来的另一个好处是【双赢】——我利用该学习法提升了个人能力，而众多的读者也能受益。何乐而不为 ？引申阅读： 《为啥我要做这个内容社群——动机的自我分析》后续更新。

04.“费曼学习法”的额外好处——【换位思考】

我发觉：大部分聊“费曼学习法”的文章都【没有】提及这个好处。

为了实践这种学习法，你需要把自己的视角切换到【菜鸟视角】。久而久之，你无形中强化了【换位思考】的能力。

【换位思考】这个能力很重要！

六、入门之后，如何在【不同分支】安排你的时间与精力？

有些领域比较复杂——在它的内部包含【很多】分支（子领域）；还有一些领域，虽然分支不多，但每个分支都具有很大的深度。

对上述这两种情况，如果你企图掌握【全部】分支，可能你的时间/精力不允许。这时候就需要作出某种【取舍】。

那么，该如何取舍捏？下面我从两个角度进行分析。

01.基础性

某个领域的不同分支，可能会存在相互的【依赖关系】。

在这种情况下，【被】依赖的分支处于更加基础、更加核心的地位。

举例——编程：

本文开头提到：写程序【至少】需要掌握：󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮编程语言的语法、标准库、第三方库。一般而言，“标准库 ＆ 第三方库”都要依赖“语法”；并且“第三方库”会依赖“标准库”。所以，从【基础性】的角度考察，“语法”比“标准库”更基础，“标准库”比“第三方库”更基础。

越是基础性的分支，你就越应该【重视】，以确保对它具有足够的掌握程度（理解程度）。

这其中的道理就如同“盖楼房”。对于多层的建筑物，上层的重量需要依靠下层来承载。越下面的楼层，对其“结构󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮力学”的要求就会越高。

02.实用性

这个比较好理解。 　　

如果某个分支属于【不】那么基础的“边缘性分支”，你是否需要投入足够时间/精力，取决于这个分支对你而言是否实用。 　　

另外，【兴趣】也󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮可以视作某种特殊的“实用”。 　　

如果你真正理解“兴趣”的奥妙及其带来的快乐，你就会明白——“基于兴趣的实用”比“基于功利的实用”更加实用。　　关于“兴趣”这个话题的进一步讨论，参见：《什么是【真正的】兴趣爱好？以及它有啥好处？》

03.基础性【重于】实用性

如今的社会风气太过于【急功近利】。导致很多人（尤其是年轻人）在学习的时候，只看“实用性”，而忽略了“基础性”。 　　

表面上看，这些人好像节省了一些学习时间，但他们因为基本功欠缺，反而【难以】在该领域达到足够高的 level。套用一个成语就是——【欲速则不达】。 　　

在前一个章节，我提到了“费曼学习法”。那些只注重“实用性”而忽视“基础性”的家伙，在运用这个“费曼学习法”的时候，就容易卡壳。 　　

注重【基础性】的另一个好处在于——越是基础的东西，越有可能【跨领域】。关于这点，我在后面的两个章节会细谈。

七、DIKW 模型（Data Information Knowledge Wisdom）

01.概述

这个模型，首先是作为【知识管理】的理论被提出来滴。后来经历了一些演变，衍生出一些略有不同的解读。本章节的讨论，更侧重于我本人的解读。

先看下面这张示意图，然后我分别说明：相邻层次之间的差异。

02.Data（数据）与 Information（信息）的区别

为了说明这两者的差别，我以“气象站”举例。

一般而言，每个城市󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮的不同区域都会架设百叶箱，里面的温度计会定期记录温度数值——每一个数值就是一个 data。

如果你把某个时间段所有的温度数值进行汇总，并进行一定的处理（比如：加权平均），就可以得到这个时间段的温度——这就是 information。

单个的 dat󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮a 其实没啥意义，informat󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮ion 才具有意义。当你在气象网站上查到当前的气温，这是 information 而不是 data。

03.Information（信息）与 Knowledge（知识）的区别

如果你汇总了某个城市连续多年的“每日气温”，那么你就可以大致得出一个结论：这个城市的气温是炎热还是寒冷，是否适宜居住。这个结论就可以算是 knowledge 啦。 　　

这两者的差别在于:

生命周期的长短 　　

information 的生命周期很短（短命），而 knowledge 的生命周期会比较长（长命）,类似“当日气温”这种 information，很快就会被淡忘（除了专󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮门研究气象的人，谁还会去关心多年前某一天的具体温度？） 　　

碎片化的程度 　　

information 不光是短命滴，而且是高度【碎片化】滴。相比之下，knowledge 就不那么碎片，而且 knowledge 还可以形成某种【体系】。 　　

关于 knowledge 的【体系】，可以参见《如何完善自己的知识结构》

一文中提到的【知识树】。 　　

在本文开头谈【媒介形态】的时候，我把社交网络说得很烂。根源在于——社交网络上的内容，绝大部分只是 information（短命且碎片）。很多人终日泡在其上，除了白白浪费时间，其实没啥收获。

04.Knowledge（知识）与 Wisdom（智慧）的区别

对于“DIKW 模型”前三者的差别，我单纯拿“气象站”就能说得很清楚，但要说清楚 knowledge 󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮与 wisdom 的差别，就需要多费点口水啦。 　　

WHAT、HOW、WHY 三部曲 　　

讨论 knowledge 与 wisdom 的差异，需要引出我经常唠叨的【WHAT、HOW、WHY 三部曲】。 　　

某些关于 DIKW 的理论认为：information 对应“WHAT 型问题”；knowledge 对应“HOW 型问题”；wisdom 对应“WHY 型问题”。

但我本人的理解，稍微有所不同（有点小分歧）。

差别在于：（我认为）knowledge 既包含 HOW 也包含 WHAT。

比如上述关于气温的例子。“某城市的气温是否宜人”，这显然属于“WHAT 型”，但又属于 knowledge 层面。 　　

如果“WHAT 型”既可以是 knowledge，也可以是 information，那么如何区分捏？（我认为）差别在于“问题的生命周期”。

如前所述，information 的生命周期很短，因此只能回答“短命的 WHAT 型问题”；而 knowledge 可以回答“长命的 WHAT 型问题”以及“所有的 HOW 型问题”。 　　

费了一番口水，终于聊到 wisdom 了。wisdom 对应于“WHY 型问题”。 　　

“WH󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮Y 型问题”的档次明显要【高于】另外两种类型的问题。如果你能回答某个领域某个分支的“WHY 型问题”，说明你【真正理解】了这个分支。 　　

说到这里，顺便分享一个经验： 　　

我干了十多年的管理工作，面试过很多程序员。在考察应聘者的技术能力时，通常喜欢问“WHY 型问题”。

有时候我会故意先抛出一两个“WHAT 型”或“HOW 型”的问题，但最终是为了引出一个“WHY 型问题”。 　　

为啥我如此偏爱这类问题捏？除了刚才提到的好处——对 WHY 型问题的回答，能看出对方是否【真正理解】某个领域；另一个好处是——“WHY 型问题”通常【没有】标准答案（所以，这类问题比较难作弊）。 　　

单一领域 VS 跨领域 　　

关于 knowledge 与 wisdom 的差异，还有一个就是“领域相关性”。 　　

通常而言，knowledge 附属于某个特定领域；而 wisdom 则不然——有些 wisdom 属于单一领域，还有一些则跨领域。显然，后一种 wisdom 比前一种更重要（更有价值）。 　　

对于这类【跨领域】的 wisdom，下面单独开一个章节。

八、【跨领域】的智慧（Wisdom）

为了说明【跨领域】的智慧，我举几个例子：

01.举例：间接路线战略

著名的军事理论家李德·哈特写了一本《战略论——间接路线》。这位老兄被誉为“军事理论教皇”，其影响力堪比卡尔·冯·克劳塞维茨。而此书又是他的【代表作】。

所以，这本书显然符合我前面章节提到了【二八原理】。

作者在书中介绍并分析了很多军事史的案例/战例——这些例子属于前面所说󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮的 knowledge； 最终，作者从这些历史上的例子，总结出【间接路线战略】的运用——这就属于前面所说 wisdom。

从表面上看，这个玩意儿属于“军事领域”。但实际上能运用到很多其它领域。

我再举一些更【远】的领域作为例子： 比如在下面这篇内容中，我聊到了“间接路线战略”在【投资/投机、企业竞争、个人职业生涯】等诸多方面的运用。 《为啥急功近利反而赚不到钱——给拜金主义者的忠告》

02.举例：无处不在的【熵】

【熵】这个玩意儿，英文叫做“entropy”。他是一个很典型的【跨领域】的例子。

什么是熵？通俗地说，就是指系统的无序程度（紊乱程度）。

A.热力学的熵

【熵】的概念最早出自于“热力学第二定律”。该定理有两种表述方式，分别出自两位科学大牛—— 克劳修斯（Rudolf Clausius）指出：对于某个【孤立】系统，热不能自发地从低温物体传到高温物体。

开尔文勋爵（Lord Kelvin）指出：对于某个【孤立】系统，不可能从单一热源吸热使之全部转化为做功，而不产生其它影响。

后来又出了一个科学大牛玻尔兹曼（Ludwig Boltzmann），他指出了热力学第二定律的【本质】是：对于孤立系统，其微观层面（微观粒子）的无序程度在不断增大。

可能某些同学会纳闷：我为啥要花这么多口水聊“热力学第二定律”？

从上面这三只大牛的不同表述，你会发现——前面两只大牛，他们的表述只停留在【表象】，而第三只大牛才真正道出了“熵”的【本质】。

一般来说，越接近【本质】，也就越接近 wisdom 层面。 （我费了很多口水聊热力学，就是为了引出上面加粗体的这句话）

B.信息论的熵

【熵】是“信息论”最核心的几个概念之一。

最早是数学大牛香农（Claude Shannon）建立了“信息熵”的理论——香农因此被誉为“信息论它爹”。 对“信息熵”的理解，有助于你理解 IT 领域的很多东东。

比如说：理解了熵，可以帮你理解“数据压缩”的原理。而理解了“数据压缩”的原理，你就能明白——真正随机的数据是【不可能】压缩滴。无论未来出现多么牛逼的压缩算法，也无法压缩完全随机的数据（关于这点，可以从数学上给出证明）。

C.密码学的熵——关于密钥生成

【熵】在密码学中也占据重要地位。 　　

比如说：密码学中的“密钥生成函数”需要引入【足够高】的熵，从而使得攻击者难以预测密钥的分布。 　　

在密码学的这个分支，熵成为某种【好】东西 🙂 　　

D.管理学的熵——大企业的僵化 　　

有很多优秀的初创公司，当它们发展到一定规模之后，就会出现这样那样的问题（弊端），变得僵化、失去活力。 　󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮　这里面当然有很多原因，而其中一个原因可以归咎于【熵增大】。 　　

当一家公司规模较小（只有几十个人）的时候，你要想让公司整体保持在【低熵】水平，还比较容易；但在规模扩张到几万人之后，再想保持原有的【低熵】水平就变得非常非常困难。 　　

从理论上讲，公司可以通过“换血”的方式，降低整体的熵。这很类似于热力学系统中，把“高熵”的物质移出系统，并移入“低熵”物质，以此来降低系统整体的熵。可惜的是——很多事情，从理论上讲很简单；而一旦应用到【实践】层面，就很难操作。

聊到这儿，想起某个 IT 大牛说过的名言： 　　

In theory, there is no difference between theory and practice. But in practice, there is. 　　

E.政治学的熵——官僚体制的僵化 　　

每一个政治实体，其政权都对应一个“体制”（官僚系统）。如同“公司”的情况——越庞大的官僚系统，要让整个系统保持在“低熵”水平就越困难。 　　

所以，越庞大的官僚系统，通常也就越僵化、越低效。 　　

F.宇宙学的熵——热寂 　　

宇宙本身可以视作【孤立】系统，因此也符合热力学第二定律。用某些物理学家或宇宙学家的话说——宇宙最终也将归于【热寂】。 　　

考虑到“宇宙学”是一个很小众的领域，感兴趣的读者应该很少。所以我就不展开讨论啦，在这里只推荐科幻大师阿西莫夫的一个󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮短篇《最后的问题》（注：阿西莫夫自己认为——这是他最好的一个短篇） 　　

用这个短篇作为本文的结尾，󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮顺便补充一下： 　　

很多人只知道阿西莫夫是科幻小说大师，但其实这家伙是【全才】——他一󠄐󠄹󠅀󠄪󠄢󠄡󠄦󠄞󠄧󠄣󠄞󠄢󠄡󠄦󠄞󠄥󠄠󠄬󠅒󠅢󠄟󠄮󠄐󠅅󠄹󠄴󠄪󠄾󠅟󠅤󠄐󠄼󠅟󠅗󠅙󠅞󠄬󠅒󠅢󠄟󠄮󠅄󠅙󠅝󠅕󠄪󠄡󠄧󠄤󠄨󠄦󠄠󠄧󠄠󠄤󠄨󠄬󠅒󠅢󠄟󠄮󠇙󠆈󠆯󠇗󠆄󠆈󠇘󠆞󠆢󠇘󠆞󠆔󠇗󠆏󠆕󠄬󠅒󠅢󠄟󠄮生出的书超过500本，涵盖的学科极为广泛。尤其是，他写了很多【科普读物】（“科普”属于我前面提到的“通俗性读物”）。显然，他很善于【系统性学习】。