好了，我们现在使用类比思维。
复杂性科学给我们带来的最大启示可以用一个类似公式的方式进行表达，那就是简单乘以迭代等于复杂，或者简单乘以迭代等于精彩。
又或者我们可以给这个公式加一点修饰，说极致的简单乘以无限的迭代，就会等于极度的复杂或者意外的精彩。
也就是说，我们可以把这个来自于复杂系统科学的公式，通过类比应用到生活的方方面面。
因为生活的方方面面确实又或者至少近似于复杂系统。
另外呢，需要说明一下迭代和重复之间的微妙差别。
迭代是递规地重复。
也就是说，每一次重复的时候，都是把上一次的输出结果当做这一次的输入。
你看啊你每天早晨晨跑用日常用语的话，那就是每天早上重复跑步过程。
然而呢，这个每天早上重复的跑步过程其实呢是迭代。
因为你每次跑步之前和跑步之后是有变化的，你更健康了嘛。
虽然的变化可能并不十分明显。
你第一天跑完之后，你第二天再次启动跑步过程的时候，这一次的输入就是上一次的输出，这个呢就叫递归的重复。
即所谓的迭代。
所谓的发展呢就是迭代简单，因为发展没有尽头，也没有最复杂，只有更复杂。
发展的过程呢很枯燥，因为他只不过是在迭代简单而已。
然而呢，发展的结果却很意外，越来越意外，发展的结果很精彩，越来越精彩。
可无论发展结果有多么复杂，多么意外，多么精彩，整个发展过程，只不过就是迭代简单。
时间呢是发展的唯一路径，时间呢不可或缺。
生活中的简单，经过大量的迭代，进而涌现出精彩的案例，几乎无所不在。
只不过在过去，我们在不知不觉当中被禁锢在一为因果世界里。
于是呢我们只关注只重视一对一的因果关系，于是呢竟然看不到那些房间里的大象。
我们举例来说，什么更重要，这是一个极为简单的问题。
但是呢你反复问就能找到什么最重要。
针对所有的问题，所有的方面随时都重复着去问这个简单的问题，其实是迭代嘛，到最后涌现出来的就是一个很重要且很复杂的东西，它叫做价值观。
그.
价值观呢肯定不是遗传的，也绝对不是一下子形成的，它只能是逐步发展出来的。
而这个发展过程就是在迭代简单，重复简单，任何时候都在反复问自己什么更重要，仅此而已。
又因为价值观是在发展的，所以他不可能是一成不变的东西。
如果你是被禁锢在一位因果世界的设计论者，那么你就会习惯于对未来设计一个系统。
然后呢，为了从起点到达终点，再顺着时间逆向策划，制定计划，然后执行计划，到最后呢，总是成功者寥寥。
如果你是父母，想要塑造子女的价值观，你作为设计论者，你会整理出一本厚厚的册子，然后详细阐述几百个方面，然后呢有用吗？
而后你的子女也被你教育成设计论者的话，那么他们更可能只是关注你那复杂册子里的东西，不管有用没用。
与此同时，对外部复杂世界视而不见。
再然后呢，你想想就知道了有多可怕。
그.
现在呢我们看到的是一个由时间贯穿发展的三维因果系统世界，也多少明白了复杂系统的本质。
于是呢我们通过类比思考，我们变成了发展论者。
一旦我们变成发展论者，一切都不一样了。
最终那么复杂的价值观，我们竟然只需要一个由5个字构成的简单问题，什么更重要，然后呢，就可以从零开始启动了。
经过不断的迭代，经由时间的发展，最终就会逐步形成一个实际上非常有效的价值观。
与此同时呢，这种做法由于简单，随以可行。
无论是你还是你的子女，都是一样的，对他们来说都一直有用，并且呢对他们来说肯定越来越有用。
到最后呢，这就是设计论者和发展论者有一个微妙且无法调和的不同之处，那就是面对未来的态度。
设计论者呢不能接受意外和不可想象，他们本质上需要一个确定的未来。
当然了，这从来都只能是一厢情愿吗？
反观发展论者，他们笃信的是发展的存在和发展的力量，而不是哪个确定的发展结果，未来总是不确定的，所以他就应该是不确定的。
所以呢上个世纪90年代哈，我们国家有一个口号叫发展是硬道理，其实是非常正确的。

第三部分的第二节课呢叫做发展。
在因果分析之中呢，时间这个被整个人类文明忽视了几千年的因素，一直在发挥着神奇甚至神秘的作用。
一经被发现，我们才意识到在过往的年代里，我们的思考有多么的狭隘。
幸亏呢人类已经造出了计算机，可以帮助自己去做过去无数人加在一起，耗尽终生都算不完的工作。
乃至于一个新兴的学科，在上个世纪80年代出现了，叫做复杂性科学。
science of complexity，专门去研究复杂系统。
事实上呢，我们从来都活在一个又一个的复杂系统之中，因为整个世界就是一个复杂系统。
而这个复杂系统里面的几乎每一样东西其实也都是复杂系统。
比如说我们的人体以及包括在我们人体之内的大脑。
科学家们的伟大之处在于说，他们当中的一部分人在完成了复杂且艰辛的研究之后，还会做科普，及用通俗易懂的方式向大众普及研究成果。
这复杂性科学的核心倒也很容易说清楚。
那就是极为简单的要素和规则，经过大量的迭代，就可能涌现出原本不可想象的复杂结果。
而这个过程呢就是发展的过程。
发展呢常常没有尽头，而在其过程中，时间是发展的唯一路径。
请你注意这里面的几个关键字啊，简单迭代涌现，不可想象复杂发展时间。
接下来呢我需要有一个程序的展示。
Yeah.
于是呢在此之前呢，需要你在电脑上安装一个软件，叫net logogo。
这是一个代理人机整合开发环境。
那下载地址呢比较长一些。
不过呢你可以通过截屏识别屏幕上的二维码找到这个下载地址。
不管你是windows还是mac OS，还是这个linux，都可以有专门的客户端下载。
你呢千万别担心，你也别害怕，我不是想让你写代码的，只不过是因为我将要讲到的例子，需要你点点鼠标而已，需要你去运行和程序观察一下程序的执行结果。
你只要有手指，有眼睛，有脑子就行了。
你也放心，下载和安装是不需要专业知识的。
以下呢是netlogo第一次运行的画面，它看起来很简陋。
在程序的菜单当中呢，找到file models library。
或者按快捷键哈，在windows里按的是control加M，在mac OS按的是command加M会挑出一个对话框，在左下角的搜索框里输入VANT就是V at。
然后呢对话框左侧的列表当中选择simle modelscomputer science V an，然后呢点击对话框，右下角的open按钮。
如此这般呢，n logogo的主窗口里，这个叫做V and的模型就被打开了。
需要你先点击一下左上角的 settingsttings按钮。
然后呢，在对话框里哈去掉wld raps horizontally和那个worl wraps vertically之前的对号，然后点击OK按钮关闭对话框。
然后呢，我们就回到了主程序框哈，再点一下程序界面左侧的set up按钮，然后点击一下forward的按钮，看看会发生什么。
另外呢，程序界面的上侧有一个滑块，可以让你啊在执行的过程当中随时调整执行步骤的更新速度。
好，我们现在开始来讲解哈这个模型呢全称叫做蓝盾蚂蚁lanance and是一个通用图灵机，由蓝盾呢在1986年创建，直到2000年才被证明为图灵完整。
他是这么设计的啊，在一个无限大的平面棋盘当中，当然了，在那logo里是1个50乘50的棋盘。
在任意一个格子里放置一只想象中的所谓蚂蚁，这个只能选择上下左右四个方向之一的蚂蚁呢，按照以下两条极为简单的规则移动。
这两条规则分别是第一条，如果它在白色的格子里的话，就将格子变成黑色，而后右转向前一步。
直到第二条满足。
第二条是如果它在黑色的格子里的话，就将格子变成白色，而后左转向前一步。
结束了规则如此简单，而后会发生什么呢？
接下来的发展呢可以分为三个阶段。
第一个阶段呢这叫简单。
在最初的几百步里呢，这是蚂蚁的足迹啊，会不断留下非常简单的对称图形。
到了第二个阶段呢，叫做混沌，就是几百步之后啊。
这只蚂蚁形成的痕迹逐步形成的是毫无规则可言的随机图形。
到了第三个阶段叫做秩序。
就是大约在一万步以后，秩序这个东西突然涌现，这只蚂蚁会重复一个由104步构成的图形，后来被人们戏称为高速公路，然后呢就永不停歇。
Yeah.
好，你可以重新点一下set up按钮，就可以恢复到起始状态，而后可以再次重新开始。
然后呢继续观察每一次的时候呢，那个所谓的高速公路的方向都可能不一样，但无论如何，那只蚂蚁都会最终朝着一个方向驰骋。
虽然每时每刻它都好像是在绕圈子而已。
看完这个例子之后呢，你再回顾一下之前提到的那几个关键字，简单迭代涌现，不可想象复杂。
而后再反复重复执行这个模型的过程里，再反复体会这几个关键字的意味。
我们可以说，因为最初那两个极其简单的规则，所以经过足够长的时间之后，那只蚂蚁终于找到了自己的方向。
但这里的关键在于说，谁都无法从一开始就能够精确预测到这样长的时间迭代之后，涌现出来的结果。
这就好像我们谁都无法提前想象地球上的生命，从那么简单的单细胞动物开始，仅靠分裂、复制、变异三个规则，在随后的几十1年间陆续涌现出那么丰富且那么千奇百怪的物种。

我们现在进入课程的第三部分。
第三部分的标题叫反璞。
当我们终于看到了曙光的时候呢，马上又沮丧的发现了一个事实，就是我们自己的大脑压根就不够用。
事实上呢，无论是在一维因果世界、二维因果网络世界，还是在三维因果系统世界里。
亦或是形式逻辑、非形式逻辑、统计概率、复杂系统等各个领域，普通人的大脑一直都不够用，从来就没够用过，那怎么办？
反普就可能是一个优势策略。
面对越来越复杂的世界及其理解，反过来去找更简单、更容易的东西作为工具。
第三部分的第一节呢是类壁。
约等于呢也是事物与事物之间的关系。
进而呢类比是个极为神奇的思考工具。
类比呢常常用来跨越已知和未知之间，那原本不可逾越的鸿沟。
为了理解陌生的X，我们需要找来一个格外熟悉的A，然后呢在X和A之间画一个约等号。
即X约等于A，而后呢借助A的种种与X类似的属性去理解X的各个方面。
我们从小呢就用类比学习的。
小时候老师为了帮我们理解地球的结构，会提醒我们先在脑子里想想鸡蛋鸡蛋什么样，大家都知道，然后说这地球的结构呢分为三层，就和鸡蛋一样。
最外面的地壳呢就好像是蛋壳，然后再向那一层呢就是地幔，就好像是蛋清，而这个地核呢就好像是不用说小朋友们的脑子里已经想到了，甚至。
喊了出来，就好像是蛋壳。
又过了几年呢，老师要帮助小朋友去理解原子内部的结构。
那上一次呢用鸡蛋结构类比地球结构的时候呢，是因为相对于我们地球太大了，所以我们没有办法直接用肉眼观测地球结构。
而这一次呢，相对于我们来说，原子又太小了。
于是我们还是没有办法直接用肉眼观测原子内部的结构怎么办呢？
老师会提醒我们，现在脑子里想想太阳系的结构，这个呢早就学过了，大家都熟悉。
然后呢，老师说原子内部呢和太阳系类似的。
在太阳系里有若干个行星绕着太阳转，那在原子内部呢，也有很多带着负电荷的电子，绕着带着正电荷的原子核转啊转。
这一下子小朋友们又都明白了。
精彩的类比啊事实上并不是很多，乃至于他们都值得收藏。
我自己呢就有专门的文件用来记录遇到过的精彩类比。
若干年来啊，我最喜欢的类笔有两个。
是教育呢，就好像是一副眼镜，戴上眼镜之前和戴上眼镜之后呢，我们其实身处同一个世界。
可是呢戴上眼镜之后啊，我们就可以将同样的世界看得更为清楚。
受教育之前和受教育之后呢，我们身处的还是同样的世界。
可是呢通过教育的透镜，我们就可以将同样的世界看得更清楚更透彻。
另外一个类比呢是说科学呢是由事实构成的，正如房子是由砖头构成的一样。
可是呢仅仅事实的罗列并不构成科学，正如我们绝对不会直接把一堆砖头称之为房子一样。
类比呢也是作者与读者、讲者与听众互动的最佳手段。
他显然并不需要形式上的一问一答，但会引发读者或者听众在脑子里主动思考和相互对话。
他们甚至暗自惊叹，果然如此，在作品里使用类比最频繁的人，我见过的可能就是钱钟书了。
从这个层面望过去，围城可以被算作是我成长过程当中遇到的最好的语文教材。
这本书里每一段都有精彩、精致的类比。
当然，类比的运用也有格外需要注意的地方，关键在于说X和A之间是约等号，而非等号。
若是把约等于混同于等于，那思考呢就会出现漏洞。
因为通过拿已知去类比并理解位知。
通常只能用来理解X的某个或者某些属性，而不是X本身或者全部。
毕竟它们只不过是局部类似嘛，而非完全相同。
也不可能全部类似5把约等于理解为等于会直接毁掉那座原本神奇的，可以从已知跨越到未知的桥梁。
是自己永远站在已知的那一侧，永无机会去探寻未知的另外一侧。
web2.
0刚刚崛起的时候，很多人就无法理解，给他们讲了半天，推特究竟是什么。
然后他们说哦，那我明白了，这不就是QQ签名吗。
web3.
0刚刚崛起的时候，很多人无法理解，给他们讲了半天，bitcoin究竟是什么。
然后他们说啊，我明白了，这不就是数字黄金吗。
日常生活当中，这种例子实在是太多了。
在此呢仅举这两例，这就是典型的把约等于误以为是等于而造成的理解障碍。
进而呢如此形成的障碍，往往是永远不可逾越的障碍。
类比呢还有一个用法，很少被人注意到。
原本呢为了理解陌生的X去找一个熟悉的A，现在呢可以反过来用。
拿着已知的A去寻找并比较已知类似的BCDE甚至X不管他们是否未知，然后呢就可以看到很多不一样的东西，引发很多不一样的思考。
最常用的场景是，当我们理解了一个道理之后，要继续问自己一个问题，这个道理还能用在什么地方呢？
你想啊很多道理是通用的，在这个领域适用，弄不好，在其他领域也适用，甚至干脆是通用的。
这个事实上极为简单的类比反向应用，甚至被人们称为一种难得的能力，叫做举一反三。
几何课上呢，老师在台上教我们说，两条直线要么相交，要么平行，而所谓的重合，只不过是零距离平行。
那我坐在下面发呆想，对哦，每个人的时间都是一条直线。
那么所谓的朋友就要一起走很远。
于是呢，除了距离之外，最关键的其实是相同的方向。
否则呢，即便曾经相交，也只是相交于一点而已，终将越来越远。
在物理克上呢学到过宇宙速度的概念。
说第一宇宙速度是7点8千米每秒，大到这个速度就可以绕轨道飞行。
而第二宇宙速度呢是11.
2千米每秒，这个速度呢就可以冲出地球的速缚。
第三宇宙速度呢是16.
7千米每秒，这个速度呢就可以飞出太阳系。
然后我就坐在下面发呆想，其实一个人的赚钱速度也可能差不多吧，得达到一定的速度才可以自给自足。
再达到一定更高的速度，才可以摆脱生活的束缚，然后需要再高的速度才可以想去哪儿就去哪儿。
那如何才能提高这个速度呢？
这个问题在随后的很多年里，我思考了很久很久。
同样是在物理课上呢，我学到了另外一个重要的人生道理之一。
老师给我们讲解牛顿的理论，说质量越大，引力越大。
那我就坐在下面发呆想，对哦，人与人之间的吸引力好像也是一回事啊，至少很像知识越多的人，吸引力越大。
知识的数量和质量果然很重要啊。
许多年后创业的时候，我想到的是化学课上学到的东西。
说要有特定且不同的元素，以各自可能不同的数量的组合，才能够形成特定的物质。
所以呢我想找人也是一样的。
首先要看需要做的是什么事儿，就好像是要组合出什么特定的物质一样，然后呢去找不同的人，就好像特定的元素一样。
然后呢，照特定的数量配置，就好像每种元素需要的数量不同一样。
最终呢再大的组织也不需要太多的结构，就好像天下再复杂的物质都是由相同的分子构成，而分子只有少量的元素构成一样。
之前呢我们提到流程优化的时候，提到过能并联的一定要并联，这也是一个类比的应用实例。
并联原本是物理克理研究电路的时候学到的概念。
举一反三是很重要的思考工具，其实就是类比嘛，它也有很多别的名称。
比如触类旁通，融汇贯通，文一之石，以为之助，文扬之马，推而广之等等等等。
具备这种能力的人呢，常常被描述为聪明有灵气，因为他们经常能够展示别人看不到的事物之间的联系。
所谓聪明灵气，这种词汇，及近于玄学，谁都说不清楚。
可如果穿过表象看透实质的话，不管叫啥都一样的，都无非是类比的反向应用。
即，这只不过是一种只要在意，只要肯学肯练肯攒，到最后谁都能掌握的一个小技能而已。

所谓的算法，顾名思义就是计算的方法。
那再进一步通俗化的话呢，就是一步一步怎么算而已。
其实呢也是一种流程。
人类史上呢迄今为止最重要、最具价值的算法，可能是200多年前一位牧师提出来的。
后来人们以他的名字命名的叫做贝耶斯定理。
当然了，贝叶斯本人呢可能并不同意哈这个以他名字命名的定理名称。
因为严格意义上来讲呢，贝耶斯只是证明了贝耶斯定理的一个特例，而拉普拉斯呢证明的是贝叶斯定理的一个更为普遍的版本。
并且呢将其应用于天体力学医学统计甚至法理之中。
遗憾的是啊，拉普拉斯认为这个定理几乎无关紧要。
与此同时呢，遗憾的是，贝耶斯呢只是一个小神父，而拉普拉斯是一个数学态斗。
于是呢拉普拉斯的看法影响了随后100多年的时间里，几乎所有的统计学家。
直到20世纪50年代快结树的时候，贝耶斯定尼才被重新发现，重新重视。
要到21世纪初的时候，才开始在各个领域全面启用，而后逐步发展成了今天的人工智能的终极算法。
虽然呢贝斯定立这个公式啊嗯理解难度并不是很高，但是呢也的确不是一看就懂的那种，他也并不存在于当前正在讲授的中学课本里，甚至呢绝大多数本科毕业生也对他一知半截，弄不好，仅仅听说过的人占比也实际上并不高。
无论哪个国家都是一样的。
这实在是在重要的知识上，认知分布差异极大的一个经典案例。
智商也好，积累也好，生产资料都相对有限的普通人。
比如说你和我常常可以选择捷净，这个捷径就叫囫囵吞枣。
虽然那证明过程我看不大懂，可如果那结论的确严肃且靠谱，那么我总可以把它拿来直接用吧。
事实上，我自己翻阅很多领域的科学论文的时候，的确经常这么干，反正也理解不了那证明过程，看完概要之后就直接跳到末尾去看结论，然后拿着结论去解决问题，你还别说，就这样轻松地解决了不少问题呢。
细想想，哪怕字面上的囫囵吞枣。
虽然缺了咀嚼的过程，少了品尝的滋味，甚至可能吞下了原本应该吐掉的枣核。
但从冲饥的角度来看，也的确相当管用。
在这里呢我们讲的不是概率课，现在也不是想马上深入研究人工智能主算法。
所以呢我们在这里先不管具体细节，就先囫囵吞枣的理解一下贝耶斯丁理究竟是干什么。
这句话呢，所有人都能看懂贝斯定理可以用新的证据修订并提高之前甲说的正确概率。
炮兵呢在战场上就在不由自主的应用贝耶斯定理，不管他自己是否知道贝耶斯定理这个词汇，或者换个说法。
炮兵在打击目标的过程就是贝耶斯推理过程。
当一个炮兵瞄准目标准备发射的时候，他就持有一个假说，他要熟悉自己的设备，他能够估算炮弹的轨迹，估算距离和风速的影响，确定炮筒的方向和角度。
这个假说有一定的成功概率，他很难做到直接做到百分之百准确。
第一发炮弹打过去，击中了目标，那就很好，可以说技术好，也可以说是运气好。
事实上，哪怕成功概率不超过一半，也有可能第一次就打中了。
可如果这一发没有打中的话，其实很正常。
但第一发炮弹落地的位置。
将会成为新的证据。
而这个新的证据将使这位炮兵改进自己的假说，即他会根据炮弹落地的位置。
调整这一次发射之前的炮筒方向和角度。
于是这一次的假说比上一次的假说成功概率更高。
在此之前啊，形式逻辑也好，非形式逻辑也好，统计概率也罢，事实上都是面向过去的。
而后一厢情愿的希望能够基于过去的数据在当下分析做出的结论，能够指导未来决策。
翻译过来差不多就是经过分析确定过去是因为这样，所以那样。
然后再下一步是多少一厢情愿的认为说，如果我现在这样，那么将来就会那样。
可问题在于说，如果我现在这样，那么将来就会那样，往往只不过是一个假说，而非确定。
有句话说的好，这世界唯一确定的就是不确定。
那问题在于，不确定总是藏在时间里，随着时间的推移，终将闪现。
那么等到他一出现的时候，一切都失灵了。
贝叶斯定理不一样，它的应用啊是面向未来的。
更为关键的是，贝叶斯推理过程可以递归迭代的使用。
什么叫递归迭贷？
我们后面会讲，现在需要理解的是贝叶斯推理过程啊，就是可以反复根据新的证据提高假说的正确率，直至这个正确率接近百分之百。
它只是一次性计算，且不见得可以递归迭代的使用。
突然之间呢，人类有了一个面向未来的因果推理工具。
贝斯定理呢可以不断用新的证据计算假说的正确概率。
也可以通过对假说进行调整，逐步达到更高的正确概率。
那换言之呢，人类终于有了一个工具，可以用来预测未来。
虽然那预测不可能一上来就百分之百准确。
但是呢他的确可以通过不断的迭代，逐步提高预测的准确率。
当然了，民众呢倾向于拒绝任何不确定性，这也是没办法的事儿，尤其试错的成本涉及金钱甚至生命的时候，在实际生活当中，回避不确定性，事实上的确能够躲避很多的危险，少承担很多的损失，这也是不可否认的事实。
久而久之呢，绝大多数人不仅回避不确定性，也养成了干脆拒绝对不确定性进行。
思考的习惯。
因为人们有限的实际经验表明，那不仅仅是浪费时间，并且呢总是危机四伏。
当然，更深层次的原因其实是我们的人脑够用。
我的意思是说，任何正常人类的大脑在使用贝叶斯定理去预测未来或者提高预测准确度的时候都不够用。
因为贝叶斯推理过程需要的不是一次运算，而是重步间歇的持续运算。
这只是第一个层面，再进一步，人脑就更不够用了。
因为需要计算的因素往往并不是这个公式里的两个，实际上是很多个。
那人脑怎么可能够用呢？
每多考虑一个因素，计算量级就几何基数上涨，仅凭人脑怎么可能够用吗？
万幸的是，今天的人们呢有了另外一个工具叫做计算机。
计算机无疑是人类史上最成功的仿生产品，飞机潜艇什么的，相对来看实在是弱爆了。
因为电脑仿生的是天下最复杂的器官人脑。
并且呢随着时间的推移，综合各种因素，计算机的硬件和软件持续发展，并逐步突破了各种限制。
比如说单台计算的运行速度和效率在持续提高的同时，他们的单位时间耗能却越来越低。
再比如分布式网络构成的集群工作能力越来越强的同时，电力成本在持续下降。
仰仗着持续提高的算力和持续降低的成本，人工智能在2023年突然爆发了。
人类进入了智能时代，用李向来的话来讲，那就是人类突然之间进入了暴力破解宇宙秘密的时代。

我们这一节课的标题叫未知。
人类思考的核心目标从一开始就没有变过的。
过去现在将来都是一样的，都是为了探索未知。
而其中很大一部分就是预测未来，为什么呢？
因为外部的宇宙当然充满了未知，内部的精神世界也同样充满了未知，但最大的未知来自于未来。
从愚昧时期的巫术到启蒙时期的宗教，到现代的科学，最主要的场景全都一样，都是为了预测未来。
若是反过来描述啊，嗯，可能更容易理解预测未来或者思考未来的重要性。
无关未来的思考，根本就不是真正的思考。
整个人类如此。
每个人当然也是如此，只不过绝大多数人只是因为无人提醒，所以从未做过真正的思考。
亚里士多德呢提出了三段论，奠定了形式逻辑的基础和地位。
历史上，形式逻辑曾经消失千年以上，然后被重新发现。
然后呢，要一直等到19世纪才被数理逻辑所取代。
在亚里士多德主导的。
逻辑时代里，人们仅有的推断工具，所谓的三段论是压根不考虑时间的。
比如这个三段论。
大前提是人都会死的，小前提是苏格拉底是人。
那结论呢百分之百正确，苏格拉底也会死。
三段论的局限呢有两个，首先呢它仅能从已知推导出已知，不可能推导出此前未知的结论。
也因此呢，其结论常常被人们戏学的称为说是逻辑严谨的废话。
更要命的局限是他无法处理不确定性。
我们来看看，如果大前提是大多数政客都会说谎，小前提是丘吉尔是政客。
那么请问结论能是什么呢？
结论是丘吉尔也会说谎吗？
这显然是百分之百符合三段论的结论，可问题在于说他有意义吗？
对于那些就想知道这次丘吉尔到底有没有说谎的人来说，这样的结论到底有什么意义呢？
在很长很长很长的一段时间里，人们手里除了亚里士多德的三段论之外，事实上没有更好的思考工具。
面对生活当中，普遍的不确定性，几乎只能靠赌。
等到帕斯卡和费马开始系统的研究概率论的时候，已经是17世纪了。
距离亚里士多德生活的年代都有2000多年了。
那至于概率论的普及嘛，还要更久的。
比如传入中国需要再过200年，大约是19世纪30年代，等到统一使用概率这个翻译的时候，都已经是1964年了。
中科医院编写数学名词补编的时候了。
面对形式逻辑的主要局限，即他没有办法处理不确定性。
人类一直在挣扎，但是呢千百年来就是无可奈何。
作为形式逻辑的补充，非形式逻辑要到20世纪70年代才出现。
1978年的时候，在加拿大温莎大学举行的首届国际非行式逻辑研讨会，被看成是标志着非行式逻辑作为一门哲学学科正式诞生的时刻。
那wikipedia上有个专门的页面叫谬物列表，值得关注，值得研究。
可以算作是思考的一扇大门。
这非形式逻辑呢当然非常有用，现在已经成了西方几乎所有大学里的新生必修课。
而我们今天常常听到的所谓的批判性思维。
crittical thinking实际上呢就是源自于非形式逻辑的崛起。
然而呢，他也有问题，什么问题啊，那却是不够严密，无法数学化。
普通人可能不会想到哈不能数学化有什么问题。
但是呢对科学家来说这很严重。
因为这个局限呢限制了思考的规模化。
就是没有办法批量计算嘛，无法大量计算嘛，无法自动计算，就是有计算机也用不上。
今天呢人们已经习惯了用数据进行统计而后分析。
然后呢得出结论之后，希望呢结论可以知道面向未来的决策。
这当然要比只有形式逻辑的年代更先进了，也比形式逻辑和非形式逻辑相辅相成的时代更为先进。
我们来看看数据呢是对已经发生的事实的抽象，拿过去的数据在当下做分析，而后指导未来的时候，成功概率有多高呢？
那肯定要比不做分析高。
可问题说那概率实际上真的不高，弄不好，常常不见得高于50%，甚至常常低于50%。
那还不如破硬币决定呢。
当然了，我不是说数理分析没有用哦。
在这里需要提醒的是，如果说大学里有什么学科应该是通识的那就是统计概率。
不要误以为他是理科生才需要的东西，无论是历史、经济、政治还是商业管理公共决策都是一样的。
只要想理解大量且复杂的事物，就需要深入分析。
没有扎实的统计概率基础就什么都干不了。
统计概率这个东西啊一定要认真学习，必须要勤于实践。
万一你自己已经错过了，那就一定要重新捡起来自学。
没学过，没学会，没学好的话就很吃亏。
哪怕有一天你去买股票，都会因此吃大亏。
与此同时呢，又毫不自知，根本不知道自己吃亏吃在哪里。
话说回来，到了20世纪末，21世纪初，我们常常误以为自己活在现代文明之中。
在此之前是常长的暗黑时代。
可事实上，到此为止，我们顶多走到了后半夜。
离哪怕所谓的黎明都还有相当长一段时间的距离。
真正可能可以用来探索未知预测未来的工具尚未全方位使用。