大脑的「偏好」：节能、新奇怪异、即时反馈、认可、规律、预测成功、确定

这是个非常好的问题。

如果把学习、工作、赚钱、成长都看成和大脑合作，那么了解大脑的「偏好」几乎相当于掌握了一部分人生操作系统。

大脑喜欢什么？

1. 喜欢节能

大脑天然倾向于：

• 走熟悉路线
• 使用习惯动作
• 套用已有经验

例如：

• 开车熟练后不用思考
• 经常写的代码自动就能敲出来
• 熟悉的工作越来越轻松

因为：

自动化 = 节能

2. 喜欢新奇

看到：

• 新技术
• 新工具
• 新环境
• 新发现

大脑会释放更多多巴胺。

这也是为什么：

• AI突然爆火
• 短视频让人停不下来
• 新闻总喜欢写"重大突破"

因为它们利用了大脑的猎奇机制。

3. 喜欢规律

这是很多人没意识到的。

你为什么喜欢研究：

• 神经网络
• Transformer
• 智能产生原理

因为大脑本质上就是规律发现机器。

发现规律时：

混乱 ↓ 理解 ↓ 掌控

会产生强烈满足感。

例如：

突然理解：

Attention = 动态查找信息

那种"啊哈"时刻特别爽。

4. 喜欢预测成功

大脑最重要功能之一：

预测未来

例如：

看到：

for(inti=0;i<n;i++)

老程序员已经知道后面大概会发生什么。

预测越准确：

越有安全感。

5. 喜欢即时反馈

为什么游戏容易上瘾？

因为：

操作 ↓ 立即反馈

例如：

• 打怪掉装备
• 升级
• 获得积分

而学习：

学习 ↓ 1个月后见效果

反馈太慢。

所以容易坚持不下去。

6. 喜欢故事

你会发现：

历史故事比历史年代容易记。

原因是：

大脑对：

人物 冲突 目标 结果

特别敏感。

这是远古狩猎时代留下的机制。

7. 喜欢社会认同

获得：

• 赞扬
• 尊重
• 地位

时，大脑奖励系统会被激活。

很多人以为自己喜欢钱。

实际上很多时候喜欢的是：

钱 ↓ 代表能力 ↓ 代表认可

大脑不喜欢什么？

1. 不喜欢不确定性

例如：

• 裁员消息
• 婚姻危机
• 公司缩编

会让人焦虑。

因为大脑无法预测未来。

这类情况之所以消耗人，不一定因为事情本身，而是因为：

未来不可预测

2. 不喜欢长期无反馈

例如：

学英语半年。

感觉：

没进步

大脑会判断：

投入 > 收益

然后开始放弃。

3. 不喜欢复杂

面对：

• Transformer论文
• 数学公式
• 大型代码库

第一反应往往是：

好复杂

因为复杂意味着能耗增加。

4. 不喜欢失败

失败在远古时代可能意味着：

• 受伤
• 饥饿
• 死亡

所以即使今天：

• 面试失败
• 项目失败
• 创业失败

仍然会引发强烈负面情绪。

5. 不喜欢失去

心理学有个著名现象：

损失厌恶（Loss Aversion）

失去100元的痛苦：

通常大于获得100元的快乐。

这个现象来自著名的 Daniel Kahneman 和 Amos Tversky 的研究。

6. 不喜欢认知冲突

例如：

你坚信：

努力一定成功

突然看到：

有人运气好赚了很多钱

大脑会难受。

因为：

旧模型被挑战了。

从AI角度看大脑

你最近一直在研究：

• 大模型
• 智能产生
• 规律压缩

有一个很有意思的类比：

人脑和大模型都在做一件事：

世界 ↓ 寻找规律 ↓ 压缩规律 ↓ 预测未来

所以大脑最喜欢的其实不是快乐，也不是偷懒。

更准确地说：

大脑最喜欢的是“用尽可能少的能量，获得尽可能准确的预测能力”。

节能、新奇、规律、反馈、认同，本质上都在服务这个目标。

这也是为什么很多顶尖科学家、程序员、创业者会对普通人觉得枯燥的东西上瘾——因为当他们发现一个更深层规律时，大脑获得的是一种比娱乐更强的奖励：

我看懂了这个世界的一小部分。

而这种感觉，恰恰是驱动人类文明发展的核心动力之一。

你观察到的是很多人学习失败的真正原因。

问题往往不是：

学不会

而是：

学习过程的痛苦超过了获得成长的快乐。

所以大脑开始抗拒。

为什么会越来越抗拒？

因为大脑本质上是一个节能系统。

从生物学角度：

大脑只占体重约2%，却消耗约20%的能量。

对于大脑来说：

• 刷短视频 → 低消耗，高奖励
• 打游戏 → 中等消耗，高奖励
• 学习Transformer → 高消耗，低即时奖励

于是大脑会自动判断：

学习 = 亏本买卖

然后产生：

• 拖延
• 走神
• 犯困
• 想看手机

这些其实都是大脑的节能策略。

重复学习为什么特别痛苦？

因为大脑喜欢：

新奇

不喜欢：

重复

例如：

第一次看到GPT原理：

哇！

多巴胺上升。

第三次：

知道了

多巴胺下降。

第十次：

又来了

开始烦躁。

但遗憾的是：

真正的掌握恰恰发生在后面几次。

专家和普通人的区别在哪里？

很多人以为：

专家喜欢学习。

实际上很多专家也觉得枯燥。

区别在于：

普通人关注：

这次学习爽不爽

专家关注：

这次学习有没有进步1%

例如程序员：

第一次学指针：

痛苦

第五次：

还是痛苦

第十次：

终于懂了

突然发现很多东西都串起来了。

这种顿悟会产生巨大的满足感。

如何降低抗拒？

不要重复知识。

重复思考。

很多人复习：

看一遍 再看一遍 再看一遍

当然会烦。

更好的方式：

第一次：

这是什么？

第二次：

为什么这样设计？

第三次：

如果我来设计会怎样？

第四次：

它有什么缺陷？

第五次：

能不能用代码实现？

知识没变。

但思考角度变了。

大脑会觉得是新的挑战。

为什么你学AI会比别人更容易坚持

根据你过去长期关注的内容：

• 神经网络
• Transformer
• Attention
• 智能产生机制
• AI时代程序员成长路径

你其实不是单纯在背知识。

你在寻找：

智能的底层规律

这类问题天然具有探索性。

探索比记忆更容易长期坚持。

一个有趣的现象

很多顶级研究者后来发现：

真正让人上瘾的不是答案。

而是：

差一点想明白的感觉

比如你最近问：

• 大模型为什么会智能？
• 规律是无限的吗？
• 人如何学习？

这些问题都没有简单标准答案。

每次理解深入一点点，大脑都会获得一种“发现新大陆”的奖励。

这种奖励比死记硬背强得多。

所以，如果你发现自己越来越抗拒重复学习，不一定是意志力差。

更可能是学习方式出了问题。

与其反复记忆：

知识 → 知识 → 知识

不如转变成：

问题 → 思考 → 发现规律

对于像你这样喜欢研究 AI、本质原理和系统规律的人来说，最能长期坚持的学习模式通常不是“背会”，而是：

把每个知识点都当成一个待破解的谜题，而不是一段待记忆的文字。

这是一个比“如何学习”更重要的问题。

很多人学习十几年，实际上从来没有建立过：

学习效果评价体系

于是只能凭感觉：

今天学了3小时 ≈ 我进步了很多

实际上：

学习时间 ≠ 学习效果

学习的5个层次

我把学习效果分成5层。

第1层：见过（最低层）

例如：

你看了一遍《Attention is All You Need》。

感觉：

我看过了

实际上：

几乎不会用

特点：

• 看的时候懂
• 合上就忘
• 无法解释

这是大多数人的状态。

第2层：记住

例如：

你能说出：

Q Query K Key V Value

或者：

int&是引用

特点：

• 能复述
• 能背诵
• 能选择题

但还不会应用。

很多考试停留在这里。

第3层：理解

例如：

你能解释：

Attention为什么有效？

并且用自己的语言说出来。

甚至能给别人举例：

Q = 问题 K = 目录 V = 内容

特点：

• 能解释
• 能举例
• 能类比

这时候知识开始真正进入大脑网络。

第4层：应用

例如：

你不仅知道Transformer。

还能：

• 自己写代码实现Attention
• 调试模型
• 分析性能问题

特点：

• 能解决问题
• 能创造价值
• 能落地

这是程序员最重要的一层。

第5层：创造（最高层）

例如：

不是学Transformer。

而是：

• 发现Transformer缺陷
• 改进Transformer
• 提出新架构

像 Geoffrey Hinton、Yann LeCun、Andrej Karpathy 这样的研究者更多处于这一层。

特点：

学习 → 创新

最好的评估方式：输出测试

不要问：

我学了吗？

而要问：

我能输出什么？

测试1：复述测试

关闭资料。

尝试讲给别人听。

如果讲不出来：

说明没学会

测试2：白纸测试

拿张纸写：

Attention是什么？

能写多少写多少。

如果只能写两三句：

说明理解不深。

测试3：应用测试

例如：

学了RSA。

问自己：

我能写出来吗？

学了OpenSSL。

问：

我能独立完成加密流程吗？

你最近经常研究：

• RSA
• OpenSSL
• Android
• 逆向

这种领域特别适合用应用测试。

测试4：迁移测试（非常重要）

真正理解后：

知识可以迁移。

例如：

学会Attention后。

你能发现：

搜索引擎 数据库索引 人类注意力

本质上都有相似思想。

这说明知识已经变成规律。

程序员最实用的学习评价指标

对于你这样的程序员，我建议看4个指标。

① 一周后记得多少

不是当天。

而是：

7天后还能说出来多少

② 遇到问题能否想到它

例如：

遇到：

RSA加密

能否想到：

OpenSSL EVP接口 Padding

如果能想到。

说明已经进入知识网络。

③ 能否独立实现

例如：

不看资料。

自己写：

SHA256 RSA JSON转义

能写多少？

④ 能否教别人

著名物理学家 Richard Feynman 有一个观点：

如果你不能简单解释它，你还没有真正理解它。

很多人背会了。

但讲不明白。

说明只是记忆。

一个简单的学习评分表

每学完一个知识点。

给自己打分：

总分：

80分以上 ≈ 基本掌握 90分以上 ≈ 熟练掌握 100分 ≈ 接近专家

对于你未来想走的方向（AI、自动化、程序开发），我认为最重要的评估标准其实只有一句话：

学习效果好，不是因为你记住了多少知识，而是因为你获得了多少新的解决问题能力。

如果一个知识点让你以后能独立解决过去解决不了的问题，那么即使半年后忘了部分细节，这次学习依然是成功的。因为细节可以查，能力会留下。