分而治之

1.1分而治之的做法

我们可以同时应用多个运动类知识，譬如某人可以边走路边聊天。 但意识在某一刻只能专注一个思考类问题，因此，在某一刻若无法从脑中搜索到能直接从输入得到输出的知识，问题就无法解决。

然而我们所掌握的知识又是有限的，这种直接从输入得到输出的知识往往会超过我们的知识范围。

应对办法可以是学习更多的知识。 但还有一个简单，却又无比强大的办法就是分而治之。 将问题拆分成，脑中存有的，能直接从输入得到输出的小问题来解决。

1.2 分治为何强大

你一定听过这个方法，但恐怕你并不知道它为什么如此强大。

原因在于，它可以将原本需要你掌握指数级知识量才能解决的问题，变成用线性级知识量就可以解决。

假设你只掌握了3 种知识，不考虑顺序，单从组合来看，就可以形成 7 种新知识。 如果不拆分问题，你需要掌握 7 种知识才能做解决这些问题，而有 20 种知识的时候，二者的差别就是 20 对 1048575。在编程时，所用到的知识远不止 20 个。

但其实人类天生习惯于搜索能直接从输入得到输出的知识，这也是新人在面对编程问题常常束手无策的原因，因为根本搜索不到。所以需要有意识地进行分而治之。

该原则适用于所有思考类知识。

不管是写文章，答数学题，还是解决工作中所面临的困难。

它直接决定了一个人解决问题的能力。

4+ 交叉学科

或许你会觉得这些内容很有道理，但如果我要告诉你，所有这些内容根本不是什么学习方法，而是机器学习中的理论呢？

接下来，我会把名词替换，虽然你可能并不知道机器学习中的这些名词，但本质都是一样的，不同的仅仅是，一个教人如何学习，一个教计算机如何学习。

学习观的内容并非作者原创，而是同时存在于哲学、心理学、神经科学、语言学、机器学习、科学建模、信息论中的内容，取了各学科中关于认识论的共性部分，重新整合而出的。

• 记忆与学习：对应着毛泽东在《实践论》所提到的「感性认识」和「理性认识」，以及机器学习和心理学中对「学习的定义」。

• 信息与知识：对应着香农对「信息的定义」和「科学模型」

• 两套系统：对应着心理学中的「意识系统」和「无意识系统」

• 输入和输出：对应着数学中的「自变量」和「因变量」，以及语言学中的「概念」与「命题」。

人工智能对教育最大的贡献，并非什么锦上添花的技术，而是可供我们日常学习参考的理论知识。

由于人工智能对于教育心理学提供了额外的参考系，并且在认识论部分存在「交叉共性部分」，可以帮助人们从众多的心理学理论中，筛选出更为可靠的理论。