距离上一篇博文超过2周，可能某些读者会有点担心俺是不是出事了。
不过捏，俺上周还在评论区回复过读者留言；所以，这只是正常的【线上静默】。
再次重申：
俺有时候会随机性地静默一段时间。只要静默的时间跨度【不】超过2周（14天），都是很正常滴。
通过这种做法，可以让俺的“在线活动”尽量随机化——这有助于身份的隐匿性（如果你不理解这种做法的原因，请看这个系列的第9篇）
在6年前（2013），俺写过一篇《如何完善自己的知识结构》。今天这篇是对当年那篇的补充。
这两篇的【切入点】不同——当年那篇是从“知识结构”的角度来谈，而今天这篇是从“系统性学习”的角度来谈。
在本文的开篇，首先要简单介绍一下：什么是“系统性学习”。
俺曾经是一只“程序猿”，首先拿自己的老本行来举例。
当你想用某个编程语言来写软件，就需要【系统性】学习。
一般而言，你需要先掌握该编程语言的【语法】，然后还需要掌握该语言的【标准库】以及【第三方库】。
每个编程语言都有一大堆语法。如果你只掌握其中的某一个语法，是【不可能】用它来开发软件滴！
即使你完整掌握了编程语言的“语法”，如果不懂任何“标准库”或“第三方库”，你依然【无法】用它来开发软件。
即使你掌握了上述三样东西（语法、标准库、第三方库），要想写出比较优秀的软件，你还需要掌握“软件工程”相关的一些知识。
从这个例子可以看出——
要具备“软件开发”这个技能，你需要掌握某个【完整的】体系。而这就需要用到“系统性学习”。
“系统性学习”与其它学习方式的差别，就体现在这两个特点。只有同时具备了【广度】与【深度】，才有资格说你【系统性】掌握了这个领域。
关于这两个维度，俺在《如何完善自己的知识结构》一文中已经详细聊过过，此处不再重复。
“广度”与“深度”只是“系统性学习”的表观特征。“系统性学习”的最终目的是【真正的理解】。只有当你理解了某个领域，你才有可能去运用它。
当你要进行“学习”，必定要依赖某种【媒介】。比如“书籍”、“电视”、“报刊杂志”、“不同形式的网站”，这些都属于【媒介】。
俺在博客上不止一次提到某个重要的思想家马歇尔·麦克卢汉，以及他的代表作《理解媒介——论人的延伸》（Understanding Media——The Extensions of Man）。此书是传播学领域【划时代】的经典著作，贯穿此书的核心观点是【媒介即信息】（The medium is the message）。
在麦克卢汉之前，传播学的学者只是关注媒介【内容】对受众的影响；麦克卢汉这个大牛率先指出：媒介的【形式】非常重要（甚至可能比内容更重要）。
这个观点，俺已经在博文中聊过不止一次了。最详细的一次讨论是如下这篇博文，其中有一个章节叫做：
《为什么独立思考这么难？——谈谈心理学的成因，并分享俺的经验》
由于媒介的【形态】会直接影响你的认知，所以，在“系统化学习”的时候，你一定要选取【合适的】媒介。
一般而言，你想要掌握的领域越复杂、越艰深，则媒介【形态】的重要性就越明显。
为了说明书籍的【优势】，俺拿几种不同类型的网站（网络媒介）来对比
百科类网站
针对某个具体领域，这类网站具有“广度”的优势，但【不】具备“深度”。
举例：
俺的网盘上分享了纳西姆·塔勒布所写的“不确定性三部曲”（《随机致富的傻瓜》、《黑天鹅》、《反脆弱》）。这是三个大部头的著作。作者从“不确定性”这个主题进行展开，讨论了非常多的内涵。
但如果你去百科类网站查阅“不确定性”相关的条目，哪怕你查的是内容最丰富的“英文维基百科”，也只能看到一个简单的页面（其内容的丰富程度，当然比不上三个大部头著作）
问答类网站
这类网站与百科类相反。
某些问题的回答虽然可以写得非常深入，而且问题也可以遍及某个领域的各个分支。
但在问答类网站上，你【无法】把某个领域所有分支涉及的问题全都系统性地【汇总】出来。因此，（从实际操作而言）无法具备“广度”。
另外，虽然“问答类网站”在【深度】方面比“百科类网站”更强，但远远比不上书籍——某个问题的回答，哪怕写得再详尽，也无法与书籍相提并论。
社交类网站（SNS）
（注：此处所说的 SNS 包括“microblog ＆ IM”）
SNS 既没有广度，也没有深度。而且碎片化还很严重，信噪比也很差。
对【学习】而言，SNS 简直称得上一无是处 :(
论坛类网站
（类似 SNS）
视频类网站
最近几年开始流行“教学视频”，很多人拿它与书籍相提并论。
某些优秀的教学视频，确实可以兼具“广度”与“深度”。但“教学视频”本质上依然属于“视频”，因此必然带有视频的【缺点】。
关于【视频的缺点】，在《为什么独立思考这么难？——谈谈心理学的成因，并分享俺的经验》一文中详细讨论过。另外，俺在2年前（2017）还专门写过一篇《为啥俺很少看视频？——兼谈“视频”与“文本”在媒介方面的差异》。
基于上述的讨论——对于“系统化学习”，【书籍】是最好的媒介形态（没有之一）。
接下来的章节，俺只从【书籍】这个形态作进一步讨论。
对于“系统性学习”所涉及的读物，俺分为三类。
顾名思义，这类读物是针对【外行】。
为了达到【通俗】这个目标，这类读物【不会】包含专业术语，而且也【不】要求读者具备其它被依赖领域的知识。
举例——理论物理：
理论物理这个领域是高度依赖数学滴——比如在量子力学中处于核心地位的“薛定谔方程”属于数学中的“偏微分方程”；再比如“广义相对论”大量依赖“黎曼空间、微分几何、张量分析”这些数学工具......
但那些写得好的理论物理通俗读物，【不】需要读者具备相关的数学背景（也就是说，任何一个【门外汉】都能看懂通俗读物）
由于上述特点，“通俗性读物”【难以】具备深度。大部分的这类读物，既无“广度”也无“深度”；少数写得好的通俗性读物，可以做到一定的“广度”。
举例：
在俺分享的电子书清单中，对“心理学”、“经济学”、“哲学”分类之下，都单独开了一个【通俗读物】的子分类，里面放的就是这类书籍。
另外，
俺想推荐一下【牛津通识读本】这套书（相关的维基百科页面在“这里”）
该系列的洋文名称叫“Very Short Introductions series”（简称 VSI 系列），是牛津大学出版社（OUP）自1995年开始出版的一套【权威的】系列丛书。这套书的每一本都会对某个特定的主题进行【简洁而精炼】的介绍。每本书都由该领域公认的专家撰写，篇幅为100~150页，并包括进一步深度阅读的建议。
截止到目前（2019年3季度），VSI 已经出了600多本。在俺的网盘上已经分享了其中的几十本（有中文版，也有英文版）
一般而言，“初级教材”属于这类。
“入门性读物”与（刚才所说的）“通俗性读物”，一个很重要的区别就在于——“入门性读物”假定你已经具备了某些被依赖的其它领域的知识。
还以刚才的“理论物理”举例：
一本理论物理的入门读物（比如说教材），作者假定你已经具备了相应的数学基础。它的“入门”是针对“理论物理”而言，而【不】是针对“数学”而言。作者没有义务再去重新解释书中用到的那些数学工具。因此，缺乏数学基础的读者，如果去看理论物理的入门读物，看不了几页就要晕过去。
通过上述介绍，你可以看出——“通俗性读物”与“入门性读物”对知识结构的要求有很大不同。从而导致这两者的【门槛】有很大的不同。
“通俗性读物”与“入门性读物”的另一个差别在于“广度”（系统性）。
“通俗性读物”一般不具有“广度”（只有少数写得好的，才能具备一定的“广度”）。而“入门性读物”（尤其是教材）通常会具有【足够的】“广度”。
严格来讲，一本教材如果在“广度”方面阐述得不够，那这本教材就是失败滴。
“入门性读物”在“广度”方面是 OK 滴；但在“深度”方面，通常【不会】太深。
如果你希望在该领域的某个分支具备足够的深度，这时候需要去看“专题性读物”。
顾名思义，这类读物只针对某个很具体的分支。其追求的是“深度”而【不是】“广度”。
一般而言，“学术论文”通常属于此类；除了论文，还有一些专业书籍也属于这类。
为了直观，用一个表格汇总一下：
在俺开博的第一年，写过一个系列叫做《无处不在的二八原理》。【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？
俺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。
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。
顺便吐槽一下：
咱们天朝的政治教科书，基本上只谈“马列主义”；而欧美的政治教科书（比如俺分享了罗斯金的那本《政治科学》），就会介绍几种不同的意识形态流派，其中也包括“马列主义”。
为啥会有这样的差异捏？说到底，天朝的教育本质上就是【灌输式】，最终目的是为了【洗脑】。
（关于这点，俺已经吐槽过好几次了）
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。俺建议你：去看【另一个】作者写的相同题材的书。
举例——计算机算法：
如果你去看俺汇总的电子书清单，在【IT类 / 软件开发 / 算法与数据结构】这个分类目录下，俺同时分享了如下几本：
《算法导论》（Introduction to Algorithms）
《算法概论》（Algorithms）
《算法设计手册》（The Algorithm Design Manual）
这三本书都很经典，而且都是系统地介绍算法；但在“写作风格”及“内容组织”等方面，依然有很大差别。有的人看其中一本觉得很吃力，但看另一本就茅塞顿开。
这个学习法出自著名的理论物理学家理查德·费曼（洋名叫做“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）。
前面俺已经提到了：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】。
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。
看到这里，某些读者已经猜到——俺一直在践行这种“费曼学习法”。某些更聪明的读者，在俺还没写今天这篇的时候，就已经猜到了这点。
比如前几个月写了《扫盲“货币经济学”基本概念——从“利率”到“央行货币政策”》。然后某个读者就在这篇的评论区与俺聊起了“费曼学习法”。
作为一个喜欢写【原创】的博主，这种学习法带来的另一个好处是【双赢】——俺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：
《为啥俺要写这个博客——动机的自我分析》
俺发觉：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！有空的话，俺另写一篇博文聊这个话题。
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？下面俺从两个角度进行分析。
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。
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？》
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。套用咱们天朝的一个成语就是——【欲速则不达】。
在前一个章节，俺提到了“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，俺在后面的两个章节会细谈。
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，更侧重于俺本人的解读。
先看下面这张示意图，然后俺分别说明：相邻层次之间的差异。
为了说明这两者的差别，俺以“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 data 其实没啥意义，information 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。
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，俺把 SNS（社交网络）说得很烂。根源在于——SNS 上的内容，绝大部分只是 information（短命且碎片）。很多人终日泡在 SNS 上，除了白白浪费时间，其实没啥收获。
对于“DIKW 模型”前三者的差别，俺单纯拿“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，需要引出俺经常唠叨的【WHAT、HOW、WHY 三部曲】。
【有】技术背景的读者，可以看2009年初写的：
《学习技术的三部曲：WHAT、HOW、WHY》
（注：上述这篇写于开博之后第2个月，距今超过十年，但依然有很多读者去看这篇。这也就是刚才所说的“【长】生命周期”）
【没】技术背景的读者，可以看如下这篇：
《用提问来促进思维——兼谈【非】技术领域的 WHAT HOW WHY 三部曲》
给
你
一
柱
香
的
时
间
，
看
完
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”。英文维基百科关于 DIKW 的页面上（链接在“这里”），有一张图就是这么对应滴。
但俺本人的理解，稍微有所不同（有点小分歧）。差别在于：（俺认为）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？（俺认为）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”。
“WHY 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：
俺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”。有时候俺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”。
为啥俺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。
为了说明【跨领域】的智慧，俺举几个例子：
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，这本书显然符合俺前面章节提到了【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。比如前几个月，俺在博客评论区与读者聊到“中美贸易战”，就谈到了贸易战背后的“间接路线战略”。
如果你觉得“贸易战”与“军事”还是很相近，俺再举一些更【远】的领域作为例子：
比如在下面这篇博文中，俺聊到了“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》
【熵】这个玩意儿，洋文叫做“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）。
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：俺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。
（俺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）
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）。
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 :)
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：
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。
历史学的熵——治乱循环
天朝的古代史，大体上是朝代的循环史。史学家称之为“治乱循环”。
导致这种“治乱循环”的原因当然有很多，而其中一个原因在于“体制本身的崩溃”。
官僚系统一旦变得庞大，就会倾向于变得更加庞大。就如同掌握权力的人，通常就会渴望更多的权力。请注意：权力是很容易上瘾滴！关于这点，已经被无数的历史故事所验证。
一方面，官僚系统越大，就会越僵化、越低效；另一方面，官僚系统越大，消耗的社会资源就越多（请注意：官僚本身是【不】直接创造社会财富滴）到了每个朝代末年，“体制”被自身的重量压跨了。
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。所以俺就不展开讨论啦，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，还是蛮贴切滴 :)
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】——（根据维基百科的介绍）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”属于俺前面提到的“通俗性读物”）。显然，他很善于【系统性学习】。
俺博客上，和本文相关的帖子（需翻墙）：
《学习与人生——700篇博文之感悟》
《时间与人生——跨入本世纪20年代的随想》
《如何完善自己的知识结构》
《为什么独立思考这么难？——谈谈心理学的成因，并分享俺的经验》
《德鲁克谈【自我管理】——＜哈佛商业评论＞史上最受欢迎的文章》
《学习技术的三部曲：WHAT、HOW、WHY》
《用提问来促进思维——兼谈【非】技术领域的 WHAT HOW WHY 三部曲》
《什么是【真正的】兴趣爱好？以及它有啥好处？》
《为啥俺要写这个博客——动机的自我分析》
《为啥急功近利反而赚不到钱——给拜金主义者的忠告》
不过捏，俺上周还在评论区回复过读者留言；所以，这只是正常的【线上静默】。
再次重申：
俺有时候会随机性地静默一段时间。只要静默的时间跨度【不】超过2周（14天），都是很正常滴。
通过这种做法，可以让俺的“在线活动”尽量随机化——这有助于身份的隐匿性（如果你不理解这种做法的原因，请看这个系列的第9篇）
在6年前（2013），俺写过一篇《如何完善自己的知识结构》。今天这篇是对当年那篇的补充。
这两篇的【切入点】不同——当年那篇是从“知识结构”的角度来谈，而今天这篇是从“系统性学习”的角度来谈。
★何为“系统性学习”？
在本文的开篇，首先要简单介绍一下：什么是“系统性学习”。
◇举例：软件开发
俺曾经是一只“程序猿”，首先拿自己的老本行来举例。
当你想用某个编程语言来写软件，就需要【系统性】学习。
一般而言，你需要先掌握该编程语言的【语法】，然后还需要掌握该语言的【标准库】以及【第三方库】。
每个编程语言都有一大堆语法。如果你只掌握其中的某一个语法，是【不可能】用它来开发软件滴！
即使你完整掌握了编程语言的“语法”，如果不懂任何“标准库”或“第三方库”，你依然【无法】用它来开发软件。
即使你掌握了上述三样东西（语法、标准库、第三方库），要想写出比较优秀的软件，你还需要掌握“软件工程”相关的一些知识。
从这个例子可以看出——
要具备“软件开发”这个技能，你需要掌握某个【完整的】体系。而这就需要用到“系统性学习”。
◇“系统性学习”的两个特点——【广度】与【深度】
“系统性学习”与其它学习方式的差别，就体现在这两个特点。只有同时具备了【广度】与【深度】，才有资格说你【系统性】掌握了这个领域。
关于这两个维度，俺在《如何完善自己的知识结构》一文中已经详细聊过过，此处不再重复。
◇最终目标——真正的理解与运用
“广度”与“深度”只是“系统性学习”的表观特征。“系统性学习”的最终目的是【真正的理解】。只有当你理解了某个领域，你才有可能去运用它。
★【媒介形态】的选择
◇“媒介形态”及其【重要性】
当你要进行“学习”，必定要依赖某种【媒介】。比如“书籍”、“电视”、“报刊杂志”、“不同形式的网站”，这些都属于【媒介】。
俺在博客上不止一次提到某个重要的思想家马歇尔·麦克卢汉，以及他的代表作《理解媒介——论人的延伸》（Understanding Media——The Extensions of Man）。此书是传播学领域【划时代】的经典著作，贯穿此书的核心观点是【媒介即信息】（The medium is the message）。
在麦克卢汉之前，传播学的学者只是关注媒介【内容】对受众的影响；麦克卢汉这个大牛率先指出：媒介的【形式】非常重要（甚至可能比内容更重要）。
这个观点，俺已经在博文中聊过不止一次了。最详细的一次讨论是如下这篇博文，其中有一个章节叫做：
★如何提升思维能力——【媒介】的重要性，专门谈这个话题。
《为什么独立思考这么难？——谈谈心理学的成因，并分享俺的经验》
由于媒介的【形态】会直接影响你的认知，所以，在“系统化学习”的时候，你一定要选取【合适的】媒介。
一般而言，你想要掌握的领域越复杂、越艰深，则媒介【形态】的重要性就越明显。
◇对于“系统化学习”，书籍是【最好的】媒介形态
为了说明书籍的【优势】，俺拿几种不同类型的网站（网络媒介）来对比
百科类网站
针对某个具体领域，这类网站具有“广度”的优势，但【不】具备“深度”。
举例：
俺的网盘上分享了纳西姆·塔勒布所写的“不确定性三部曲”（《随机致富的傻瓜》、《黑天鹅》、《反脆弱》）。这是三个大部头的著作。作者从“不确定性”这个主题进行展开，讨论了非常多的内涵。
但如果你去百科类网站查阅“不确定性”相关的条目，哪怕你查的是内容最丰富的“英文维基百科”，也只能看到一个简单的页面（其内容的丰富程度，当然比不上三个大部头著作）
问答类网站
这类网站与百科类相反。
某些问题的回答虽然可以写得非常深入，而且问题也可以遍及某个领域的各个分支。
但在问答类网站上，你【无法】把某个领域所有分支涉及的问题全都系统性地【汇总】出来。因此，（从实际操作而言）无法具备“广度”。
另外，虽然“问答类网站”在【深度】方面比“百科类网站”更强，但远远比不上书籍——某个问题的回答，哪怕写得再详尽，也无法与书籍相提并论。
社交类网站（SNS）
（注：此处所说的 SNS 包括“microblog ＆ IM”）
SNS 既没有广度，也没有深度。而且碎片化还很严重，信噪比也很差。
对【学习】而言，SNS 简直称得上一无是处 :(
论坛类网站
（类似 SNS）
视频类网站
最近几年开始流行“教学视频”，很多人拿它与书籍相提并论。
某些优秀的教学视频，确实可以兼具“广度”与“深度”。但“教学视频”本质上依然属于“视频”，因此必然带有视频的【缺点】。
关于【视频的缺点】，在《为什么独立思考这么难？——谈谈心理学的成因，并分享俺的经验》一文中详细讨论过。另外，俺在2年前（2017）还专门写过一篇《为啥俺很少看视频？——兼谈“视频”与“文本”在媒介方面的差异》。
◇小结
基于上述的讨论——对于“系统化学习”，【书籍】是最好的媒介形态（没有之一）。
接下来的章节，俺只从【书籍】这个形态作进一步讨论。
★三种类型的读物：通俗性、入门性、专题性
对于“系统性学习”所涉及的读物，俺分为三类。
◇通俗性读物
顾名思义，这类读物是针对【外行】。
为了达到【通俗】这个目标，这类读物【不会】包含专业术语，而且也【不】要求读者具备其它被依赖领域的知识。
举例——理论物理：
理论物理这个领域是高度依赖数学滴——比如在量子力学中处于核心地位的“薛定谔方程”属于数学中的“偏微分方程”；再比如“广义相对论”大量依赖“黎曼空间、微分几何、张量分析”这些数学工具......
但那些写得好的理论物理通俗读物，【不】需要读者具备相关的数学背景（也就是说，任何一个【门外汉】都能看懂通俗读物）
由于上述特点，“通俗性读物”【难以】具备深度。大部分的这类读物，既无“广度”也无“深度”；少数写得好的通俗性读物，可以做到一定的“广度”。
举例：
在俺分享的电子书清单中，对“心理学”、“经济学”、“哲学”分类之下，都单独开了一个【通俗读物】的子分类，里面放的就是这类书籍。
另外，
俺想推荐一下【牛津通识读本】这套书（相关的维基百科页面在“这里”）
该系列的洋文名称叫“Very Short Introductions series”（简称 VSI 系列），是牛津大学出版社（OUP）自1995年开始出版的一套【权威的】系列丛书。这套书的每一本都会对某个特定的主题进行【简洁而精炼】的介绍。每本书都由该领域公认的专家撰写，篇幅为100~150页，并包括进一步深度阅读的建议。
截止到目前（2019年3季度），VSI 已经出了600多本。在俺的网盘上已经分享了其中的几十本（有中文版，也有英文版）
◇入门性读物
一般而言，“初级教材”属于这类。
“入门性读物”与（刚才所说的）“通俗性读物”，一个很重要的区别就在于——“入门性读物”假定你已经具备了某些被依赖的其它领域的知识。
还以刚才的“理论物理”举例：
一本理论物理的入门读物（比如说教材），作者假定你已经具备了相应的数学基础。它的“入门”是针对“理论物理”而言，而【不】是针对“数学”而言。作者没有义务再去重新解释书中用到的那些数学工具。因此，缺乏数学基础的读者，如果去看理论物理的入门读物，看不了几页就要晕过去。
通过上述介绍，你可以看出——“通俗性读物”与“入门性读物”对知识结构的要求有很大不同。从而导致这两者的【门槛】有很大的不同。
“通俗性读物”与“入门性读物”的另一个差别在于“广度”（系统性）。
“通俗性读物”一般不具有“广度”（只有少数写得好的，才能具备一定的“广度”）。而“入门性读物”（尤其是教材）通常会具有【足够的】“广度”。
严格来讲，一本教材如果在“广度”方面阐述得不够，那这本教材就是失败滴。
◇专题性读物
“入门性读物”在“广度”方面是 OK 滴；但在“深度”方面，通常【不会】太深。
如果你希望在该领域的某个分支具备足够的深度，这时候需要去看“专题性读物”。
顾名思义，这类读物只针对某个很具体的分支。其追求的是“深度”而【不是】“广度”。
一般而言，“学术论文”通常属于此类；除了论文，还有一些专业书籍也属于这类。
◇小结
为了直观，用一个表格汇总一下：
| 类型 | 广度 | 深度 | 门槛 |
|---|---|---|---|
| 通俗性读物 | 通常没啥广度； 少数优秀的，有一定的广度 | 没啥深度 | 很低 |
| 入门性读物 | 足够广 | 深度适中 | 取决于学科的类型 |
| 专题性读物 | 很窄 | 足够深 | 通常较高 |
★如何选择书籍？
◇基于【二八原理】的考虑
在俺开博的第一年，写过一个系列叫做《无处不在的二八原理》。【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？
俺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。
◇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。
顺便吐槽一下：
咱们天朝的政治教科书，基本上只谈“马列主义”；而欧美的政治教科书（比如俺分享了罗斯金的那本《政治科学》），就会介绍几种不同的意识形态流派，其中也包括“马列主义”。
为啥会有这样的差异捏？说到底，天朝的教育本质上就是【灌输式】，最终目的是为了【洗脑】。
（关于这点，俺已经吐槽过好几次了）
◇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。俺建议你：去看【另一个】作者写的相同题材的书。
举例——计算机算法：
如果你去看俺汇总的电子书清单，在【IT类 / 软件开发 / 算法与数据结构】这个分类目录下，俺同时分享了如下几本：
《算法导论》（Introduction to Algorithms）
《算法概论》（Algorithms）
《算法设计手册》（The Algorithm Design Manual）
这三本书都很经典，而且都是系统地介绍算法；但在“写作风格”及“内容组织”等方面，依然有很大差别。有的人看其中一本觉得很吃力，但看另一本就茅塞顿开。
★【费曼学习法】的应用
◇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（洋名叫做“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）。
前面俺已经提到了：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】。
◇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。
◇俺本人的例子
看到这里，某些读者已经猜到——俺一直在践行这种“费曼学习法”。某些更聪明的读者，在俺还没写今天这篇的时候，就已经猜到了这点。
比如前几个月写了《扫盲“货币经济学”基本概念——从“利率”到“央行货币政策”》。然后某个读者就在这篇的评论区与俺聊起了“费曼学习法”。
作为一个喜欢写【原创】的博主，这种学习法带来的另一个好处是【双赢】——俺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：
《为啥俺要写这个博客——动机的自我分析》
◇“费曼学习法”的额外好处——【换位思考】
俺发觉：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！有空的话，俺另写一篇博文聊这个话题。
★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？下面俺从两个角度进行分析。
◇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。
◇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？》
◇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。套用咱们天朝的一个成语就是——【欲速则不达】。
在前一个章节，俺提到了“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，俺在后面的两个章节会细谈。
★DIKW 模型（Data Information Knowledge Wisdom）
◇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，更侧重于俺本人的解读。
先看下面这张示意图，然后俺分别说明：相邻层次之间的差异。
◇Data（数据）与 Information（信息）的区别
为了说明这两者的差别，俺以“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 data 其实没啥意义，information 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。
◇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，俺把 SNS（社交网络）说得很烂。根源在于——SNS 上的内容，绝大部分只是 information（短命且碎片）。很多人终日泡在 SNS 上，除了白白浪费时间，其实没啥收获。
◇Knowledge（知识）与 Wisdom（智慧）的区别
对于“DIKW 模型”前三者的差别，俺单纯拿“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，需要引出俺经常唠叨的【WHAT、HOW、WHY 三部曲】。
【有】技术背景的读者，可以看2009年初写的：
《学习技术的三部曲：WHAT、HOW、WHY》
（注：上述这篇写于开博之后第2个月，距今超过十年，但依然有很多读者去看这篇。这也就是刚才所说的“【长】生命周期”）
【没】技术背景的读者，可以看如下这篇：
《用提问来促进思维——兼谈【非】技术领域的 WHAT HOW WHY 三部曲》
给
你
一
柱
香
的
时
间
，
看
完
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”。英文维基百科关于 DIKW 的页面上（链接在“这里”），有一张图就是这么对应滴。
但俺本人的理解，稍微有所不同（有点小分歧）。差别在于：（俺认为）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？（俺认为）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”。
“WHY 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：
俺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”。有时候俺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”。
为啥俺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。
★【跨领域】的智慧（Wisdom）
为了说明【跨领域】的智慧，俺举几个例子：
◇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，这本书显然符合俺前面章节提到了【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。比如前几个月，俺在博客评论区与读者聊到“中美贸易战”，就谈到了贸易战背后的“间接路线战略”。
如果你觉得“贸易战”与“军事”还是很相近，俺再举一些更【远】的领域作为例子：
比如在下面这篇博文中，俺聊到了“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》
◇举例：无处不在的【熵】
【熵】这个玩意儿，洋文叫做“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）。
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：俺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。
（俺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）
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）。
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 :)
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.
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。
历史学的熵——治乱循环
天朝的古代史，大体上是朝代的循环史。史学家称之为“治乱循环”。
导致这种“治乱循环”的原因当然有很多，而其中一个原因在于“体制本身的崩溃”。
官僚系统一旦变得庞大，就会倾向于变得更加庞大。就如同掌握权力的人，通常就会渴望更多的权力。请注意：权力是很容易上瘾滴！关于这点，已经被无数的历史故事所验证。
一方面，官僚系统越大，就会越僵化、越低效；另一方面，官僚系统越大，消耗的社会资源就越多（请注意：官僚本身是【不】直接创造社会财富滴）到了每个朝代末年，“体制”被自身的重量压跨了。
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。所以俺就不展开讨论啦，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，还是蛮贴切滴 :)
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】——（根据维基百科的介绍）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”属于俺前面提到的“通俗性读物”）。显然，他很善于【系统性学习】。
俺博客上，和本文相关的帖子（需翻墙）：
《学习与人生——700篇博文之感悟》
《时间与人生——跨入本世纪20年代的随想》
《如何完善自己的知识结构》
《为什么独立思考这么难？——谈谈心理学的成因，并分享俺的经验》
《德鲁克谈【自我管理】——＜哈佛商业评论＞史上最受欢迎的文章》
《学习技术的三部曲：WHAT、HOW、WHY》
《用提问来促进思维——兼谈【非】技术领域的 WHAT HOW WHY 三部曲》
《什么是【真正的】兴趣爱好？以及它有啥好处？》
《为啥俺要写这个博客——动机的自我分析》
《为啥急功近利反而赚不到钱——给拜金主义者的忠告》
版权声明
本博客所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：
https://program-think.blogspot.com/2019/10/Systematic-Learning.html
本博客所有的原创文章，作者皆保留版权。转载必须包含本声明，保持本文完整，并以超链接形式注明作者编程随想和本文原始地址：
https://program-think.blogspot.com/2019/10/Systematic-Learning.html
