当别⼈犯错误，⽽你不犯销误时，你就赢了。

如果我们把⽬光放得⽐较长远，就会发现重视经验和传统的做法会更好。

理性主义的好处是能够找出世界的共性，因此它通常显示出很⾼的效率，特别是短时间内的效率。

最然依赖经验也会造成灾难，但通常是微⼩的、局部的，⽽绝对理性所造成的灾难则是巨⼤的、毁灭性的。

英国⼈更重视经验，强调⼈类理性的局限， 对世界的规律更有敬⾧之⼼。

其实经验不等同于经历。

第⼆个误区是把经验和资历混为⼀谈。

第三个误区就是把经验和传统看成是固定不变的，事实上，曾经有⽤的经验可能会在某个时刻变得⼀⽂不值。

第⼀种，失败的经历。

第⼆种，重复的经历。

第三种，⽆⽤的经历。

因此，减少⽆⽤的经历很重要。

硅⾕⼤公司在招聘员⼯时，会对那些在“上⼀代”信息技术企业中⼯作了⼗⼏年，甚⾄⼆⼗⼏年的⼈的经历打折计算，⽐如除以2，因为那些⼈通常做了很多事务性⼯作，⽽这些⼯作却很少能积累经验。

经历和经验的另⼀个巨⼤差别在于，经历是可以被动获得的，⼀个⼈不⽤动脑⼦，只要在社会上活者，就能产⽣经历，但是经验有时需要主动获取。

通过各种尝试和对⽐来主动获得经验的做法⾮常普遍， ⽽不仅局限在科学研究上。

如今关于提升认知的书⾮常多，很多⼈逐渐懂得⾃⼰的经 历不⾜以让⾃⼰有经验，因此会主动做⼀些事情，来弥补⾃⼰经验的不⾜。

论资排辈的做法，实际上是默认年龄⼤、经历多、地位⾼的⼈就更有经验、更有智慧，更能胜任⼀些岗位的⼯作，不过这种假设通常并不成⽴。

⼀⽅⾯，很多⼈的资历是混出来的，不是⼲出来的。

另⼀⽅⾯， 虽然⼀些⼈的资历和经验呈正相关，但⽆论是经验还是资历 都不能静态地去看待，因为它们会随着时间⽽贬值。

我们什么时候会信任⼀个⼈呢？当我们认定他有经验的时候。⾄于他的经历多还是少，其实我们很少关⼼，因为你不会去找⼀个年纪⼤却没有经验的⼈请教。

上⼀次成功更容易导致下⼀次成功，前⼀次失败更容易导致后⼀次的失败，这样的事情也很容易在⽣活中得到验证。

很多⼈把注意⼒放在总结失败的教训上，却忽駱了在⼀开始就要防⽌失败。

要想提⾼第⼀次尝试的成功率，就要严格遵循前⼈确定的步骤⼀步步来。

我发现这是⼀个⾮常好的做法，因为现代科学研究都很复杂，做成⼀件事要考態很多细节，⽽⼀个刚⼈⻔的新⼿通常想不到所有的⽅⾯，让学⽣先按照前⼈的做法做⼀適，有章可循，容易获得第⼀次成功。

⼀个失败的产品，背后的问题通常⽐我们想象的要多得多。因此当我们做事失败的时候，要想到可能存在很多问题，注意筛查，绝不是解决⼀个问题就能保证下次尝试⼀定会成功的。

觉得⾃⼰能⾏，通常就是不⾏。

⼈⼀辈⼦能做成⼏件事就好，不必太多，做了很多事都没有做成，反⽽是最失败的⼈⽣。

凡是做成功的事情， ⼀定是⾃⼰的⽔平和努⼒满⾜了成功的要求，同时得到了上天的眷顾。

那么如何排错或者复盘呢？要想尽可能⼀次性地把各种问题都找到，就要在做事的时候，每做⼀步都记录下结果，不能等到最后出了向题⼀次性算总账。

前⼈完成的⼯作和我们的任务之间可能有⼗个步骤或者⼗个要汽處的因素，不要⼗步⼀起做或者⼗个因素⼀起考虑，必须⼀步⼀步来，每做⼀步都要记录结果，最后出了错就很容易回潮，找到问题所在。

任何肯动脑思考的⼈，都应该明⽩失败是⼀个⼤概率事件，很多⼩问题都可能导致失败。失败不可能完全避免，但关键是失败之后要有办法很快找出所有原因。

常识是什么呢？常识是这个世界的轮廓，是对世界最简单、最易懂的描述。

那么常识会不会错呢？常识也会错，因为常识是来⾃过去的经验，过去的经验可能是错的，今天我们会有新的认识。

我们需要清楚，常识也是需要不断更新的，并且只要我们不断更新常识，就不会出现上述两种极端的情况，常识就会帮助我们解决主要的问题。

第⼀种情况，那些所谓的常识只不过是从有些经验中归纳出来的结果，这在科学上被称为不完全归纳。

因此，⼈们通过有限经验总结出的常识会有不准确的情况，也是很正常的事情。

那么更新的常识和反常识有什么区别呢？更新的常识能够解释以前常识可以解释的现象，也能解释⼀些过去常识解释不了的新的现象。

常识应该是我们思考问题的基础和起点，当常识不⾜以解决复杂问题时，我们才会寻找更复杂的理论、更复杂的⽅法去解决问题。任何没有被验证过的违反常识的新〝理论”， 都值得我们怀疑。

要想真正有效获取经验，就需要主动去做⼀些事情。很多⼈之所以成就⽐较⼤，和他们主动获取经验有关。

为什么美国的名牌⼤学在挑选学⽣时这么看重上述经历呢？因为能够获得上述经历的⼈都是在主动增加⾃⼰未来⽤得上的经验。

⼀个优势是主动性。

另⼀个优势是他们已经跑得⽐同龄⼈快了。

专家相⽐于常⼈，不在于他们 不犯错误，⽽在于他们是在科学试错，能够控制失败的次数和负⾯影响，⽽⼤部分⼈则是在盲⽬试错。

⾸先，重视反馈的作⽤。

到20世纪， 系统论的出现让⼈们彻底懂得，任何稳定的系统都需要反馈，没有反馈的系统就可能不断积累错误，最后偏离⽬标越来越远。

其次，任何科学试错都是⼀个渐进的过程，不是⼀步直接达到⽬标的。

每⼀次试错都离⽬标更近⼀步，也就是说，渐进的过程是收敏的，⽽不是发做的。

把经历有效地变成经验是⼀个⼤话题，没有⼀定之规， 各⼈有各⼈的⽅法，但是主动地、有⽬的地去获取经验，科学试错，删除过时的经验，对每⼀个⼈来讲都适⽤。

任何时候知道,怎样学习，都⽐学到的那点东西更有价值。

善于根据⽣活经验判断 对错，这是每⼀个⼈都有的做事习惯，但是凡事要拿逻辑再检验⼀遍，这是古希腊⼈独有的思维特点，⽽这个特点对科学发展⾄关重要。

《浮⼠德》揭示了⼀个真相，那就是很多问题并没有我们所期待的标准答案，因此即便耗尽⼀⽣求崇也得不到答案。

维特根斯坦认为，很多被⼈们讨论了上千年还没有答案的哲学问题，其实都源于⼀个错误的假设，就是万物都有所调的本质。

因此，维特根斯坦就⽤ “太初 有为”作为⾃⼰的座右铭，他认为⼀切的开端是⾏动，然后才是语⾔和思想。

换句话说，对于语⾔究竟能不能准确地表达⾏动这个问题，维特根斯坦的看法是否定的。

从这个例⼦再往前思考⼀步，维特根斯坦又告诉我们⼀个重要的结论——⼈类之间共识的重要性。

对于那些所谓的⽆解的哲学问题，并不是因为⼤家给出的答案不好，⽽是因为⼤家对这些问题的理解不⼀样， ⽆法取得共识，在这种情况下，就不要强求给出答案了。

因此，对于⽣活中那些不知道答案的问题，不需要纠结， 先⾏动起来就好。

因此，维特根斯坦认为，⼀个⼈理解了知识的标志不是能够 背诵这些知识，也不是能够把这些知识说给别⼈听，⽽是能够⽤好这些知识。

为什么呢？因为那些⼈最⼤的价值是他们⾏动的能⼒，⽽不是⼀开始就对各种复杂向题有了明确答案， 然后按照答案去⾏动。他们的经验⼤部分是事后对当时的⾏动给予的⼀个合理解释⾥了。

创业者要解决的问题都是以前没有答案的问题，否则就不需要创业了，⽽他们商业计划书给 出的答案，是⽆法反䀹他们当时对⼀些问题的见解的。投资的回报，从本质上讲，不是对考试分数的回报，⽽是对⾏动⼒的回报。

英国当代著名经济学家莱品内尔•罗宾斯对经济学 给出了经典的定义：经济学是⼀⻔科学，它研究的是如何将有限的具有不同⽤途的资源进⾏配置，来满⾜特定的⽬的。

⼀点呢？简单的回答是，根本做不到！ 经济学的难点在于三个⽅⾯。

⾸先，它⾯对的向题范围太⼤、变量太多。

其次，⼈的经济活动存在⾮理性的⼀⾯。

最后，进⾏经济学的实验⼏乎不可能。

因此，经济学从来不谈对错，只谈好坏， 甚⾄有时也很难对⽐好与坏，因为没有参照物，只能看是否有效果。

这也不是说学习那些理论或者动脑筋不重要，只是因为世界上单纯靠动脑筋能解决的问题其实很有限，⼤部分事情都太复杂，需要动⼿之后才知道如何解决。⽽且这些问题， 我们⽇常遇到问题的⼤多数。

⼈类在⼈⼯智能领城取得了重⼤突破，甚⾄在很多领城 ⼈⼯智能做得⽐⼈都好了，靠的就是⼤数据、计算能⼒和数学模型。

具体到三等分已知⾓，需要的理论基础不是⼏ 何学本⾝，⽽是近世代数；制造飞⾏器，不是要想办法快速 振动翅膀，⽽是通过翅脑的形状获得升⼒：类似地，⼈⼯智能不是模仿⼈的智能，⽽是从数据和计算能⼒⼈⼿解决问题。 也就是说，我们看到的向题是A，其实它的答案在B，⽽B要么之前还不存在，要么⼤家没有将它和⼈联系起来。

当然，还有⼀点需要注意，那些⻓期困扰⼈类的难题得到解决，是需要⻓时间等待的，也是需要运⽓的，因此，它们不能被解决是常态，被解决才是奇迹。

杜波伊斯指出，要做到教育的公平，⼤部分⼯作其实要花在教育之外，具体来讲，

就是要做到社会分⼯的公平，也就是职业的平等。

但重要的是，每个⼈都应该理解，不同的分⼯不意味者 ⼈有⾼低贵贱之分，⽽恰恰从事不同⼯作的⼈，在维持社会 运⾏和发展上都是有贡献的，都是平等的。

⼀个社会只有变得公平，只有社会⾥的每⼀个⼈都有尊严，教育不公平的问题才有可能真正得到解决。

当不得不去寻找相应的“空⽓动⼒学"原理时，我们应该有意识地跳出问题的本身，到更⾼的维度去寻找。

但是不论是先动⼿还是先动脑，要想 获得真知、获得理论，都需要经过纯粹的理性思考，⽽不能简单地靠经验的积累。

世界上还有⼀些问题虽然有答案，但是却在当前⼤众认知所⽆法触及的维度上。对此我们要么等待，要么必须超越问题的本身，到更⾼的维度中去寻找答案。