因为人类的感知和认知能力是有限的，我们无法直接观察和理解世界的本质和真相 1。我们所看到的、听到的、感受到的，都是经过感官处理和大脑解读后形成的一种模型或表征。这个模型或表征并不是真实的世界本身，而是我们对真实世界的一种映射或理解。因此，我们所理解的世界都是建立在一定的模型之上的 1。这些模型可以是科学理论、哲学观念、文化传统等等。这些模型可以帮助我们更好地理解和解释世界，但同时也会存在一定的局限性和误差。因为不同的模型会强调不同的方面，而忽略其他方面。而且，随着科技和社会的发展，我们对世界的认识也会不断更新和改变，旧的模型可能会被新的模型所取代。

本书所讨论的模型可以分为三类：对世界进行简化的模型、用数学概率来类比的模型以及人工构造的探索性模型。无论哪一种形式，模型都必须是易处理的。模型必须足够简单，以便让我们可以在模型中应用逻辑推理。不应否认，任何理论的终极目标都是尽可能让不可简化的基本元素变得更加简单且更少，但也不能放弃对任何一个单一经验数据的充分阐释。—— 阿尔伯特・爱因斯坦利用多种多样的模型去应对复杂性。不拘泥于某个特定的角度，相反，透过多种不同的视角去观察世界。改善教育，减少贫困，实现可持续增长，在人工智能时代找到有意义的工作，管理好资源，设计出强大而稳健的金融、经济和政治体系。陀思妥耶夫斯基在《罪与罚》一书中所写的：“他们说，我们已经得知了事实。但事实不是一切，至少有一半的分歧就出在人们怎样利用事实上！” 人们通常认为，模型就是对世界的简化。是的，模型可以是对世界的简化，但是模型也可以采用类比的形式，或者，模型本身可能就是为探索思想和总结观点而构建的虚拟世界。要想成为一个有智慧的人，你必须拥有多个模型。而且，你必须将你的经验，无论是间接的，还是直接的，都放到构成这些模型的网格上。—— 查理・芒格（Charlie Munger）模型的 7 大用途：推理（reason）、解释（explain）、设计（design）、交流（communicate）、行动（act）、预测（predict）和探索（explore）。这些用途的首字母，构成了一个缩略词 “REDCAPE”。这个缩略词的字面含义为 “红色披风”，提醒我们：多模型思维可以赋予我们强大的力量。选择取决于用途：在预测时，我们经常需要大模型；而在解释时，小模型则更好一些。一方面，最优行为可能是一种不切实际的假设，特别是在复杂情况下；另一方面，如果一个系统产生了稳定的结果，而且某个人可以采取更好的行动，那么这个人很可能会找到这种更好的选择。均值的标准差公式表明，大的总体的标准差要比小的总体的标准差低得多。由此可以推断，在小的群体中应该会观察到更多的好事和更多的坏事。每个基本定律都有例外，但是你仍然需要定律，否则你所拥有的只是毫无意义的观察。那不是科学，只是做笔记。—— 杰弗里・韦斯特（Geoffrey West）你的价值不在于你知道了什么，而在于你能够分享什么。—— 罗睿兰（Ginni Rometty）如果我们希望提高在复杂世界中推理、解释和行动的能力，就需要更深入地研究非线性现象。一个人可以养成的最重要的习惯就是对继续学习的渴望。—— 约翰・杜威（John Dewey）

纵然模型数据丰富，但要从自身意识改变开始。

本书对于我来讲，是一部很难读，理解不透彻，未完全读懂字面意思的书。虽然难读，但是还是花了大量时间坚持读下来了，今后还要再读几遍。本书主要是讲了抽象模型的作用、意义和前人总结出来的 20 多种经典模型，非常开脑、健脑、强脑，值得多读。

为了建立多变量模型的直觉，我们将成功建模为技能和运气的线性函数。本章的结尾部分，我们将总结如何依靠数据和回归指导行动、减少错误，但是这样做也可能会导致边际行为，进而导致保守的行为。确实，“唯大系数论” 思维可能会扼杀创新。为了确定更多的创新项，我们可能需要考虑构建其他更具推测性的模型。

这翻译的功夫差太远 看原版去了 啥叫一种可能的彩票形式？写出来的话自己要斟酌一下吧 句子粗燥表意不清

数学建模太厉害了。认识世界少不了数学。

大数据时代，海量数据充斥生活，但许多人早已被大数据裹挟，陷入只看数据、不懂思考的误区。有了数据还远远不够，我们还要懂得如何让数据告诉我们信息，懂得如何从信息中总结出知识。世界是多元且复杂的，单一思维永远无法看透事物全貌。任何单一模型都是对现实世界的片面简化，仅能适配特定场景、凸显单一维度。即便是牛顿提出的定律，也只在特定条件下成立，所有模型概莫能外。简言之，单一模型必有局限，多模型融合思考，才能贴近真相、看清本质。奥卡姆剃刀原则倡导 “如无必要，勿增实体”，主张处事力求简洁。爱因斯坦则把 “奥卡姆剃刀” 原则进一步阐释为：事情应该力求尽可能简单，但是不可过于简单化。不要以为在土里插个温度计，就可以测量整个地球的温度了。多模型思维的本质，是敬畏并承认世界的复杂性。身处信息繁杂的时代，我们唯有摒弃片面固化的单一思维，用多模型、多维度审视问题、剖析事物，才能跳出认知局限，穿透表象迷雾，形成客观、全面、精准的判断力。

直接把我拉到一个更高的视角去认识世界：真正厉害的人，从来不用单一模型思考问题。大多数人读思维类的书，是想找 "那个最厉害的模型"。但这本书一上来就告诉你，没有万能模型。你得在脑子里装一堆模型，遇到问题时挑着用、组合着用 —— 这才是它最值钱的地方。这书很适合蒸馏一个 skill，让 AI 开始自己搭工具了，这个转变比记住多少个具体模型重要得多。

模型无处不在，模型思维无往而不利！因此，我们要学做一个多模型思考者，让思考由表及里，由内而外，由浅入深，将散落的知识碎片凝聚在一个体系框架内，这便是模型的意义。当然，模型需要抽象，抽象的本质在于尽可能地提炼关键要素，同时让每一个要素充分表达意义；模型也依赖数据和信息，数据是客观世界的载体，信息是数据的归类与集合，当信息和数据建立逻辑关联和组合加工便形成了知识，而智慧则是对所有知识的调取和组织。透过此书，我会更愿意让自己成为一个模型组装员，将各类智慧胶囊进行装配、拆解，基于实际场景和需要定制出一个最佳的动态模型，帮助我们理解和传递有效信息。

最终影响了学习兴趣，可能还是自己的底子比较差，阅读这类公式太多的书过于吃力

太难读了，很多地方都看不明白，就好像学书法一样，谋篇布局，间架结构都搞不懂，最多能看出一两个笔画挺好看😁

熵是用来度量与结果的概率分布相关的不确定性的。熵在数学上等于概率与它们的对数之和的相反数。

除了我们自身的感官，我们又多了一种认识世界的方法

它彻底改变了我的思维方式。在这本书中不仅详细阐述了模型思维的概念、方法和应用，还通过生动的实例和案例，向我展示了模型思维的强大力量。阅读这本书，我仿佛打开了一扇通往新思维世界的大门，对模型思维有了全新的认识和理解。首先，这本书让我深刻理解了模型思维的定义和内涵。模型思维，简单来说，就是基于模型进行思考的方法。它通过对现实世界的简化、抽象和模拟，帮助我们更好地理解复杂的现象和问题。在阅读这本书之前，我对模型思维的理解仅限于表面，但佩奇通过生动的案例和深入的分析，让我明白了模型思维的核心在于构建模型，通过对模型的运用和分析，我们可以更加深入地认识事物的本质和规律，从而做出更加明智的决策。其次，这本书详细介绍了模型思维的方法和技巧，让我受益匪浅。这本书通过大量的实例和案例，展示了如何构建和应用模型。强调了模型的选择和构建的重要性，并指出模型的选择应该根据问题的性质和目标来决定。此外，他还介绍了模型的评估和优化方法，以及如何将模型应用于实际问题中。这些方法和技巧对于我来说具有重要的指导意义，可以帮助我更好地运用模型思维解决实际问题。再次，本书全面展示了模型思维在各种领域的应用，让我对模型思维的广泛适用性有了全新的认识。在书中，通过大量的实例和案例，展示了模型思维在经济、管理、心理、社会等领域的应用。例如，在经济学领域，模型思维可以帮助我们更好地理解市场机制和经济增长；在管理学领域，模型思维可以帮助我们优化决策过程和提高组织效率；在心理和社会领域，模型思维可以帮助我们理解个体行为和社会现象。这些应用案例不仅展示了模型思维的广泛适用性，也为我提供了丰富的启示和借鉴。最后，这本书还讨论了模型思维的局限性和挑战，让我对模型思维有了更加全面和深入的理解。虽然模型思维具有强大的功能和广泛的应用前景，但它也存在一些局限性和挑战。例如，模型思维的准确性受到模型选择和构建的影响，模型的过度简化和错误假设可能导致错误的结论和决策。因此，在运用模型思维时，我需要保持谨慎和批判性思维，不断评估和优化模型，以提高其准确性和可靠性。总的来说，这是一本极具启发性的书，它不仅让我对模型思维有了全新的认识和理解，还为我提供了一种全新的思考方式。我相信，通过运用模型思维，我将能够更好地理解和解决实际问题，提高自己的思考能力和决策水平。

终于读完了这本看不懂又好看的书