Posts

Category

文章索引

原本這個部落格存在的目的僅僅是為了沉澱一些心得、紀錄我覺得重要的事情和保存年輕時的回憶與思想。沒想到寫著寫著發現不少文章的瀏覽次數出乎意料的高,也讓我意識到我的想法可能在不知不覺中影響著許多素不相識的人。

所以基於「可能有人在看」的前提下,我決定將文章分門別類後做一個索引,讓大家方便查詢。每個分類索引中的文章由上到下是按照寫作時間由最舊到最新排序。

部分文章我有同步發佈在 medium 的板上,有興趣歡迎參考我的 medium 連結:Sheracaolity

《孫子兵法》完全解讀

Image
《孫子兵法》是中國最著名的軍事著作,我雖已久聞其名,卻一直沒什麼機緣研究這個號稱史上最強的上古兵書。直到之前在書店看見一本《華杉講透孫子兵法》,覺得內容寫得很有意思,便買下來帶回部隊裡看,用它打發退伍前的最後幾個禮拜。
以前我對《孫子兵法》的內容可以說近乎一無所知,甚至曾以為它是一本打仗時拿在手邊查閱戰術的工具書。細讀了這本華杉的解讀本後,才發覺它是一套完整的、關於競爭的哲學思考框架,看著看著讓我有如醍醐灌頂。裡面提供的很多佈置戰略、擬定戰術的思維,不管在任何時空背景下都有很高的參考價值,我想這正是《孫子兵法》能流傳三千年,至今還是有這麼多人投注心力去研究的原因。
《孫子兵法》裡的每一句話都富含著極大的信息量,若光看表面的字義,會難以領略它所想表達的深意。《華杉講透孫子兵法》作為解讀本,將原作中的一字一句全部展開,用現代的語言佐以大量戰例詳盡的闡述這本兵書想要講的道理,寫的極好,可惜全書五百多頁實在太厚,有些難以聚焦。
作為一套值得反覆細讀的兵書,在未來想複習時如果直接看文言文,難保不小心曲解文意。但若要重新查閱《華杉講透孫子兵法》,又較為耗時、耗神。因此這篇文章的目標很簡單:保留《孫子兵法》的全部內容,壓縮《華杉講透孫子兵法》的解讀細節,從一百個例子裡頭挑出最具象徵性的四五個例子,於解釋較冗餘的地方將字句重新提煉,把編排結構紊亂的部分重新組織,將各個篇章的脈絡整合梳理過一遍,並給予每個篇章摘要和總結,寫一篇不失《孫子兵法》原作精神、包含九成華杉的解讀和一成我自己的解讀的小論文。

開始解讀《孫子兵法》的各篇之前,先做個簡單的摘要:《孫子兵法》一共包含十三篇,前六篇是抽象理論,後七篇是實戰研究。細分各篇來看,前三篇《計篇》、《作戰篇》、《謀攻篇》講的是準備階段的大戰略;第四到六篇《形篇》、《勢篇》、《虛實篇》講的是用兵之道;第七、八篇《軍爭篇》、《九變篇》講的是實戰時的戰術細節和變通思維;第九到十一篇《行軍篇》、《地形篇》、《九地篇》講的是地形研判和軍隊管理;第十二、十三篇《火攻篇》、《用間篇》講的是特種作戰和戰爭思維。
計篇第一


「孫子曰:兵者,國之大事,死生之地,存亡之道,不可不察也。故經之以五事,校之以計,而索其情:一曰道,二曰天,三曰地,四曰將,五曰法。
道者,令民與上同意,可與之死,可與之生,而不畏危也。天者,陰陽、寒暑、時制也。地者,高下、遠近、險易、廣狹、死生…

《Priceless: The Myth of Fair Value》的十二個重點案例

Image
這禮拜在軍中剛讀完《Priceless: The Myth of Fair Value》這本書,它談的主題是「定價」,背後的理論是受心理學影響頗深的「行為經濟學」,書中最主要的論點圍繞在「錨定效應」(Anchoring Effect)之上。

在還未深入研究價格這門學問前,我的直覺總認為,一個東西的價格取決於它的絕對價值,定價就是去精準的評估這個絕對價值有多高。但是在開始工作後,才逐漸發現許多之前沒注意到的細節,例如:為什麼有時候明明只是做了一些技術含量不怎麼高的事情,卻可以有高額回報?為什麼有些明顯技術艱難的任務,定價卻比想像中還低?

慢慢地,我開始認識到一點價格的真實面貌。價格是一門複雜的學問,可以從很多面向去分析,由一般經濟學的角度來看,最基本的就是供給需求法則,以及那些在高中被學生記到爛掉的曲線。而從《Priceless: The Myth of Fair Value》的角度來看的話,由一句話總結,則是「價格是受到大量心理學效應影響的」。

至於這些心理學效應究竟如何影響著價格(更廣義來看,是「如何影響決策」),書中提供了很多實驗與案例,這些案例比起理論陳述更能清楚的演示作者想表達的論點。我希望在這篇文章做的,正是將書中令我印象深刻的案例快速簡化成摘要整理起來,用以呈現行為經濟學與錨定效應的精華。

聯合國實驗

Daniel Kahneman 和 Amos Tversky 設計了一個大輪盤,上面標有數字 1 至 100,並向受試者聲稱這個輪盤轉出來的數字是「隨機」的,但實際上輪盤只會轉出 10 和 65 這兩組數字。每當受試者看到輪盤轉出的數字後,他們會詢問受試者「非洲國家在聯合國中佔多少百分比?」

統計結果為,當輪盤轉出 10 時,受試者們的平均估計是 25%,而當輪盤轉出 65 時,受試者們的平均估計則是 45%。受試者認為自己看到的數字是隨機產生的,不會影響到他們接下來回答的問題。但 Kahneman 和 Tversky 卻由統計結果中,發現這個「隨機數字」可能已在無形間變成了受試者心中的一個「錨點」,影響到他們對其他無關問題時的判斷。

罪行估算

William Hunt 設計了一個題組。第一個問題,想像謀殺親生母親的罪行,並接著提出一個恰好比這壞一半的罪行。第二個問題,一樣先想像謀殺親生母親的罪行,再想像和朋友玩撲克牌作弊的罪行,然後提出一個程…

《Founders at Work》、《圖解 HTTP》、《生活的藝術》、《射雕英雄傳》、《貪杯客》

Image
一下子兩週又過去了,再 39 天退伍,想到即將可以重獲自由就覺得好興奮啊!好興奮啊!好興奮啊!!!

這兩週看的書還蠻雜的,上次看完《Deep Learning with Python》後覺得想再換點口味,所以這次除了一本《圖解 HTTP》以外其他的書都是偏故事/思想類的書,以下逐一分享一點簡短的心得摘要。

《Founders at Work》

這本書是 Y Combinator 的 Jessica Livingston 以問答的形式,對 33 家科技公司的共同創辦人和早期員工採訪的文稿紀錄,當中比較知名的企業有 PayPal、Apple、Hotmail、Yahoo、Flickr、Adobe、Firefox 等。書中的採訪內容主要是這些公司在創立階段所發生的事情,以及受訪的企業家在初期面臨各種順逆境時內心的想法與應對的方式。

我覺得這本書吸引人的地方在於,它並沒有刻意去寫讀者想聽的東西,而是扎扎實實、毫無避諱地記下這些創始人想講的東西。因此你可以讀到 Apple 的 Steve Wozniak 滿腔熱血地談著電腦結構的技術細節,也可以讀到 ArsDigita 的 Philip Greenspun 怒火賁張地幹譙他的投資人過度干涉公司發展,或是看見 HOT OR NOT 的 James Hong 對於用戶過高的增長速度感到非常恐慌......你能經由這些一手資訊,站到「Founders」的角度上去感受一家家企業的發跡過程,這些都使它更加真實且人性化。

經由比對這些創業家的想法,你會看到這一家家曾經輝煌(又或是依舊輝煌)的企業在剛開始時有著截然不同的起點、不同的想法、不同的背景,但是在各種不同的階段總是會經歷一些類似的困境。而當你試圖從這些人的經驗中總結出一些共通的規律時,又會發現每個規律背後都有例外。

這正是我認為《Founders at Work》存在的最大意義:在複雜度極高的商業世界裡,每個人都能從不同的例子中關注到一些自己覺得重要的品質,但卻很難找到一個邁向成功絕對且唯一的通則。因此它選擇不直接告訴你答案,而是對你說:這些沒被加工過的一手資料交給你,如何收斂出對你有用的結論就靠自己吧!

《圖解 HTTP》

這是日本作家上野宣寫的一本可愛技術小書,透過大量生動的圖講解 HTTP 的運作。它在一開始快速地導覽了網路的分層運作,以及 HTTP、IP、TCP、D…

《Deep Learning with Python》by François Chollet

Image
不知不覺兵役已經服完一半了,在軍中讀書的計畫也已來到第六本。今天要介紹的是 François Chollet 的 《Deep Learning with Python》,會挑這本是因為之前選的讀物除了 TechBridge 以外都是非技術類書籍(TechBridge 本身其實也只能歸類為單篇彙集),有好一段時間沒有讀這種系統性介紹特定技術的書籍,想換換口味。另一方面是我自己對神經網路本來就有些興趣,只是之前東摸一點西摸一點,對它的暸解還不是很多,剛好聽說這本書寫得簡單易懂,觀念上的解釋又鞭辟入裡,決定來一睹其風采。唯一的缺點大概就是在軍中沒有電腦可以讓我實驗書中的程式碼吧(嘆。

對於內容牽涉到比較多技術思維的書籍,我通常傾向做稍微詳細一點的筆記,所以這篇其實算是一份讀書筆記兼分章摘要。整體上來說我覺得這書寫的有趣又實用,對我啟發不小,誠心推薦給任何想踏進神經網路領域的新手,或是覺得有些觀念仍未弄清的老手看。至少我看完後心情還蠻亢奮的,決定之後再找時間來仔細讀讀 Ian Goodfellow 的聖經《Deep Learning》,應該也會收穫不少。

(本文圖片來源除 GAN 的示意圖取自机器之心外,其餘皆取自《Deep Learning with Python》by François Chollet 書中)

CH1 - What is Deep Learning

這章介紹了人工智慧(AI)、機器學習(Machine Learning)、深度學習(Deep Learning)彼此間的關係。簡單來說,機器學習是人工智慧的一種,而深度學習是機器學習的一種。機器學習和普通的人工智慧程式差別在於,普通程式是接受資料和規則算出答案,機器學習則是接受資料和答案來算出規則。大部分機器學習模型所追尋的「規則」,形式為「將資料轉換成一個有用的表示方式(representation),再透過這個表示方式得到答案」;而所謂的「學習」,一般是指「讓電腦自動從假設空間(Hypothesis Space )中搜索出最好的表示方式」這個行為。

舉例來說,平面上有一堆點,有些是圈有些是叉,我希望我的機器學習模型能透過點的座標自動分辨出哪些點是圈、哪些點是叉。此時我可以把我的假設空間(Hypothesis Space )設定為「空間中的任意直線」,然後試圖去找一條能完整的將圈和叉分開來的最佳直線。倘…