01#新知：压缩复杂的武器
编辑：来源于与 AI 对话，以及一再的让 AI 压缩论文背后的常识逻辑。
关于这个过程以及与 AI 的对话见 压缩复杂的武器
Richard Sutton 的文章 《苦涩的教训》 告诉我们的教训之一：搜索和学习是人工智能研究中两种最重要技术。
于是让 AI 推荐了搜索和学习这 2 个范畴中最重要的论文。
搜索方向
- 2006《基于多臂赌博机的蒙特卡洛规划》
- 2016 《基于深度神经网络与树搜索的围棋博弈研究》
- 2017 《通过自我对弈掌握国际象棋和将棋的通用强化学习算法》
学习方向
- 2012《基于深度卷积神经网络 CNN 的 ImageNet 数据集分类》
- 2015 《用于图像识别的深度残差学习》
- 2017 《注意力就是你需要的一切》
我让 AI 一遍遍压缩这些论文的核心，最终只剩三条能反复适用的常识。
压缩过程不表，这里只摘录最后得到的常识：复杂问题的简单规则。
- 🧩 拆解：将大问题分解为互不重叠的块状，每个子问题独立可解
- 🎯 聚焦：帕累托法则，20/80 聚焦，只关注影响 80% 结果的 20% 关键因素
- ✂️ 本质：奥卡姆剃刀原则，最简单的解释往往最接近真相，最简单的关键点往往最有效
人类受限于工作记忆 7±2 规则（约束），必须将O(n!)量级可能性（决策），压缩为可操作步骤（限时）。
用"思维漏斗"过滤信息熵，是人类对抗复杂性的必然选择。
所以我们面对人生的复杂问题，别怕，尊重常识就行。
学习这些论文背后的常识将复杂问题逐步压缩分解到你可控的水平。
比如读 AI 论文的时候可以将上面的一段话给他，让他拆解直到到你能理解。