模型思维：从宏观到微观，理解现象的利器
制作人：渐构 - Gearless Joe
关于标题：本内容的全部标题是我本人起的，如果引起不适请联系我本人，我会作出修改
**整理时间：** 2024/04/24
**对话时间：** 2022/10/23
摘要
YJango 认为输入-输出模型是一个强大的工具，可以应用于理解各种现象，尤其是学习和写作。他强调输入不仅仅是表面信息，而是更深层的判断依据，例如作者的意图、经验和知识。写作可以分解为多个子模型，例如描写模型，每个模型都有其特定的输入和输出。通过分析优秀作品，我们可以归纳出写作的规律和模式，从而提高写作水平。
YJango 还讨论了模型的颗粒度和抽象程度，指出宏观模型和微观模型各有优缺点，需要根据目的选择合适的模型。此外，他还区分了归因和分类，并提醒我们归因的结果可能会影响人们的行为决策。最后，他强调要区分概念和模型，以避免混淆。
对话内容
`月饼：`
提问：「仿写」是符合“输入-输出”原则的学习写作的方法吗？
讨论范围：在这里，为了方便大家进行交流，我这里只讨论中文写作。
思考：我们都知道，无论什么语言的写作训练，最终目的都是要把文章写出来，也就是说，“输出＝写出文章”。但“输入＝？”却有很多说法。比如：“多读”、“抄写好词好句”、“背诵”等等。我也在想，什么是符合“写出文章”这个输出的呢？然后，我想到了「仿写」。所以，我建立了下边的输入输出，欢迎大家提出指正。
输入＝大量的对文章进行仿写并总结文章结构（这里我把写作看作运动类知识和思考类知识的结合）
输出＝自己写出一篇文章
`Yjango：`
**#d 输入输出**
输入是判断依据，输出是对应预测。渐构和学习观中所说的输入输出，都是针对模型而言的，叫做模型的输入和模型的输出。
**#e 水温与烫伤 输入输出**
比如，「开水溅到身上会烫伤」，这里的输入是「水温」，输出是「是否被烫伤」。
**#d 写作输入输出**
对于写作而言，有多个模型，无法一概而论。我们拿「描写」来说。「描写的输入」是你脑中的画面，你想要表达的细节等一系列的判断依据。「描写的输出」是你落笔所写的文字。
**#d 描写的子模型**
同时，「描写模型」还可以拆分成无数个子模型，可以分成「人物描写」、「景色描写」、「心理描写」等。
**#e 景色描写例子**
拿「景色描写」来举例子，你看到了长城，你想要把长城的景色写出来，让别人感同身受。此时，长城和让别人感同身受是「景色描写模型的输入」。输出可以是：“一座巍峨挺拔的巨山，伫立在人世间的中心位置，巍然不动”。
**#d 如何学习**
根据输入和模型，你可以得出对应的输出。不同的人有不同的模型，会得出不同的输出。我们在学习描写时，所要做的是：找大量包含良好输入输出的例子，然后归纳共性，以后利用共性来生成新的句子。
**#e 长城描写学习 如何学习**
输入：长城，输出：他像条巨龙，盘旋在山上，威武级了！
输入：长城，输出：万里长城就像一条龙卧在一座雄伟壮观的大山上面。
输入：长城，输出：远看长城，它像一条巨龙，盘卧在群山峻岭。
你对其进行归纳，发现的模式是：都用到了比喻，都用到了龙，通过龙的特征来表达长城的特征。有了这个模式你就可以生成新的句子。
**#v 验证模型 长城描写学习**
问：根据所学到的模式，生成一个新的描写长城的句子。
答：长城像守护华夏的巨龙，盘卧在这片大地，不怒自威。
`Yjango：`
再给大家举个例子 AI的例子
输入：红色描述
输出：绿色图像
模型：根据描述，利用某个模式，生成新的图像。
`Yjango：`
输入：甲方需求
输出：画的稿件
模型：根据描述和甲方的需求，生成画作
`慕真：`
@Yjango 输入是判断依据。那电商来说
输入：爆款
模型：爆款的方式
输出：成为爆款。
写作场景描写
输入：什么样的场景
模型：用比喻描写场景
输出：准确描述想写的场景。
那就是输入是判断标准，是一种认知范围，因为如果我不知道长城是该气势磅礴的描写，还是该其它方式，是这样吗？
就是看见长城的时候，我根本不知道自己的输入，该是输入哪个方向，不会判断该怎么办？
`Yjango：`
@慕真 爆款属于现象，属于结果了，是输出。而你的输入，是能够导致爆款的因素，这个是需要你去寻找的，比如，「标题」、「配图」、「排版」、「情绪化」、「专业化」等因素。
举个例子（注意：例子本身并不是真的）。
输入：「是否带有情绪」
输出：「是否会爆款」
模型：带有情绪的内容，容易导致爆款
行为决策：基于这个模型，你就会调整内容，让内容带有情绪，来增大爆款的几率。
你也可以按照自变量和因变量去理解二者，输入是自变量。
`Yjango：`
**景色描写模型**
输入：「任意景色」
输出：「描写句子」
**一个应用：**
输入常量：长城（属于景色）
输出常量：长城像巨龙
`矿木木：`
@Yjango 可以当成是子模型嘛，对长的建筑的描写？
`Yjango：`
@矿木木 可以的。模型的颗粒度是可以控制的，可以宏观，可以微观。但是，要明白抽象的代价是什么？忽略细节。你越宏观，就越容易找到共性，但也越容易丢失细节。
因此，当你将书写的多种形态概括为“写作”这一总体概念时，区分具体属于哪一个类别——议论、描写亦或是抒情便会变得困难。分开议论、描写和抒情后，如你只专注于描写，可能仍难以判别是在描述风景、人物，抑或其他类型，因为重要细节已被遗漏。继而，你可能会进一步深挖，直至找到所需的那个精致的模型。例如，你可能最终专注于如长城这样独特的模型——你或许已经掌握了精准描写此类静态结构的方法。
并不是说你不能对更广泛的概念建立模型，实际上，这是可行的。但是，意识到建模更为宏观的概念时，将会需要更多的样本。譬如，你若欲构建一个综合所有类型描写的模型，不论是关于景观还是人物，你就需要将众多描述实例归纳汇聚起来，最终构建出一个能够广泛适用于描写各种对象的模型。这要求一个相当大的样本量。如果你当前意图建立的模型仅与长城或者其他静态建筑相关，所需样本量便会相对减少。你可能只需要分析几个如长城或巴黎圣母院这类建筑的实例。
在处理宏观与微观时，可借鉴图像编辑工作的经验。当使用Photoshop进行图片编辑时，你会在整体与微观细节之间频繁切换。你可能会使用鼠标滚轮进行缩放检视全局，随后切至微观模式仔细审视细节，再次返回全图以确认整体效果。这种在宏观和微观之间前后切换的过程是编辑工作的常规流程。
最终，没有绝对的规则指示你应当先从宏观开始还是从微观出发；所采取的方法应依照实际需要而定。
`是阿超呀：`
@Yjango 老师请问溯因和输入输出的本质区别是在于是否为模型上嘛？如果说写作的话，我的结果是形容好的长城的句子，因是所有那些形容好的句子的各种特征因素等等，这样来说感觉是一回事。
`Yjango：`
@是阿超呀 归因/溯因，是你不知道某个输出受什么因素（输入）影响时，你主动寻找输入。比如，「成绩好坏」是输出。大家就寻找输入，有人找的是「是否努力」，有人找的是「是否有天赋」。
而当归因成「天赋决定成绩」，就会得出「成绩不受自己控制」的结论，容易导致习得性无助。
`是阿超呀：`
诶，那归因如果归出来了几个因，这可以说是某人对这个内容主观的分类嘛？
`Yjango：`
@是阿超呀
天赋决定成绩模型：
输入：是否天赋，输出：成绩好坏。
二类分类模型：
输入：任意行为，输出：是否属于正当防卫。
你自己体会一下归因和分类之间的区别。
`是阿超呀：`
@Yjango
我举个例子验证一下
人品模型：
输入：是否长得帅，输出：人品好坏。
把人品的好坏归因于长相
二类分类模型：
输入：任意文字，输出：是否有描写手法
判断文字当中有哪些种类的描写手法
这样理解对嘛？
`Yjango：`
@是阿超呀 你这里既然提到了是「二类分类」，那么就只有两个结果：「有描写手法」和「没有描写手法」。
`还休：`
输入：「醛」、「银氨溶液」、「反应条件加热」
输出：「银镜反应」
模型：「醛类与银氨溶液加热情况下发生银镜反应」
输出的银镜反应是一个概念，定义就是银(Ag)化合物的溶液被还原为金属银的化学反应，由于生成的金属银附着在容器内壁上，光亮如镜，故称为银镜反应。
但是反应物可以不用醛类和银氨溶液进行，如果你把定义模型看作一个模型，拿上面那种醛类和银氨溶液的反应的出来的模型是这个模型的子模型，但输出还是一个结果，就是「银镜反应」。
`Yjango：`
@还休
一、当你把「银镜反应」作为概念，输入就是「任意事物」，输出是「是或者不是银镜反应」。
二、同时，「银镜反应」这个词本身也指代一个模型，强调规律本身，这时「银镜反应」既不是输入，而不是输出，就是模型的名字。
同类现象还有「熵增定律」，作为概念时，输入是「任意事物」，输出是「是或者不是热力学第二定律」。
但作为模型的名字时，这个模型的输入是「时间」，输出是「孤立系统的熵」，模型是「孤立系统的熵随时间只增不减」。
所以，看你想强调的是啥。如果是强调的是概念，那么「是否是银镜反应」就是输出了，输入是「任意事物」。而如果你想强调「模式本身」，那么「银镜反应」就指代一种化学变化规律，输入是「反应前状态和条件」，输出是「反应后状态」。
有不少概念，输出和映射会被混在一起使用。这个是比较让人难受的。我举个例子。
当你初次学习「熵公式」的时候，你其实学习的是一个模型。这个模型的输入是「概率分布」，输出是「熵（数值）」。当你学会了之后，你再提「熵」这个词的时候，基本上都是在指「熵公式」的输出，也就是「熵（数值）」。
就是有些时候，输出和模型确实会使用同一个名字。我们往往会通过加限定词来区分二者。比如，称「熵的定义」，而不直接叫「熵」，因为直接叫「熵」有可能指的是模型，也有可能指的是输出。
再举几个例子。
正数（概念）：
输入：「任意事物」
输出：「是否是正数」
模型名也叫正数，模型的输出也叫正数（被识别为正数后的任意事物）。所以当学习正数的时候，我们需要在正数的后面加上后缀，比如，正数的定义，正数的概念，正数的模型。
`地球🍡：`
这个模型也可以输出一个事物不是正数吧？
`Yjango：`
@地球🍡 可以
`初夏的冰激凌：`
输入：任意行为，输出：吃饭
输入：饭，输出：到肚子里
`Yjango：`
@初夏的冰激凌 你需要明白，模型的输入和输出，都是变量，或者集合。
「任意行为」是变量，那么对应的，输出就应该是「是否是吃饭（二选一）」。
`初夏的冰激凌：`
我的理解是输入输出是事物背后的客观规律。我们认识中的输入输出是以人为中心的。
`Yjango：`
@初夏的冰激凌 输入 和 输出 是两个概念，两个变量，而从输入到输出的一个映射，或者叫一个模型，才是规律。至于是否客观，并不清楚。
总结
**输入-输出模型**
YJango 强调了输入-输出模型在理解各种现象中的作用，尤其是在学习和写作方面。他将输入-输出模型定义为一种将输入数据映射到输出数据的框架，并举例说明了如何将此模型应用于写作。
在写作中，YJango 指出“输入”并不仅仅是“多读”、“抄写好词好句”或“背诵”，而是更深层的判断依据，例如作者脑海中的画面、想要表达的细节、以及想要传达的情感等等。而“输出”则是根据这些输入所写出的文字。
他进一步阐述了这个模型可以帮助我们理解写作的规律和模式，从而提高写作水平。
**写作中的输入-输出模型**
YJango 认为写作可以分解为多个子模型，例如描写模型、议论模型、叙事模型等。每个子模型都有其特定的输入和输出。
他以“描写”为例，详细解释了描写模型的输入和输出。例如，当你想要描写长城时，你脑海中浮现的长城的画面以及你想要表达的情感就是输入，而你所写出的文字描述就是输出。
YJango 指出，我们可以通过分析大量的优秀描写范例，归纳出描写模型的共性和模式，从而学习并应用这些模式来进行创作。
**模型的颗粒度和抽象程度**
YJango 讨论了模型的颗粒度和抽象程度对理解和应用模型的影响。他指出，模型可以是宏观的，也可以是微观的，而选择何种颗粒度的模型取决于我们的目的。
宏观模型可以帮助我们找到更广泛的共性，例如“描写”这个概念可以应用于各种类型的描写，但是它可能会忽略一些细节。
微观模型则可以更精确地描述特定现象，例如“描写长城”这个模型可以提供关于如何描写长城的具体技巧，但它的适用范围有限。
YJango 强调，建立宏观模型需要更大的样本量，而建立微观模型则只需要收集特定类型的样本。
**归因与分类**
YJango 区分了归因和分类这两个概念。他指出，归因是指寻找导致某个结果的因素，例如寻找导致学生成绩不好的原因。而分类则是判别模型。
他认为归因的结果可能会影响人们的行为决策，因此需要谨慎对待归因的结果。
YJango 举例说明了如何将输入-输出模型应用于归因和分类，例如“天赋决定成绩”的模型和“二类分类模型”。
**概念与模型的区分**
YJango 提醒我们某些词语既可以指代概念，也可以指代模型。例如，“银镜反应”既可以指代一种化学反应现象，也可以指代“醛类与银氨溶液加热情况下发生银镜反应”的模型。
他强调我们需要根据上下文判断词语的具体含义，以便更好地理解和应用这些概念和模型。
