我认为在这个时代读书还是必要的。
无论是实体书,还是Github的电子阅读。作为千禧年生人,我体验过传统阅读的感受,同时也是互联网原住民,我认为阅读书目本身和AI解构信息的结果是不一样的。
当然,你可以说我效率低,古典主义,但如果你问我为何能进行密集的思考,我想不断地看书,或许是原因之一。
AI解构信息,也是很多人提到的。把这本书链接发给AI,AI告诉你这本书讲的什么,来龙去脉。其过程我一直觉得和电影解说与真实的电影观影之别一般。
信息解构,是Extraction。思维重塑,Reconstruction,那是更强大更深度的力量。AI 提炼出来的Summary,是去除了所有冗余的结论。但大脑的深度思考能力,恰恰不是建立在接受结论上,它建立在陪同作者一起经历逻辑推演的过程中。
读书时遇到的阅读阻力、逻辑折回、长句子的拆解、甚至是理解困难时的卡顿,都是大脑在建立神经元新连接的过程。
完整阅读一本书,就像是拿着一张地图走完一整条山路。而看 AI 摘要,就像是直接被直升机扔到了山顶。你虽然看到了山顶的风景,知道了结论,但你的肌肉和肺活量,完全没有得到任何锻炼。
我知道,这个时代,大家时间短暂,所以我会选择推荐经典的书目。那经典的书目,如果用读书Agent拆分,你是读不出真实的逻辑与脉络的。
压缩后的信息,虽然去噪声,但缺乏了思考。
我看了一些20世纪物理学家、数学家、历史学家的著作,虽然仅仅也是弱水三千,不过一瓢而已,我还差得远。但仅仅如此,我就感受到了一种直觉。也就是,亲自阅读能建立起完整的Framework,让新知识与你原有的认知网络产生碰撞、交融,从而衍生出属于你自己的Emergence。之所以能进行密集而连贯的思考,正是因为你脑海里存有这些高密度的上下文网络,而非摘要、片段。
当然,我从来没有说你要把一本书读完。这是不现实的。每个人时间有限,重点不同。你要跳着读,找到你认为的信息的连贯处,串联起你认为有价值的信息脉络,这就是阅读的意义。但绝非用AI解构。
AI解构,不是不可,是适用于一些工具书,但是对于经典与认识论的书,我真心不建议这样做。
人类阅读往往是探索导向的。
你可能会因为书中某一页的一句不起眼的推论、一个看似不相关的脚注,突然联想到自己研究或生活中的某个死结,从而产生极其宝贵的灵光一闪。
此上,就是我对于阅读书目的建议。
顯示更多
刚下飞机,聊聊概率与建模的书单。
在讨论建模时,很多人容易陷入调参、拟合或者机械套用公式的误区。
但我认为,建模本质上是用数学结构去压缩世界不确定性,或者寻找复杂系统背后的底层守恒与极值律。
如果你不想只做工具调优者,想建立第一性原理式的概率直觉与建模思维,这几本值得深度看一看。
1. 《Probability Theory: The Logic of Science》 — E. T. Jaynes
这是我在香港的图书馆读的一本书,那时候是2023年。Jaynes 用极具批判性和理论美感的方式,从信息熵与贝叶斯推断出发,重新解释了概率的本质。
读完它,你会意识到概率是知识状态的表征。对于理解 AI 的推理与推断机制极其有益。
2. 《Information Theory, Inference and Learning Algorithms》 — David J.C. MacKay
这算是MacKay 的代表作了,极度兼具物理直觉与数学严谨。
它没有把机器学习当作堆叠代码的黑盒,从概率建模、编码理论与统计物理的交界处入手,我认为这本书是建立现代概率建模大局观的必读书。
你会看到MCMC,变分推断,特别有意思。
这本书,是在浙江大学导师推荐给我的书,好早的版本。而且他还把书送我了。
3. 《High-Dimensional Probability》 — Roman Vershynin
我认为,这本书是进入现代 AI、高维数据分析或复杂网络建模的数学基石。
高维空间里,很多低维的直觉会完全失效。例如Concentration of Measure。
这本书其实用用非常清晰的形式化语言,解释了高维数据为什么能被有效压缩与表征。
4. 《Statistical Mechanics: Entropy, Order Parameters, and Complexity》 — James P. Sethna
其实,建模不仅仅是拟合数据,更是理解系统随时间与尺度的演化。
Sethna 将统计力学的思想完美映射到复杂系统、信息论与随机建模上。读懂统计力学,你对Diffusion Models和自回归动态系统的理解会提升一个维度。
这本书算是我经历一次奇遇才知晓的。故事很长,就不细说了。但是很感谢推荐这本书的师姐,祝她博士毕业后一切顺利。
顯示更多