2013年4月10日星期三

逃出你的肖申克(五):看不见的牢笼(上)


逃出你的肖申克(五):看不见的牢笼(上)2
作者:刘未鹏

三.情绪的牢笼

情绪是人类最强大的能力之一,我们有丰富而微妙的情感世界,我们大脑中有众多涉及到情感的模块,如杏仁核、前额叶皮层、前扣带皮层等等,我们强大的情绪脑使我们能够在一瞬间对事物贴上喜欢没感觉厌恶的标签(从而迅速作出趋向无所谓还是回避的选择)(The Happiness HypothesisThe Mindfulness Solution),能够对复杂的道德情境作出众口一词的判断(The Moral Animal),能够体会蕴含着无限微妙情愫、只能意会不可言传的隐喻(I Is an Other)。

然而,另一方面,我们的情感世界也是我们大脑中牢笼最多的地方。要理解这一点,需明白情绪大脑的几个基本属性:高优先级黑盒迅速但粗糙

大脑中的情绪模块属于进化年代较为古老的部分(《Synaptic Self》),其掌管的事情往往是关乎生存繁衍利益,所以权力至高无上,例如你走在河边,忽然看到一条弯弯曲曲的东西横在路边,还没等你的理性大脑反应过来你就一跳三丈高了,这个让你一跳三丈高的信号便源于我们情绪大脑的一个重要模块——杏仁核(Amygdala)。我们的视觉信号进入大脑之后兵分两路,其中一路(high road)通往我们大脑的高级区域做详细但较慢的计算,另一路(low road)则到达我们的杏仁核,进行迅速但粗糙的计算,我们的立即行为受到low road的支配(被杏仁核绑架了),因为该路的计算速度较快(但很遗憾是一对矛盾),如果疑似遇到对我们可能有威胁的场景,我们立即就会进入所谓的战斗或逃跑fight-or-flight)状态。

由此可见,情绪大脑并不那么聪明,它要的是(因为所涉及的决策往往生死攸关),而未必是,就像我们设计计算机算法一样,为了,有时候必须以牺牲为代价。此外,当牺牲的时候,情绪大脑也不是胡乱牺牲,而是会有特定的倾向性,它会倾向于宁可错在保守的一边,即宁可把绳子错当成蛇,也不可把蛇错当成绳子,因为把绳子错当蛇只不过是吓一跳而已,没什么代价,而把蛇错当成绳子可能就犯下了生死攸关的大错。大脑中的这种固定的、有章可循的倾向性就是所谓的认知偏差cognitive bias)(Predictably Irrational)。此外,我们的情绪大脑还是一个黑盒模块,绝大多数时候,我们只能感受到其输出(情绪体验),而对于为什么我们会产生这样或那样的情绪,却一无所知。有些时候,我们甚至都不知道我们对某些人和事的真实情感是什么(例如人们常说的总是在失去以后才知道珍惜)(Strangers to Ourselves)。很多时候我们认为很了解自己,是因为我们的理性大脑非常善于为自己的情绪或行为寻找看上去合乎情理的解释(《逃出你的肖申克(四):理智与情感》

有这样一个有名的心理学实验,由心理学家Donald G. DuttonArthur P. Aron1974年设计,实验名叫悬索桥上的爱Sway)。实验者招聘了一些被试,表面上称实验的目的是为了研究优美的风景对人的创造力的影响,实验的场所在一处风景名胜,被试需要穿过一座悬索桥,如图:

逃出你的肖申克(五):看不见的牢笼(上)2

一位漂亮的女助手会拦住被试,请求填写问卷。对于其中一部分被试,女助手在他们已经穿过了悬索桥之后拦住他们,而对于另一些被试,则在悬索桥中间拦住他们。在问卷填写完毕之后,女助手会留下自己的电话号码,并对对方说如果你有兴趣,欢迎打电话给我,我很愿意进一步解释实验的细节
 
然而,这个实验的真实意图却是想要知道到底是哪组被试中有更多的人对女助手动心,实验人员事后会统计哪组被试当中有更多的人会打电话约女助手出去。

这个实验之所以有名,是因为其结果很令人掉下巴:两组被试唯一的区别便是在桥上还是桥头被拦下来,这个无关紧要的区别跟女助手的吸引力究竟能有什么关系呢?然而,包括后续的类似实验也证实了确有关系:在桥上被拦下来的被试当中有更多的人打电话约女助手。为什么?心理学家认为,当被试处在悬索桥上的时候,情绪处于高唤起状态,心跳加速,手心湿润,这跟异性吸引所致的唤起状态很相似,人们的下意识会将这种唤起状态部分错误归因为女助手的吸引力。而实验最关键的地方在于,被试自己并不认为是这种错误归因让他们觉得女助手更加具有吸引力,而是真诚地认为女助手就是更有吸引力。

类似的,我们都知道,热恋中的情侣,父母越是干涉,往往会反而导致他们情感越发热烈。但这儿的关键在于,他们不会觉得这是家长干涉的功劳,而是真心觉得情感越发强烈。心理学家把这种现象称为罗密欧与朱丽叶效应罗密欧与朱丽叶效应体现了一个一般性原则:由于我们的大脑每秒接受的信息里面只有少得可怜的一部分到达意识层面,绝大多数都在下意识层面处理掉了。因此我们无法直接洞察大脑中发生了什么,绝大多数时候,我们之所以感觉知道我们为什么这样那样做,是由于我们的大脑无时无刻不在推理为什么我会那么做对于了解自己的人来说,这种推理往往正确,但如果不够了解自己,那么就有可能错误地推断了自己行为的动因

心理学对我们行为的动机有一个基本的区分:外部动机和内部动机。前者例如:金钱、物质、惩罚,等等。后者例如:好奇心、成就感、价值观等等。一个重要的观察是:当内部动机和外部动机同时存在的时候,我们常常会下意识倾向于把自己的行为的动机归因于外部动机,因为外部动机更为看得见摸得着,而内部动机则较为隐蔽(文艺一点的说法就是内心的小声音太容易被外界的喧哗所遮蔽)。

心理类和育儿类的书籍中经常可见引用这样的一个故事(此处的版本稍加演绎,原版记不大清了):
 
一位老人住在一个小木屋中,经常有小孩来他的木屋旁边玩闹,喜欢安静的老人不胜其扰,老人知道赶他们走也没有用,甚至可能适得其反。有一天,老人把孩子们叫过来,给了他们每人五毛钱,说我很喜欢你们,以后你们每天都过来玩,每次都都会给你们每人五毛钱。孩子们听了之后当然很开心,居然还有这等好事,还有人愿意花钱让他们玩,于是他们每天过去玩。如此过了一阵之后,老人又把他们叫过来,说最近我没什么钱了,只能给你们每人两毛钱,孩子们听了之后虽然有些不快,但总比没钱好吧,所以还是过来玩,但劲头已经大不如前了。如此又过了一阵,老人说虽然我很想你们过来玩,但我真的没钱了,以后不能再给你们钱了。孩子们听了很生气,后果很严重,心想没钱还指望我们来玩吗?,于是都散了。

育儿类的书籍用这个故事来告诫父母,毁掉孩子对事情本身的兴趣的最好的办法就是给物质奖励。当物质奖励和兴趣同事存在的时候,由于前者更为看得见摸得着,而且我们的大脑对于物质激励更为敏感,所以更容易推测自己的行为的动机为物质激励,而一旦大脑将这两者挂上了因果关系就坏事了,因为一旦以后(物质激励)被撤掉,(好好学习)也就消失了。(当然,如果孩子本身就对什么都没有兴趣,那么使用物质激励来作为初始动因也无不可。由于本就没有内部动机,所以外部激励不会让事情更糟,RedirectThe Surprising New Science of Psychological Change第四章对此有非常详细的分析)

反过来说,当外部动机看上去不足以解释行为的时候,我们也会(同样错误)地把动机归结为我想这么做。社会心理学有一个有名的说服技巧叫登门槛效应Yes!: 50 Scientifically Proven Ways to Be Persuasive),其原理也与此类似。

类似的情况还有很多,它们统称Overshadowing Effect(遮蔽效应),当行为存在多个可能的解释的时候,更吸引眼球的解释往往会占上风,不管其是否真正的解释。换句话说,吸引眼球的外部动因会遮蔽内心的微弱的小声音。

面对选择也是如此,我们究竟是因为什么原因选择这个而不是那个呢?可口可乐和百事可乐口味的双盲实验相信大家都耳熟能详了——人们相信他们选择可口可乐而不是百事可乐是因为前者味道更好。然而一旦把标签撕掉,人们往往惊讶地发现自己选择的却是百事可乐。实际上,标价品牌、甚至放在货架上靠左还是靠右的位置菜单上的字体是否美观,这些都在下意识层面对我们的行为产生实质性的影响,但由于种种原因我们往往错误地将自己的选择或体验归因为商品本身的质量或者味道。(Subliminal)。我们倾向于相信自己的决策是理性的,基于正确的信息的,这种Wishful Thinking使得我们推测自己之所以选择一种商品肯定是基于其质量(否则自己就太傻了,我们当然不希望自己很傻),这种自我认知的需要掩盖了真正的动因。

有这样一个有趣的实验(这个实验有各种变种,也许你也可以在自己的现实生活中找到自己的版本):
 
实验者雇了两组人,给他们一些艺术海报让他们选择,其中一组人让他们在选择之前先详细罗列自己认为每一张海报好在哪里或不好在哪里(就像本杰明·富兰克林著名的列表决策法一样),另一组人则不这么做,而是直接遵循自己的喜好进行选择。在实验结束之后若干天,实验者回访了这些人,发现第二批人(直接选择的)很明显比第一批人(先罗列原因的)更中意他们当初的选择。
 
这个实验的原理是这样的:由于我们的情绪大脑是个黑盒,它选择喜好的时候有自己的一套逻辑,而我们所意识到的只是结论(一眼眼上去就喜欢,也说不清为什么),但是第一组被试却试图去推测这个黑盒内部的逻辑到底是什么,而推测往往是错误的,但他们却相信自己的推测是正确(理性)的,于是他们基于这些推测出来的(往往不正确)的逻辑进行决策,之后发现自己的情绪大脑却并不买账,因为理性大脑猜猜看猜错了。这里,后者的理性分析遮蔽(Overshadow)了情绪大脑真正的动机。

Overshadowing Effect是一个比较一般性的现象,不仅体现在心理动机方面。例如早在1950年的时候,人们就发现,对视觉记忆进行语言描述不仅不会帮助深化记忆,反而还会损害记忆。SchoolerEngstler-Schooler两位心理学家在1990年做了一个很经典的实验(The Invisible Gorilla),这篇论文的标题是这样的:语言对视觉记忆的遮蔽效应:有些事情不可说,一说便破。其中不可说,一说便破是我意译的,原文是Some Things Are Better Left Unsaid,这个实验模拟的是当时目击证人指认犯罪嫌疑人的过程:
 
两组被试首先观看30秒银行被抢现场录像,其中犯罪嫌疑人露了一下脸。之后,其中一组被试被要求花五分钟尽可能详细地描绘他所看到的犯罪分子的脸,另一组被试在这五分钟内则什么都不做。接着,两组被试都被要求从一组嫌疑人当中进行指认。
 
猜怎么着?后一组被试指认的准确率为64%,而前一组被试,也就是那组被要求尽量详细地描绘录像中看到的嫌疑人的脸的被试,他们的准确率竟反而只有可怜的38%

正如前面提到的选艺术海报的实验一样,当我们被要求对自己无法获知其内部状态的大脑黑盒模块(不管是情绪模块还是视觉记忆模块)进行分析的时候,我们的分析只是推测,或者只是在用有限描述能力的语言去试图逼近无限微妙的视觉记忆,而我们又倾向于相信自己的推测或分析,并进而仅依据他们来做判断决策(而将真正拥有信息的大脑模块抛弃在一旁),于是遮蔽效应就发生了。

我们知道,很多时候我们的行为的最深层动机来源于情绪大脑,情绪大脑指引着我们绝大多数的日常行为,而既然如上面所说,情绪大脑并不总是对的,但又是一个黑盒,无法窥其内部,所以出错了也很难调试纠错,那么当情绪大脑出错的时候会出现什么情况呢?

二战之后,由于战争的创伤,很多儿童无家可归,无人照料,这些孩子在成年之后,在人际关系相处交往方面出现了诸多的困难,联合国遂派心理医生、心理分析学家John Bowlby去做调研。Bowlby后来便由此提出了著名的Attachment Theory(依恋理论)。虽然心理分析学派后来饱受批判,但Bowlby的依恋理论本身却是一个很成功的经典理论,并且在后来被拓展到两性关系当中

最简单的来说,依恋理论认为一个人成年之后在亲密关系中的行为模式与其儿童时期与主要照顾者(通常是父母)的相处模式有很大的因果关联。

与心理分析学派试图把任何成年的行为模式都往童年归根溯源不同(这属于拿着锤子找钉子),依恋理论基于一个很现实的假设:对刚出生不久的幼儿来说,有两个关键的需求:1. 生存需求。2. 探索环境的需求。前者要求父母在视线之内,后者则往往意味着离开父母。Bowlby认为,漫长的进化中的自然选择使得我们大脑中形成了一个动机调节/控制系统,这个系统的第一要义是满足安全感(生存)需求,在此前提之下,去努力探索环境。就像我家宝宝总喜欢玩楼下某户人家门口蹲着的一只惟妙惟肖的石膏狗,但是很显然她觉得那是只真动物,所以有点害怕,所以她的折衷方案就是拉着我的手要我跟她一块过去,然后她就放心地调戏人家的门神了:)

Bowlby用负反馈系统来打比方,例如空调中的自动控温系统,当室内温度达到某个阈值之下的时候就自动启动空调,到达阈值之后便关闭,从而使室温稳定在一个温度。我们大脑中的安全感控制系统也是如此,当安全感降到某个阈值之下的时候,便开启大家都熟悉的一种叫焦虑的情绪,驱使宝宝去寻找他/她的照料者,而找到了之后,焦虑便逐渐降低。当第一需求——安全感——得到满足之后,便启动第二个需求——探索,而探索的过程中一旦感知到不安全因素的存在(例如父母离开、环境陌生,等等),则探索行为会立即停止,安全感的调节器再次打开。由此可见这是一个在两个需求之间去的平衡的动态控制系统。

但以上只是理想情况,基于父母的不同行为,孩子的行为也会有显著的不同,以下是依恋理论当中的三个比较主要和典型的类型:

安全依恋型,即安全感较强,相信妈妈总会在身边,所以探索行为较多,即便因妈妈离开而焦虑哭泣,一旦妈妈回到身边也会很快回复到探索状态。这个被认为是理想的依恋模型,形成这种依恋模型的前提是父母总能够在宝宝需要的时候满足其安全感需求。

逃避型,这种类型的孩子不管对父母还是对陌生人都表现漠然,也不会去探索环境,比较孤僻。依恋理论认为这种行为的成因是父母总是不能给与足够的安全感,例如没有耐心,对孩子的需求不敏感,拒绝身体接触,以及其他负面反馈,久而久之孩子会形成我也并不需要你的心理,因为没有人能够长期生活在期望得不到满足的焦虑中,要么改变现实使希望成真,要么改变期望以适应现实,在这种类型的依恋关系中,由于父母无法满足孩子对于亲密关系的期望的现实,所以孩子只能降低心理期望。但是,由于前面提到的控制系统把安全感放在首位,安全感得不到满足就不能去探索环境,所以这类孩子可能会陷在这个阶段很久。其实,心理学家通过检测心跳、压力荷尔蒙水平发现这类孩子并非真的通过调节期望从而完全没有焦虑,其实在平静的表面下,他们仍然期望得到父母的关爱(你可能会觉得奇怪,人说天下没有不爱孩子的父母,怎么会出现这种情况呢?原因很多,以后慢慢再说)

矛盾型,表现出对于亲密感的过分渴求,不能很快得到安全感满足并探索环境。分离焦虑很高,而当父母真正返回的时候又表现出愤怒和反抗以惩罚父母。这种类型的形成往往由于父母不能一致性地给予关爱,时而关心时而冷淡,往往当孩子表现得强烈需要关爱的时候才会去关爱。这种不确定性带来的后果就是孩子总是焦虑着想去争取多一些关爱,并且希望通过惩罚去减少父母不打招呼就闪人的几率。

在儿童时期形成的依恋模型很可能会成为成年之后人际关系(特别是亲密关系)的参照系,当和他人建立亲密关系的时候,很可能会沿用当年在亲密关系中形成的一些下意识的假设(我知道在你需要的时候你总是会在我身边我不知道你什么时候就会离开我消失了我不需要你),例如逃避型的孩子可能较难建立真正互相信任的亲密感,而矛盾型的则可能会表现出对亲密关系丧失的高度焦虑、总是寻求蛛丝马迹要确信对方是爱自己的。我们的大脑最具有可塑性的年龄就是在童年(当然,在人的整个一生中大脑都是具有可塑性,并且观念都是可能发生根本转变的,这里只是相对而言),而对于世界的一些基本方面(如亲密关系)所形成的心智模式更是在最初与人(父母)相处的过程中就萌芽了,可以说,早年的经历在某些方面是我们成年后理解外部世界的样板,我们通过这些经历建立心智模式,并通过心智模式的滤镜审视未知的世界(尽管世界可能早已经跟他们想象中的不一样)。
 
实际上,所谓的心智模型就是我们的过往经历所形成的一些泛化的模型,以内隐记忆的形式存在,这些内隐记忆一般不以语言的形式表现出来,而是以情绪的形式,我们往往会感觉到一种不可抗拒的情绪压力,驱使着我们去做(或不去做)某件事情。例如Parenting from the inside out中的一个故事:一位父亲由于早年当实习医生的时候一段压力极大的儿科护士的经历所形成的心智模式,使得后来他自己成为父亲的时候,一旦宝宝哭,就发现自己情绪仿佛陷入了一个黑洞,无法提供宝宝需要的安慰。

心智模式是一把双刃剑,没有心智模式,我们就没有了理解世界的参照系,但难以改变的错误心智模式会成为我们的心智牢笼,有些心智模式干脆就是心智黑洞,什么都无法从中逃逸。

世界上最难以改变的心智模式有两种

1.自我实现的预言:例如:我就是没有数学天分。既然自认没有数学天分,那么就不会去花时间钻研数学,自然不会在数学上有所提高,那么结果也就反过来证实了最初的预期,即我就是没有数学天分。自我实现的预言是一种非常广泛存在的心智模式,在育儿理论上,有一个大忌就是给孩子这样的观念:智力是天生的。或者通过种种言语让孩子形成这样的观念,例如总是夸孩子聪明,而不是夸他/努力NurtureShock)。因为一旦形成智力天生的观念,孩子就会避开高难度的事情,因为做的不好就会对自尊形成打击(看来我还是不够聪明),而不去尝试的话还可以骗骗自己(我只是不想做罢了)。而不尝试也就不会有提高,从而在那些他认为自己不够聪明的地方永远也不能聪明起来。

2.无法证伪的命题:例如假定别人总是怀着恶意的,恶意这种东西,永远无法证伪,不管别人行为多么看上去没有恶意,你都可以从恶意的角度给出解释,即便没法从恶意的角度进行解释,最不济也可以说别人心里就是怀的就是恶意,只不过行为受到种种其他限制而已。这类心智模式就像卡尔·萨根的龙一样,你永远都无法证伪,就像阴谋论永远都有其立足之地一样,除非人类能够直接观察思维。这种心智模式的特点是,无论现实给出的证据如何强,都没法对其构成根本威胁,只要不能百分之百证伪,他就可以选择相信那个他愿意相信的假设。
最后,即便不属于上面两类的心智模式,仍然还是难以改变,因为一旦成为了心智模式,便跟情绪挂上了钩,一旦跟情绪挂上了钩,便难以逃脱证实偏差的影响,作为情绪大脑的律师的理性大脑会忠实地履行律师的义务,为它寻找单方面的证据和解释。(《逃出你的肖申克(四):理智与情感》
 
某种程度上说,生活就像是一系列不断进行的微实验,我们根据所遭遇的现实形成一些假设(观念),然后根据这些假设行事,而我们的行为进而又会触发周遭的反馈,我们于是根据这些反馈再调整自己的观念,这就是一个不断假设检验的过程。遗憾的是,在这个实验面前,有的人是不合格的科学家,因为在实验里面,首先必须提出可证伪的假设(上文的第二点),其次,必须收集两方面的证据(上文第一点),像我没有数学天分这种假设,具有这种观念的人根本就不会去收集反面证据,既然没有反面证据,又怎么谈得上推翻呢?这就像一个科学家,盲目地声称一个假设,然后根本连实验都不屑于做就发表了一样。你可能会觉得,拿生活跟科学实验比,具有可比性吗?有。实际上,每个宝宝都是天生的科学家(The Scientist in the Crib),从开始探索环境起就不断地对世界进行着假设检验,我们每个人其实都比你想象得更像科学家,对世界进行着各种猜测与检验,或者说,对于生活,每个人心中都有一个科学家,只不过有的人比较民科罢了

还有一种最常见、也是最重要的情绪陷阱,就是对于负面情绪的下意识回避。据传释迦牟尼曾对众生讲过这样一个寓言,其大意如下:
 
当一个人被一支箭射中的时候,他其实被两支箭射中,第一支箭就是那支物理意义上的箭,这支箭带来皮肉痛感。而第二支箭则是心理意义上的,其源于你想要回避痛苦的期望跟无法回避的痛苦之现实之间无奈落差带来的二阶痛苦(为什么偏偏是我被射中了呢?真郁闷啊!)。而这个二阶痛苦才是真正狠的那支箭。其实不仅仅是第二支箭,现实中往往伴随着第三支箭第四支箭第五支箭,一个负面的事件引发情绪系统的雪崩,例如没有赶上deadline,导致担心被老板责怪,导致担心丢掉工作,导致担心还不上房贷,再一念想及那些看上去仕途顺利的当年同学,更是各种情绪纷至沓来。然后由最后两支,也是最狠的两支箭来收尾:1) 对负面情绪本身的负面情绪(我不想情绪这么糟糕,可是现在情绪却又怎么糟糕,好郁闷啊2) 因无法扫除负面情绪而带来的无力感。

村上春树在《我在跑步的时候谈些什么》里也提到,痛是不可避免的,但苦却是你自己选的Pain is inevitable, but suffering is optional)。现代社会中,很少有人会肉体累死(甚至我们还会花钱找累——一种叫做锻炼的活动),但有各种烦死,因情绪紧张、压力、焦虑等等而郁闷死,这里的未必是个比喻,因为压力和焦虑的确能够对人的身体造成非常大的伤害,著名生物学家Robert M. Sapolsky就写过一本非常畅销的书Why Zebras Don’t Get Ulcers讲压力所带来的种种生理伤害,例如胃溃疡、心血管疾病、免疫系统衰退等等,从生物进化的角度来说,当生物面对需要紧急应对的压力源的时候,符合生存要义的做法就是把身体的能量调集到肌肉上,以应付fight-or-flight需求,这种时候有些虽长远看重要但不紧急的事情就不可能兼顾了(因为身体能调遣的能量是有限的),例如免疫系统、消化系统、排泄系统等等,极度紧张中甚至连痛感都会暂时关闭(战场之上中枪了还浑然不觉,只觉得肋下忽然一阵麻木,血就流了下来),这里的进化论意义上的原则是很显然的:如果紧急的事情应付不好,可能连明天都没有了,还谈什么免疫消化呢?

那么,我们的身体为了应付紧急情况牺牲那么多是不是值得呢?这里的关键在于,当需要应急的情况并不是很多的时候,这并不构成牺牲,只是暂时关闭消化免疫等等系统,等危机解除了之后身体会立即回复平衡状态。Sapolsky在他的书中想要说明的一点就是,绝大多数其他动物的生活就是这样的:应急是少数情况,大多数时候身体处于平衡状态。然而,人类不一样,人类有一个强大的能力就是能够在大脑中虚拟推演未来,一方面,这种能力带给我们卓越的未雨绸缪的能力,能够远在灾难发生之前就做些什么从而避免灾难,或者做好准备使得当灾难发生的时候的损失降到最低,但另一方面,错综复杂的现代社会也令我们在推演未来的时候有太多需要担心的损失,有太多的事情不受我们的控制。在我们大脑所适应的远古时代(《逃出你的肖申克(三):遇见20万年前的自己》)这一机制是完美的,而在如此复杂的现代社会,它就成了双刃剑。我们的大脑就像一架时光机器,未来可能存在的灾难、过去曾经受到的苦难,穿越到现在,纷至沓来,使得我们在任何一个时间断面都可能承受前后几年跨度之内需要担心的事情,使得我们活在过去活在未来,但惟独不活在现在。

可是,你可能仍然疑惑:我们可以理解在草原上当狮子跑过来的时候,身体调集所有能量应付肌肉的需要是应该的,但是为什么当我们担心考试考砸、丢掉工作、演讲搞砸等等也会带来同样的生理反应呢?这些莫非也需要肌肉来完成吗?情况可能是这样的:由于我们的大脑仍然处于石器时代(生物进化的速率远远小于社会进化),而在石器时代,绝大多数问题都是需要武力来解决的,文字的发明是很晚近的事情,相对于人类几十万年的历史,灵长类几千万年的历史而言,只不过是一瞬。在漫长的进化阶梯上,我们的大脑首先需要解决的就是不断出现的生存和繁衍竞争,而这两者都是得靠肌肉的:) 由于我们的大脑还没来得及进化就被带入了现代社会(基因的进化存在显著的时滞效应,其实别说基因了,我们的社会进化得如此之快,以至于连符合拉马克进化的文化都存在时滞效应),所以很多地方我们的语言当中的隐喻也都处处折射出我们的远古思维,例如当我们非常想要得到一个东西我们会说力争(英文则有"fight for it",就更形象了),我们也常说努力用力过猛尽力等等,而实际上很多时候当我们说这些的时候,我们实际上并不用,而是用。那么,既然我们的原始大脑遇到任何潜在的负面后果,都会紧张起来做好迎战的准备,而我们的现代理性大脑又会把考试考砸认知为负面后果,那么一想到考试考砸就肾上腺激素分泌增加也就不奇怪了,虽然更适应现代社会的大脑显然应该越重要的考试越冷静

其实,所谓情绪的牢笼是一个泛指,情绪的牢笼效应多种多样,例如习惯,为什么习惯难以改变,一个重要的原因是很多习惯往往伴随情绪,想要改变习惯的企图总是撞在负面情绪的南(难?)墙上,而如果对负面情绪没有宽容度,既希望能够按照自己的理性想法去做,同时又希望避免负面情绪。结果只能是发现两者不可得兼,天人交战一番之后往往最终还是情绪说了算。再如自尊的牢笼,如果说心智模式是一间屋子,那么自尊就好比是把这间屋子加了一扇无比坚固的铁门,任何企图颠覆原有心智模式的信息都会触发脆弱的自尊,引发内心巨大的反抗情绪,而一来二去由于受不了其他人提供的威胁到自己心智模式的信息,自尊便会逐渐演变成自闭,到这一步便是把铁门又加上了铁锁贴上了封条,而隔绝了外界信息的结果便是,原有的心智模式更加不可能改变了。

情绪的牢笼是最强大的,其强大之处在于,即便你意识到了,也未必能够挣脱它,因为挣脱的过程不可避免会带来负面情绪(情绪大脑就像是一个不听话的孩子,你怎么劝他就是不依不挠),而我们对于负面情绪天然的回避倾向会把我们拉回到顺从的老路上去。到目前为止,心理科学能够给予我们逃出情绪牢笼的最有效的手段有两个,一是改变行为,观念会自动跟上,但如果没有外力的情况下,单凭个人自身的力量先去改变行为相当于是一个先有鸡还是先有蛋的问题。二是改变观念,行为会自动改变。但改变观念说起来容易,做起来真是难于登天。尽管如此,在这方面还是有两派卓有成效的做法,一是对事实重新认知(或者叫再认知),二就是当下很火的Mindfulness。后者某种程度上也包含前者。
 
要理解这两派做法,须首先理解我们的情绪大脑工作的方式,有一个著名的模型叫ABC模型,描述的是情绪产生的过程,首先是AActivating Event):即最原始的客观事实,然后是BBeliefs about the event):即我们内心的各种内隐的心智模式。最后才是CConsequence):即引发的情绪。而我们很多时候只直接体验到C,既看不到原始的事实A),更觉察不到我们自己的心智模式B)。

ABC模型描述的是情绪产生之前的事情,那么情绪产生之呢?负面情绪是一个负反馈系统其产生的目的就是要驱使你去做点什么从而消除它。所以负面情绪具有强大的执行力。我们不妨把这最后一步称为D(Drive)。于是我们得到一个完整的链条:ABCD。

再认知方法着眼于环节B,其逻辑是这样的:既然情绪的产生是心智模式作用于现实的结果,那么改变心智模式,也就从根本上杜绝了负面情绪的产生,属于防火型策略。再认知在很多时候是非常有用的,因为很多事情确实可以从不同的角度去看,例如你一想到房价这么高就恨不能省下每一分钱(《蜗居》中海萍同学的做法),你也可以一想到房价这么高,再怎么省也是杯水车薪,还不如好好对待自己明天去买个iPhone,反正相比于高房价而言什么东西都不显得那么贵了。

Mindfulness的理念就更微妙了,这是一门非常古老的思维技术,源于佛教,但正在跟现代心理学和神经科学结合并产生像MBSRMBCT这样对日常心智成熟非常有效的技术:神经科学家们发现长期冥想训练的喇嘛们的大脑中的神经回路产生了一些永久性的变化,使得他们更能够让自己的情绪大脑平静下来。Mindfulness很多时候着眼于D环节,即虽然负面情绪已经产生了,但我们可以训练自己对负面情绪的宽容度(佛教将之称为慈悲心,现在一些文艺化的Mindfulness书籍则将之称为对自己要有柔软的心),从而让自己不像拉磨驴一样被它驱使着走。Mindfulness经常用像这样的隐喻来描述我们的意识跟情绪的关系:情绪就像是一场忽如其来的大雨,我们的本能总是赶紧找个屋檐躲起来,而Mindfulness训练的目的就是要让我们能够安然地走在雨中。佛教古老的智慧当中,有妄念这一说法,这一说法跟现代心理学所说的心智模式其实非常接近,正如科学家们所领悟到的:所有模型都是错的,只不过有些模型更错。心理学家们也逐渐认识到:所有心智模型也都是错的,只不过有些心智模型让你更苦逼。而妄念的说法正符合这一要旨,你所感知到的情绪乃是你自己都未必知道其对错的心智模式所带来的结果。而通过训练对负面情绪的宽容度,我们便能够逐渐不为这些念头所驱使,而是能够比较平静地看着情绪来来去去。对此也有人用这样一个隐喻:你的意识是一个空屋子,而来来去去的情绪则是到来的客人,客人会不期而至也会离去。或者这样一个意向:情绪就像一波一波的浪潮,你是冲浪者,而浪尖总会过去。由于对Mindfulness这一古老技术的研究才刚刚开始(Buddha’s Brain),所以Mindfulness相关的书仍然只能大量使用隐喻来传达一些微妙的含义。

但是,不管是再认知还是Mindfulness,都不是速效药,心智模式不仅隐蔽,而且有情绪作后台,特别强大,所以心智成熟必然是一个长期的过程,既需要知识,也需要耐心。借用软件工程的一句话就是没有银弹

罗素曾经说过,我是不会为信仰而死的,因为万一我错了怎么办?对于我们的(负面)情绪,我们也应是类似的态度,既然我们那么讨厌负面情绪,唯恐避之而不及,那么就应该不要动不动就调动负面情绪,因为,万一我错了怎么办(岂不是白白(生气/郁闷/焦虑/担心/etc.)了么)?别忘了在事实和情绪之间,潜藏着纷繁复杂而隐蔽的心智模式,他们就像暗物质一样,看不见摸不着,但对你的行为产生巨大的引力。


写到这里发现已经太长了,只能分成上下两部分了,下部分打算写一写认知的牢笼知觉的牢笼习惯的牢笼个体经验的牢笼





作者介绍
逃出你的肖申克(五):看不见的牢笼(上)2刘未鹏(@刘未鹏pongba),微软亚洲研究院创新工程中心研发工程师,Mindhacks帮主,在这块自留地上笔耕不辍了八年。他从2003年在《程序员》杂志上发表第一篇技术文章,并开始在CSDN写技术博客。起初的博客较短,也较琐碎,并夹杂着一些翻译的文章,后来才慢慢开始有了一些自己的心得和看法。八年来,虽然平均每个月写1篇或者更少,但他从未停止。写博客这件事情,给他带来的最大体会就是,一件事情如果你能够坚持做8年,那么不管效率和频率多低,最终总能取得一些很可观的收益。而另一个体会就是,一件事情只要你坚持的足够久,“坚持”就会慢慢变成“习惯”。20116月,一本刘未鹏八年博客文章精选而出的文集《暗时间》出版。他说:“善于利用思维时间的人,可以无形中比别人多出很多时间。”这里的“思维时间”,即他所谓的“暗时间”。





相关阅读

 
欢迎关注
 
微软亚洲研究院人人网主页:http://page.renren.com/600674137
微软亚洲研究院微博:http://t.sina.com.cn/msra


Peter Lee在“21世纪的计算大会”上的主题演讲:从计算研究到惊人发明



Peter Lee博士在主题演讲的照片】 
          
   Peter Lee博士主题演讲:“从计算研究到惊人发明”的全程视频】 
             
 Peter Lee博士在主题演讲中展示的PPT


演讲人:Peter Lee博士
微软雷蒙德研究院 全球副总裁
美国计算机协会(ACM 院士


我非常荣幸能够来到这里,我觉得能够在这里为大家做这一次演讲,是上天给我的非常好的机会。首先,我们来谈一下在计算机科学方面的基础性研究。但什么是基础性研究呢?其实有一点尴尬,因为我们很难回答这个问题,而这个问题长时间以来也很难被我们所回答。

大概80年之前,有一个非常知名的火箭科学家,他在事业晚期的时候,说过“什么是研究?当我不知道自己在做什么的时候就是在研究”。有很多人也说过同样意思的话,如果我知道我在做什么,那我做的绝对不是研究。我对计算机科学研究兴奋的一点就是,我们经常想去解决一个具体的问题,也许我能解决,或者解决不了。但是,非常令人惊奇的一点,就是我们计算机研究的成果往往会给我们带来意想不到的效果。我们觉得这可以用“边际成本”这个词来形容,这个概念带来的效果确实非常有价值,而且对于计算机研究来说同样有价值。所以在这里里,我为大家举三个微软研究院的例子。我们是如何在进行基础性研究的时候,带来了那些非常好的创新,我很荣幸能够站在这么多优秀的学生前做这个演讲。

                 
  
我曾经也是一个老师,我先为大家出一个考题,这是一张图片,它上面有各种色彩的点,我给你们三秒钟完成这个问题的解答。大家看这张图告诉我,一共有多少个绿色的点,大家准备好了吗?好的,我们开始。有多少个蓝色的点?大家有谁能回答吗?如果大家觉得舒服的话,当我在美国或者欧洲教学的时候,他们也没有通过这个测试,当然,我是玩了一个小把戏了。
 
其实,在微软研究院,我们经常和产品组一起合作,他们有非常严格的纪律。他们会根据客户的需求,来定义产品和用户体验,写一个非常审慎的计划,并且执行这个计划。所以,当我告诉你们看一下有多少个绿色的点,因为你们是非常好的学生,所以你们就习惯于听我说,然后去数绿色的点。在研究方面有一点,研究是一种探索,是追求真理的探索,这就是研究的美丽之处。确实在做研究的时候,我们想知道有多少个绿色的点,但同时我们还有其他的好奇点,比如我们想知道,是否有别的颜色,是否有别的形状,有多少其他的形状和颜色,比如说蓝色的点有多少个。通过这些问题,我们经常发现一些令人惊讶的创新,这些令人惊讶的创新具有更多的研究价值。下面正式的进入到案例里。
 
案例1:音频处理
 
                                      

第一个案例跟你们分享的是涉及到音频的处理,这是来自纽约股票交易市场的图片,从这个图片里面看到是非常疯狂的人,很多人大叫,然后招手,交易员在记录这些交易,看他们自己的场面,然后听每一个人的声音,记录下重要的交易信息,他有一个笔记本,或者一个平板电脑来进行记录。令人惊讶的是什么呢?他说,我们作为人类,我们要这样的两个耳朵收听音频的信息,我们能够专注于我们听的东西,只能是听到其中一个声音上,基本上非常嘈杂的,可以通过专注的听的能力,对于我们的计算系统来说,就有类似的能力,这是很多人目前在解决这些问题。
 
所以,现在难题是这样的。有人跟我们在讲话,然后我们要有一个麦克风,需要听到那个人的声音,使用这个麦克风可以听见。当然,更复杂一些,就是这个人可能在一个拥挤的人群中,很多人同时在讲话,我们只专注那一个人讲话,还有一些噪音,比如说音乐的声音存在。问题就是我们有没有这样的系统,戴一个麦克风,就可以听到你想听见的那个人的声音。你们都知道,我们人类有两个耳朵,这是可以能够接收音频的信息,可以在我们机器上这样做,能够建立一个音频的管道,可以把人的声音收集起来,这是一个指向性的声音,能够知道声音在什么地方。这是一个经典的难题,也希望我们计算机科学借助简单的流程来处理。
  
                                       

在微软研究院里,我们差不多十年前就参与了这样的研究,我们感到自豪的就是开发这些技术。比如说MVDR这样一个自适应的音频波速,这是一个例子,我们叫做最基本的蓝色天空的研究。我们想解决一些根本性的东西,了解这个声音的属性,以及自适应的音频波速,了解其中的定理属性。在某一点上,我们想去通过这样的一种理论实现我们真正能工作的系统。
 
                 

在微软研究院,我们一直在做这样的研究,你们看到这样的图片,是我们的样机。这个样机是由9个麦克风音频阵列系统,我们做了一些实验,能够实施,把它变成现实的MVDRBeamformer,这个阵列可以连接到计算机上,这个计算机有一个管道,可以让你了解它的工作有多有效。我们来播放两个音频的文件,你们现在可以听到这个声音是在噪音很大的环境下说话,我们一个麦克风就能捕捉这样的声音。所以,我不知道你们是否听清楚里面的声音,其中有一个男人在讲话,在这个噪音中,你可以听到的问题是这个计算机面对的,在这么拥挤的状态中,在我们家庭的起居室里面有一些人开Party,这个计算机很难听到就是想给计算机发送指令的声音。同样一个音频源有这样一个声音,所以现在可以看到这样的能力,就是专注你的听力根据计算机连接的音频流上,就像人坐在房间里面一样,这是非常重要的,比如说音视频的会议系统都可以使用。我把它叫做一种研究,就是颠覆性的技术,颠覆性的创新,把一些最基本的理论拿过来,然后努力地用在我们现实当中,能够开发这样一种设备,能够实现我们理论原理,我们可以设想它成为现实的东西。
   
所以,从基本的研究到具体的技术,这是一个非常重要的步骤,是我们整体创新当中很重要的一步。有一点需要说一下的,我们有微软研究院,我们公布和对外发布我们所做的所有事情。这里的一张图片是我们的研究论文,我们有两个研究者,加上他自己的实习生,他们写了这本书,就是在这样的样机系统上写的,这是非常重要的。我们与大学协作,我们可以发掘世界上最好的人才,以及最好的理念,也能够影响我们发展的前景。我们希望可以对我们微软的长期发展有帮助。
 
               

有一个原因,就是为什么展示这篇文章,我想很快地提一下,作者就坐在你们的中间,这篇论文是要发表的,但是当时被拒绝了。我是花了一些时间阅读这篇论文。有些人认为这个解决方案并不能解决问题,没有一个真实的回声抑制系统,没有什么性能改进。最后一篇评论文章,他们认为有三个弊病,这都是来自评论员的文章。当我们朝着颠覆性的方向发展,朝着真正迈步前进的发展中,有些时候真的很难,对于我们科学界,要了解其中一些全新的理念。
 
                Peter <wbr>Lee在鈥21世纪的计算大会鈥澤系闹魈庋萁玻捍蛹扑阊芯康骄朔⒚
当然了,这种技术已经被涵盖到我们Xbox Kinect的音频部分。另外,这个渠道来自于基础性的研究,像颠覆性的创新,他们达到了这一点然后这些研究者,他们把一些叫做关键使命,重视使命的研究,这个情况主要是跟微软产品团队密切的协作,以便于能够把一个全新的、颠覆性的技术推向市场。这种专注于使命的研究,我们涉及到很多方面。我们微软有成百上千万的客户,能够在我们微软研究院当中提出,我们可以充分地利用,最大的挖掘我们研究的成果。
 
尽管有这样的情况,论文被拒绝了,但实际上我们看到的是什么呢?是我们理想的产品概念和科学的幻想小说之间,并不只是事实科学的幻想,这些研究者经常是按照比较保险的方式去评论。所以,我们从基本的研究进入到颠覆性的研究,以及专注的使命性的研究当中有魔力,带着产品的概念,还有理想的产品,可以手拉手的来发展,能够让我们开发出非常好的东西。我想,这也是我们从开发XboxKinect当中吸取的教训。

总结一下,我们看到创新的管道,我们从基本的创新开始,进入到颠覆性,这是首次专注于使命的研究,跟我们产品团队真正合作,推向市场。在此期间,我们继续加以不断的改进,不断的添加和构建我们以往成功的地方。这样一个顺序,就是所谓这样创新的管道。我们不断地努力保证所有的四个阶段,可以不断的推动我们的研究,能够开发出新的东西。
 
               

实际上,在这个实验室里,我们也需要不断的考虑投资的问题。在这张图里,涉及到我们所有研究的投资,X轴是短期到长期的项目。Y轴上,我们可以看到一些课题的选择,一些被动的课题是社会和产品部门给我们的课题;还有经济界、学术界提出的课题。Y轴朝着更加开放的研究,就是寻求一些真理。在整个空间里面看到管道,我们有一个叫Blue Sky,右手边的象限,还有左下角的可持续发展,左上角的象限涉及到我们颠覆性的研究。

所以,四个象限对于我们实验室的管理人员来说是极为重要的,我们有非常好的活动,非常好的人员来进行开发,这是我们微软研究院的理念,这也是在过去一些年中一直实施的。所以,这样的象限模型可以看到,另外一个关于我们象限的内容,特别强调的是关于多样性,有的时候跟一些人讲,也许他们是一些商人,也许他们是一些作家,或者还有各个方面的技术领域,有的时候他们是一些金融人士,或者经济学家,都有这样的趋势,就是把这些研究看成专注于蓝色天空使命的研究者。如果看一下我们的这个象限,是在基础研究上有多样性,对这种多样性做好准备迎接的话,那么四个象限里面都充满我们相关活动的话,我们希望推动的是朝着非常美妙的反馈环路发展,不断的发生的。这是第一个例子。
 
案例2:编码理论
 
               
我选择的第二个例子,今天上午提到的,我们编程的合成,程序合成,这是一个非常好的经验了。大家看到了,我们从一开始就讲了,在这样的研究领域,我们从编程的验证开始,什么是这个编程的验证,现在问题就是我们把代码拿过来,我们想把它用在一些算法上,就是做这样一个编程的验证,这样一些验证的算法,应该是检查这些代码,就是回答一些简单的问题。这些问题是:如果我们想要运行程序,执行代码的话,会发生什么不好的事情吗?然后,作为一个比较现实的问题,帮助编程人员、程序人员,有时可以帮助程序验证过程更扩大一些,如果发生不好的情况,请他们再生成一些实际案例来解释Bug,就是一些不好的行为,这是非常好的帮助,程序员可以使用,跟踪这些Bug,可以解决这些Bug
 
               Peter <wbr>Lee在鈥21世纪的计算大会鈥澤系闹魈庋萁玻捍蛹扑阊芯康骄朔⒚
还有一些是微软和微软研究院投资很多的,我们编写大量的软件,这是非常重要的一点,就是我们要知道这个软件是否可靠安全,我们还做了基础性的研究。实际上两年前一篇重要的论文,这篇论文是在说最根本的原理,是我们微软使用的,来分析这些软件,以保证这些软件尽可能开放,我们能够解决安全方面的问题。
 
               
这种类型的技术尽管经常都是一些非常理论性的,实际上也是非常现实可行的,从最基本的研究当中,所做的文章当中可以看到的类型,我们去做一些颠覆性的工作。从基本的研究又进入到下一步,就是创新的管道,到颠覆性的研究。这个程序的验证可以反向的做,我们有这样的一种程序,我们可以做反向的验证,这样做的话,就是说叫做我们的程序的合成,今天早晨提到过。程序的合成,就是把一些我们叫做案例的输入和输出,然后提出一些问题或者回答一些问题,这个程序是否存在,能够带来一些输入输出。或者说,我们能够生成所有可能的程序,跟我们案例里面的输入输出一致。这样我们可以生成代码,或者所有的代码,它可以是与输入输出一致的。这就是我们所谓的程序合成的问题。
 
这个里面关键的一个洞察就是有可能把一个程序的验证朝一个方向去做,像这样的方向。我们还有一个想法,就是进行逆向的运行,就是把输入输出的概率,自动生成一些程序。今天早上Rick演示了一个视频,就是程序的合成,还有我们微软新的Office 2013版本,我们刚刚看的一些例子加上去,能够让我们自动的搞清楚使用这些程序的合成,还有反向的验证,都是在这两个案例的基础上,或者一个半的例子上,能够生成一些代码,自动生成其他我们所需要的结果。
 
这只是我们三个创新的一部分,从基本的研究到颠覆性的技术,以至于再往下到应用,还有我们的程序验证和逆向,再往下是什么呢?随着现有程序合成技术的到来,这是对于程序合成的一个巨大的机会的领域。我们来想一下,在线的网上教学。如果你在网上学某一个课程,然后你在网上是做一个几何学的小测验,或者微积分小测验。我们知道网上教学的一个问题,就是有几千个学生同时在学这个学科,他们看到的是同样的一个测验的问题。所以,很难去判断到底谁是真正学习了的。但是如果我们使用程序合成技术的话,我们可以就是去出独一无二的测试题,这就是利用合成技术。也就是说把这种题做成一种程序语言,就是根据这样的理论,我们是否能生成不同的测试题,这是我们正在积极做的一个研究。它可以被用于数学或者其他的领域,我们还在做这个方面的技术验证,从而能够产生语言类的问题,比如说你学英文,可以用程序来给你出问题。
 
这样的一个概念也展示了创新的力量,从基本的研究到一些课题研究,到使命研究,然后去找到更多的一些研究,带来的成果,帮助我们更好的实现我们研究投资象限内容的丰富。所以从程序的验证到电子表格到在线的教科书,不断的看到基础性方面的研究带来的一些令人惊喜的成果。
 
案例3:数据存储
 
                 

最后我再举一个例子,在这个例子中,这个结果并不是让你惊奇的,但是却带来一个新的问题。那么,在上一个例子中,我们谈到这样的编码理论,我知道有很多的术语,在美国和亚洲尽管术语不一样,但是内容是一样的。我们假设我们要存储两块数据在一个数据库里。第一个是A=2,第二个是B=3,这两个数据要存在数据库里,下面我们就担心,这个数据存储的可靠性,尤其是你要A=2,在第一个磁盘上,B=3,在第二个磁盘上。如果一个磁盘出了问题,那你的这些数据都丢了。所以如何避免这个现象的发生?一个简单的方法,就是备份,就是使用复制进行备份,每一个数据都有一个备份的拷贝。所以如果一个磁盘出了问题,我们仍然可以把A的值从备份的拷贝中获取,这是一个很简单的主意。但是,在存储方面成本是比较高的,因为它把存储的成本提高了一倍。但是尽管存储的成本要乘以2,但是抽取数据的成本则很低。也就是说他和第一种说法是没有任何区别的成本。想把AB都存起来,为了提高数据的可靠性,再加上A+B=5,在这种情况下,比如说我们丢失了A的数据拷贝,但是没有问题,因为通过读取BA+B的编码,我们就可以推理出A=2,我们仍然有数据重构的能力。我们在这种情况下,第一种方案,简单复制数据拷贝方面,成本要减一半。但是,在数据重构方面,数据值提取方面的成本又要提高一些。所以,这就是利弊权衡的问题了。
 
                 

下面谈一下,就是这个恢复编码已经有很长的历史了,这非常现实的方法,是由Google所使用的。你们可以看到我们有一些存储数据在6个磁盘上存,再加上三个原始的用于支持数据恢复的存储值,来提高数据存储的可靠性。所以我们就要问一个问题了,我们是否在数据存储方面能做得更好呢?过去五六十年当中,人们都在很努力的工作,来更好的进行存储的完善,确实有一定的改善。一个是124码,这是Facebook用的,成本是只有前一个方案的33%。但是,数据重构的成本却是6+3的一倍。因为你在数据恢复和数据重构中,它有数据存储媒介之间的通信的成本等。

还有非常令人惊奇的一部分,就是这样的一个概念已经被研究了五十年了,但是在五十年之后,我们编码理论方面做了非常充分的研究。今年3月份,在这样成熟的领域还产生了进步,微软研究院和产品组,又有了一个叫做本地重构码让你以更低的存储成本,更低的数据重构成本,来去优化数据的存储。
 
                 Peter <wbr>Lee在鈥21世纪的计算大会鈥澤系闹魈庋萁玻捍蛹扑阊芯康骄朔⒚

我们知道理论非常重要,因为今天我们看到60%的年均文档型数据存储的增加,因此我们看到现在高可用性数据的需求量是非常多的,而且也在不断的增长中。那么我们看到数据中心的机器越来越多,这样的话,故障也需要降低,必须要以成本效益性的方式来降低成本,这是非常重要的一点。
 
                 

大家看到Windows Azure的技术文件中,我们可以为你们展示出我们为什么能够做得这么好。我们来看一下最后带来的结果是什么呢?在这张图上我们看到横轴是存储成本,纵轴是数据重构,就是数据读写的成本。你可以看到成本比传统的方法低的多。
 
                 

我们看到不管是数据存储还是数据重构的成本,我们比较WindowsGoogleWindows Azure上有一个调优的系统,我们运营我们云系统的时候,我们可以实现12+4+2的本地数据的恢复。那么它在数据恢复方面的成本,数据重构方面的成本非常低,或者我们进一步降低数据存储的成本的话,在Windows Azure上,运营成本方面每年节约几亿美元的成本。所以,这解决我们所说的已经研究非常透彻,近五十年的理论的计算机科学的理论,突然之间为我们带来新的可能性。也是带来新的颠覆性的技术,这就是为云带来的颠覆。
 
                 
下面我做一些总结,有关创新的通道。可以用这四个象限来表述,对于新研究的人员,对于新进入计算机研究领域的人,你们一定要注意这种多样化,不管你们做蓝天型,还是做颠覆性,还是做某一个使命专注型,或者可持续型的,你一定要不断的提高能力。所有这些都是必要做的。如果你们看成一个通道的话,你会看到新的计算机研究人员,他们在这四个领域都有做。
 
计算机研究有新的蓝天,具有颠覆性可能,也可以聚焦于某一使命,可以持续带来机会。我希望你们迎接多样性,共同推动新的创新。



个人介绍
Peter Lee博士负责管理拥有超过300位研究人员与工程师的微软雷德蒙研究院,致力于提升微软的产品和服务艺术层次及创造新技术。在加入微软前,Peter Lee博士是卡内基梅隆大学的一名教授。他曾在美国国防部高级防御研究计划局工作。在那里,Peter Lee博士创立和领导了一个主要的技术办公室,支持计算机和社会与物理科学相关领域的研究。

________________________________________________________________________________ 
欢迎关注

微软亚洲研究院人人网主页:http://page.renren.com/600674137
微软亚洲研究院微博:http://t.sina.com.cn/msra

   

2013年4月9日星期二

TextFlow:把握信息脉搏


导言这是一个新的淘金时代,企业希望从海量数据的金矿中找出脉络,可是现有的数据挖掘技术难以完全满足它们的需求。破解这个难题需要新思路,而从微软亚洲研究院向CHIP展示的一项新技术中我们看到了曙光。

每条色带表示一个主题,色带的宽度代表主题的热度,如果从一个主题引申出了新主题,色带就会分裂成两条,如果两条或多条色带合流在一起,就可以认为是话题的合并。刘世霞说,这种呈现方式来源于自然界的河流,是一种容易让人理解的隐喻方式,一图胜千言。
有这样一道面试题:如果有一个几十万的新闻集合,那么怎么能够很快了解到到底发生了什么事件以及这些事件之间的关系?答案,就在本文中
我们都知道数据可以分为两大类,一类是数字和符号这样的结构化数据,另一类则是文本、图像和音频这样的非结构化数据。如今,IT领域谈到的“大数据”中,80%以上属于非结构化的数据,而文本又是非结构化数据中最重要的部分。尽管现有技术对数字信息进行分析有相对成熟的方案,但如何高效地分析海量文本信息一直是业界的一道难题。
微软亚洲研究院网络图形组主管研究员刘世霞博士告诉CHIP,之所以现有的文本挖掘技术不够用,首先是因为目前技术尚处于研究阶段,精准度不够;其次是因为技术的灵活性不足,很难满足不同人的需求。她和同组的副研究员崔为炜以及香港科技大学屈华民教授共同主导的TextFlow项目在破解这个难题方面提出了新的思路,他们将文本挖掘技术与可视化这种交互技术结合在一起,不仅突破了传统静态文本挖掘技术的限制,而且能让人利用直观的流式图形迅速把握海量信息的发展脉络。在国际最顶尖的信息可视化学术会议IEEE InfoVis 2011上, TextFlow论文的发布引发了业内人士的关注。有评委表示,“该论文的主要贡献是在海量文本分析中引入主题合并和分裂的理念,这是分析主题演化时面临的最大挑战之一,从文本挖掘和可视化两个角度来说都意义非凡。”
有趣的是,他们在论文中以自身最熟悉的领域——可视化研究作为其中一个案例,将2001年至2010年间发表在IEEE Vis和InfoVis两个学术会议上的933篇论文作为文本数据集合,通过TextFlow模型得出了与实际学术发展潮流相当吻合的图表,其结论令人信服。例如,整体上看,过去10年间Vis相关主题有日渐式微的趋势,2006年之后各个主题独立发展;InfoVis与之相反,整体的趋势是上升的,主题之间的合并和分割非常多,说明该领域的研究更活跃。
他们是如何做到的呢?崔为炜向我们解释了文本可视分析的步骤(如上图所示)。首先,主要由机器来完成海量文本的收集和预处理工作。然后,利用自然语言分析中的概率模型HDP(Hierarchical Dirichlet Process)计算出文本所属的主题(topic)。这里假设每个主题都是由一组关键词来描述的,关键词以不同的概率出现在不同的主题中,每篇文章自然也会以一定的概率属于不同的主题(注:传统聚类方法会认为每个文本只属于一个主题)。刘世霞强调,HDP模型的优势是可以自动确定文本中的主题数量,但是它只能计算出一组静态文本数据的主题,无法进一步找出主题之间的关系。2010年的时候,他们成功改进了HDP模型,将这个语言模型扩展到能处理动态的文本数据流。简单地说,就是跟踪比较T1和T2两个时刻文本内容的变化情况,由此来确定主题之间是否发生了合并或者分裂。文本分析的最后一步就是利用前面得出的主题演化结果,计算出其中的关键事件和关键词,从而更好地展示事件发展的来龙去脉。
在谈到TextFlow模型对于主题合并和分割判断的准确率时,刘世霞表示目前还没有一个固定的样本集可供测试,但把多个领域的分析结果拿给相关领域专家查看时,他们都认为结果比较准确,可以达到满足应用的水平。另外,我们还了解到TextFlow模型的主要算法本身与语言是无关的,中文与英文的区别主要在于海量文本预处理阶段的分词技术,这方面已经有成熟的技术可以完成。
William Ribarsky是北卡罗莱纳州大学Charlotte可视化研究中心创始董事,非常关注微软亚洲研究院在文本可视分析方面所做的工作,他在美国召开的一次学术会议的发言中提到刘世霞所做的交互式可视文本分析,并称“这项成果令人刮目相看”。在扑面而来的大数据时代,相信未来利用TextFlow模型可以做许多帮助企业提升生产效率的事情。崔为炜向我们演示的案例中既包括对历史新闻事件的回放,也包括跟踪社交媒体的数据预测即将发生的新闻事件。由此引申开来,所有之前难以度量的文本数据或许都能迎来一次重生的机会。在信息时代,谁能把握住信息的脉搏,谁就能更好地把握住时代的脉搏。
文章开头虚构的面试题,大家找到答案了吗?

声音

我们应该把文本挖掘技术和可视化这种交互技术结合在一起,让人去做人擅长的事情,机器去做机器擅长的事情。机器擅长做什么呢?机器比较擅长去存储,做大数据量的运算,而人有分析的能力。因此,我们的工作主要就是把人的智能和机器的计算能力结合在一起。
刘世霞 微软亚洲研究院网络图形组主管研究员


通过对海量新闻的集合进行数据挖掘,可以知道大概发生了什么事件,但我们利用文本可视分析还可以在此基础上得出这些事件之间的关系,从而帮助人们更准确地把握信息的脉搏。
崔为炜 微软亚洲研究院网络图形组副研究员


记者郝晓茹
本文发表于CHIP《新电脑》2013年03期,转载请注明出处及期号。
联系作者工作邮箱 hao_xiaoru#chip.cn(#替换为@)
关注CHIP新浪微博,获取更及时的深度IT资讯。

“恪守媒体的客观公正报道方式,提供亲身体验过的软件及互联网服务使用感受。”