感觉这篇文章对非计算机专业的人来说阅读起来会有点不友好，后面会考虑重新探讨这个问题
hello，我的朋友，我预计想跟你讨论知识的结构，在这个基础上我们讨论如何学习知识，提到知识的结构我想到了两张图:
首先我认为知识是网状的，他们分散成一个又一个节点，而学习的过程中就是在旧有的知识点创建连接，或者向脑中加入新的节点，但是新加入的节点未必和旧有的节点连接在一起，比如当我学习Java的时候，我学到了线程这个概念，这个概念有一定的发展历史，在操作系统课程中想来已经介绍过了，但是这些概念散落在我的脑海里面，他们之间并没有建立连接，于是我在重新学习线程的时候，开始重新学习线程，开始不孤立的只站在Java角度看待问题，在一刚开始我得到的概念是引入线程是为了更好的利用多核心，但这只是一方面不是吗? 另一方面是为了更好的共享内存，这就说到了第二幅画在素描，看起来这一笔是对的，但其实还不那么对，于是我转而在某一天看操作系统的过程中发出了提问，早期的进程切换就已经能利用多核心了不是嘛，那引入线程其实共享变量的目的更多一点不是吗? 于是我去了解了操作系统的发展史，我看到了早期的操作系统并没有提供线程内核级别的实现，所以早期的线程是进程内部切换执行流，你想到了Java的绿色线程是吗? 这种实现的线程更适应单核，后面的多核开始出现，操作系统开始适应CPU，你看在了解线程的发展史的过程中，素描的越来越清晰，也许有一笔是错的，但这是没办法的事，我们需要试错，就像小孩子学会走路一样，总要摔倒几次，我们走路就越发熟练，同样的在认知学习这件路上也是，我们会像是素描一样，偶尔会画错几笔，但是最终我们画的越来越清晰，我们也会去尝试打断一些知识点之间的连接，让他们重新建立，这就是对知识的重新理解。也就是说到现在我对我的知识体系仍然存在一些疑问，但不影响我借助这套体系来解决问题，人类的历史中不缺乏的例子，你一定知道我想要说些什么，那就是高中物理学教材的一段话:
当20世纪第一个春天来临之际，英国物理学家、被授予"开尔文勋爵"的J.J.汤姆孙在“新春献词”的演说中，踌躇满志地宣告: "科学的大厦已经基本建成......" 后辈物理学家只需做一些零碎的修补工作就行了。
但他也承认, 动力学理论断言热和光都是运动的方式，现在这种理论的优美性和清晰性被两朵乌云遮蔽得黯然失色了。看起来还不是小乌云，不然也不会将动力学的遮蔽的黯然失色。那这两朵乌云是什么问题呢，第一朵乌云是随着光的波动论而开始出现的。它包括这样一个问题: 地球如何能通过本质是光以太这样的弹性固体运动呢? 第二朵乌云是麦克斯韦-玻尔兹曼关于能量均分的学说。随后第一朵乌云导出了相对论，第二朵则导出了量子力学。所以我对我的知识理论体系并没有那样完全确认，我承认他是有问题的，我时常会用一些可能、也许吧这样的词，这并不是在敷衍，这代表我也在思考，我觉得还有哪些我没看到，所以我会用可能、也许这样的词，来表达我的推测。
写到这里我想到了高中教材上面的一句话，我打开了搜索引擎，重新读高中物理教材，看到了一些让我心动的话:
物理学是探索自然界最基本、最普遍规律的科学，物理学的一般探索过程是通过观察和实验积累经验，在经验事实的基础上建立物理模型，提出(往往是猜测出)简洁的物理规律(物理学要求这些规律必须是定量化的)，也就是用公式或数组表达的，用它们语言未知现象，再用新的实验区检验这些物理模型和物理规律，去否定或进一步修正它们。
这段话你看到了什么，我看到了猜想、否定、修正。大胆的去猜想，小心的去验证，这是探索真理的方式，有一段时间我会去好奇看源码有没有什么标准的方法， 我有的时候会去想看源码有没有一种标准的方式，因为我看源码一部分是靠猜想，我感兴趣哪一点的实现的时候，比如@ComponentScan的原理，这个是如何实现的，那我就会去看这个@ComponentScan的注释，然后用IDEA的快捷键find usages，去找哪些地方被调用，然后去猜是哪个调用处理的，然后不断的试探，有的时候我内心不认可这种猜，我希望确定一些，但猜想为什么就不是一种标准方式呢。有些道理讲起来很简单朴素，但是始终是纸上得来终觉浅，绝知此事要躬行。
我接着翻阅物理教材，看到了物理教材上出现了我感兴趣的问题:
黄娃插问道: 老师，什么是物理模型?
老师解释道: "实际问题往往是复杂的，其中包含一些非本质的枝节，物理模型就是把实际问题理想化，先略去一些次要因素，突出其主要因素，不这样做我们就得不到简洁的物理规律"
那么如果让哲学家维特根斯坦来回答这个问题，那么维特根斯坦会首先对这个问题进行解释，什么是物理，什么是模型，对于哲学家维特根斯坦来说，首先先问是什么，再问是不是，如果让维特根斯坦定义哲学，大概会是概念考察，对探索任何问题之前，都必须将使用的概念界定清楚，若不能界定清楚这些概念，花再多时间探索前面的问题，也得不到任何有效结论，徒劳而无功。在每一次的日常思考中，我们同样在使用大量的概念，我们总是对概念来说事情，却很少对概念有所说，我们是先学会使用概念，后明白这个概念意味着什么，有人指出举出穷究概念会让人陷入虚无主义，那么如果让维特根斯坦来辩白，那么维特根斯坦会首先说，请问什么虚无主义，在我看来每一次将模糊的概念界定更精确，我们对客观事物和客观规律的认识，就会更加深入，概念考察是任何有效思考的基石，所以当我考察线程安全问题的时候，我会考虑什么是线程，什么是安全，当我看到Java内存模型的时候，我会首先考察什么是模型，然后将其组合在一起，考察这个问题。在这里我们又多了一种求知的手段，不断的明确概念，大胆猜想，小心求证，建立模型，然后验证去否定或者进一步去修正他们。
我相信你也听到过一句话，我这里无法记起原来的话，但是我能复述出来大致的意思，如果你能讲给一个老太太听，用白话讲给他，让他也明白，那说明你才是懂了。这句话某些程度上是对的，在给别人讲的时候，自己也清楚一些问题，但是完全套用这段话，认为如果一个人不能用白话讲给别人听就是不懂，某种程度上也是一种诘难，这里我们可以举一个例子来反驳这段话，让我们请出Galois，他的主要成就之一就是发现了n次多项式可以用根式解的充分必要条件，他引入了群的概念，为了解答这个问题，Galois引入了太多概念，过了几十年之后才有人看懂他的理论，对于一个经过数学训练的普通本科生，都无法接触他的理论，更何况是一个老太太，不存在一种模型可以应对所有的场景。
科学的发展是一个抽象的过程，要向普通人介绍一些理论，只能借助类比或者比喻，这让我想到希格斯玻色子, 如果你没听说过这个名词，我想他有一个更加闻名遐迩的名字你一定听说过，那就是上帝粒子，1993年，英国科学大臣征集面向公众的希格斯场和希格斯粒子最佳解释，奖励为一瓶香槟。最终伦敦大学学院的大卫·米勒教授赢得了这瓶香槟。米勒教授把希格斯场比作一群摩肩接踵的鸡尾酒会参加者，一个普通人可以轻松穿过人群，而一个大咖走来，会瞬间吸引人围过来，大咖穿过人群就会很费劲。希格斯场与粒子作用与之类似：粒子会吸引希格斯场过来，减慢自己的行进速度，减少得越多，代表希格斯场赋给该粒子的质量越大。
这个解释相对通俗易懂，但其实还是有些名词需要解释，希格斯场和粒子，要解释希格斯场我们还要比喻类比，在比喻类比的时候，也在失去事物原本的样子，所以有些人懂了这个类比，但未必真的理解了上帝粒子是什么，如果他也是通过这种失真的比喻去理解的话，那其实他并没有懂什么。马斯克说过:
我认为很重要的是，要用第一性原理而不是用通常的类比方法，我们日常习惯用类比法来理解新事物，认为做这件事的方法就和另外一件事的方法差不多，或者就和别人的做法差不多。因为用类比法的话，脑子更容易理解接受，相对于第一性原理来说，但第一性原理其实是看待世界最本质的方法，它意味着你需要将事物拆解到最基础的本质上，然后找到可以确信的东西，或者最接近本真的东西。然后从那个基础上往上推导，确实需要消耗大量脑力。当然有人曾说过，电池组真的很贵，它就该那样贵，因为历来如此，过去一直都这样，其实那样想挺傻的，因为你一旦按照这个思路去看待一切新事物的话，你会发现啥也做不成。所以就好像，你不能说因为有马了，就没人需要汽车了，因为马足够好用，人们也习惯了，马吃草就行，草又多得是。而且你知道的，它，又不像汽油一样，需要找，需要买。这样的话，人们永远不会有汽车的，过去确实有人说过这样的话，说回电池的话，人们会说，历史的成本是大概是600美元每千瓦时，并且将来也没有什么成本降低，我就会想问，电池是有什么组成的，第一性原理会指引说，组成电池的材料是什么，材料的现货价是多少。所以你可以分析，材料有钴、镍、铝和碳，以及一些聚合物，还有一个钢盒子，所以分析拆解以后，假如从伦敦金属交易所直接买的话，这些材料的成本分别是多少，结果只需要80美元每千瓦时。显然只需要，多思考一些好办法，将那些材料组合成电池组单元，就可以得到便宜的多的多的电池，前人都未设想过的便宜。
那什么是第一性原理，这要追溯到古希腊哲学家亚里士多德: 任何系统中都存在最基本的命题，不能违背、不能删除。第一性原理是整个体系的根基，无论是第一性原理还是类比其实都是推理方式，已知的推理方式有: 归纳、演绎、类比，在进行推导的时候，类比有的时候要有一种先验的假定，同类的具备相同的性质，有的时候类是一种很粗糙的划分，即使是同类未必具备相同的性质。归纳是从多个个别事物中获得普遍的规则或规律，这让我想到了教科书的一些话，等式两边是同一观点的不同看法，我想起庞加莱的一一句话:
数学是赋予不同事物相同名称的艺术
演绎法就是从已知的定律经过逻辑推演得到新的定律的方法，从一般性的前提出发，通过推导，得出具体陈述或个别结论的过程。我感觉计算机世界的种种表象都是在基础的几个规则上展开，尽管形式不同，但他们都基于几个非常简单的规则，表现的形式多种多样，我觉得记录具体的形式，不如记录最简单的规则，然后借助演绎推理，在需要的时候导出所需的形式。
在高中阶段，我们会有一份考纲划定哪些是重点考试点，哪些是次要知识点，但是那只是应试，我想起一句话:
当你成为某个领域的专家，遇到的问题就会非常具体，很可能只有少数人遇到过。再想进一步前进，互联网也不是很有用，只能靠自己摸索、应用、实验和协作。这些都相当慢，这就是为什么专家再要提升自己，往往要花费数年时间
是的，当你成为某个领域的专家，遇到的问题会非常具体，所以去寻找一份大而全的考纲是不切实际的，每个人都工作在不同的领域。庄子曾说过: 生也有涯而*知也无涯, 计算机的世界是一片汪洋，每一片领域都会有很多点，当你在探索的过程中，如果没有一个目标大致会迷失在这片海洋里，所以每次启航都需要一个终点，大多数人的好奇心很早就死掉了，一些人不会再更新他的认知模型，固执的用自己就有认知模型去解释世界，所以要保护好你的好奇心， 好奇心是无价之宝，这会让你提出问题，而提出问题会让我们的自画像越来越清晰，我们的认知网的节点会越来越多，是的，这是走向专家的道路。那如何提问呢，根据我混迹技术群的经验，很多人期待的是像高中老师一样的人物，你说不懂，他们对这道题完全了解，可以完全讲给你听，把这道题目的思路完全讲给你听，我想起他们会直接给个截图，然后不到十个字，请问有xx大佬嘛，这个问题是为啥呀。但这其实有点难为社区的人，社群的人并不是AI，无法自动获得上下文去提问，所以如何提出问题是一个需要学习的能力，什么是杰出的问题嘛:
费马大定理很清晰，没有什么歧义，在我看来这就是杰出的问题，明确问题的上下文，明确想要知道的答案，让人一目了然，杰出的问题意味着杰出的洞察力，所以该如何学习呢，那当然首先要提出杰出的问题，具体的问题得到具体的答案，我们为什么要具体，让我们从现代汉语的知识这个词来说起，认识这个词在现代汉语中是相当笼统的，覆盖了知道、理解、辨认等多方面的汉语，也就掩蔽了这些不同思维样式之间的差异。仅就知道这个词这个概念来说，还可以分为知道是这样和知道这样更好，所以在提问的时候明确问题的时候也在明确答案，比如提出了这样一个问题深度理解List，该怎么理解这个问题，深度有多深，多深算深，这个问题颇像八股取士:
子谓颜渊曰：“用之则行，舍之则藏，惟我与尔有是夫
有的时候当问题不是杰出的，答案也就会有问题，但是像八股文一样你出的多刁钻，但是也可以写出杰出的文章，但这并不适合探索真理。我们需要将问题分解，提出有效而杰出的问题，我们可以将深度分解为集合框架的设计理念、代表集合框架的设计思想等，我们看待的问题的时候分为整体和局部，看待问题分为从整体上看，从局部上看，确定战略，然后分解目标。你想到了什么，是否想到了数学呢，数学的学习是一个逐步抽象的过程，但我们不仅要学会从具体变成抽象，还要学会将抽象还原为具体，这是另一种解决问题的策略。
到这里我们已经逐步明确了我们学习的手段，知识是网状的，不会有一份大而全的考纲，顺着每个点走下去都可能碰见无穷多个分叉，所以在探索的时候常常要确定一个问题，我想知道些什么，我的目标是什么，不要将问题提的太笼统这不利于我们解决问题，明确问题的本身，也是在明确问题的边界。修改基础的规则，推导出来就可能导出截然不同的体系，靠近事物的本原，实现最小化记忆原则，这会让我们轻松一些。当我们看待问题的时候，我们有三种策略: 整体和局部、抽象和具体、历史和发展。整体是大方向的设计，结构性设计，战略性设计，局部是更细的实现，很多问题在局部无法得到答案的时候，常常要站在整体的角度去考量。抽象则是在研究问题的时候尝试摒弃一些无关因素，但是抽象并非是一剂治愈百病的良药，许多问题我们也需要将抽象还原为具体。一些问题要站在历史长河去考虑，很多东西都有历史因素，你可以看到早期的线程概念主要是为了共享变量，因为早期根本就没有多核，意味着一些问题需要考虑更多的历史因素。那么如果不知道问题的突破口在哪里呢，那么不妨试探，大胆试探，大胆猜想，小心验证。
参考资料
[1] 教科书上有哪些令你触动的话？
[2] 概念考察
[3] 希格斯玻色子是什么？为什么被称为「上帝粒子」呢？
[4] 如果希格斯玻色子（上帝粒子）被确认存在，会对世界造成什么样的影响？https://www.zhihu.com/search?type=content&q=%E5%B8%8C%E6%A0%BC%E6%96%AF%E7%8E%BB%E8%89%B2%E5%AD%90%E6%98%AF%E4%BB%80%E4%B9%88%EF%BC%9F%E4%B8%BA%E4%BB%80%E4%B9%88%E8%A2%AB%E7%A7%B0%E4%B8%BA%E3%80%8C%E4%B8%8A%E5%B8%9D%E7%B2%92%E5%AD%90%E3%80%8D%E5%91%A2%EF%BC%9F%20
[5] 科学技术相关的逻辑（一）归纳与演绎 https://www.acabridge.cn/hr/xueshu/202105/t20210526_2113791.shtml
