导读
APP占领着手机，为让用户活跃度更高，推荐机制成为核心竞争力，算法是否精准成为产品能否成功的决定性因素之一。 优秀的算法让推荐更加精准，用户停留时间变得更长，产生的数据增加，算法模型被训练的更加优秀，最终形成良性循环。 但如此一来，我们作为用户，却会因此丧失学习能力。我们的学习力究竟如何丧失的？
AI推荐原理
国内互联网产品最早追溯到使用算法推荐的是淘宝“千人千面”，抖音等APP让更多人了解推荐算法怎么一回事。
但本质上所有的算法都是基于人工智能，人工智能的实现主要依靠机器学习。
- 机器学习
机器学习顾名思义就是利用机器自己学习，关于机器如何学习以及简单实现可关注我的公众号「新青年TALKS」参考我的历史文章：《初识sklearn》
- 深度学习
如果说机器学习是人工智能下的一个小分支，那深度学习就是机器学习的一个部分。 对于机器学习来说，数据占主导地位，如果以用户真实喜好为上限标准，那算法本身已经能无限趋近这个上限，而阈值由数据决定。 因此数据必然庞大冗杂，深度学习应运而生，利用特定架构进行信息自处理。 用户画像是个什么东西？ 算法根据用户留下的公开数据进行“打标签”，形成用户画像。
产品内部再对内容进行归档分类，按照对应标签进行推荐。 如此一来，你留下的数据越多，推荐越精准，这个数据也许是屏幕脏了擦一下屏幕这个动作。
- 人脑如何学习的
如果你了解了机器如何学习的原理，那么人类如何学习那更容易理解，因为无论是机器学习还是深度学习，它的本质是基于人类的学习方式。 机器通过给模型喂数据进行学习，人类同样是通过这种方式，只是模型变成图式，数据变成实际例子。
解释一下：图式是人们表示世界某些观点的框架，或是用于组织和感知新资讯的系统，类似于机器学习的最终模型。 换言之，机器能与我们一样，对不同的例子/数据处理成一个专属自己的模型，这个模型就像一个公式。 当后面有新的类似问题套进去就能获得答案，只是我们的内部处理方式会比机器复杂的多。 图式的说法起源于认知心理学，邻近概念还有两个：
1.同化
同化是将新的知识分门别类放到图式/模型里供后期使用。 例如，我在初学PR时因为已经有PS基础，我会将工具的使用归类到PS的一些工具概念上，可以加快学习进度。
2.顺应
顺应是新知识归类的时候发现没类别可归，我只得把我原有模型改一改。 例如，我在初学python时从未接触过编程，为了能学习下去，我尝试用更加逻辑化的思维模式生活。 所以你知道为什么听了很多道理仍过不好这一生了吗？
因为“道理”是外部的，要想同化到自己的认知结构里得通过实践去训练。 用机器学习的话来讲：“算法都很牛X，可依然都预测不准结果。” 这被算法工程师们听了想砍人，你训练集、测试集都没有怎么做模型？ 从哲学层面来说，这也是因为“道理”存在于外界，无法实现自我批判，只有通过尝试、实践才能完成自我批判。
- 机器学习与我们
谈了这么多关于机器和人脑如何学习，作为非机器学习发明的我们，是不是可以换种思路，可不可以向AI学习如何学习。 或者说，像AI一样学习？
即使人类学习过程远比机器复杂的多，但究其本质是一样的，像AI一样不断优化自己的学习模式，同样也能让我们更加“智能”。 前文所说，数据让算法逼近上限，但数据的处理才是决定因素，在机器学习中称之为“特征处理”，在此之前得先了解一点关于特征处理的方式，具体可见文章：《sklearn特征处理》。 方法太多，我想主要谈谈：“降维”，在降维方式下有个分支，叫PCA（主成分分析）。 在机器学习中，利用PCA可以减少无关特征，但又保留关键特征。 就像你拍照片，照片是二维，实际内容是三维，但这并不影响人对这个内容的理解。 什么是降维？ 就像人脸识别的处理方式：
虽然机器学习的维度概念（数组维度）与我们日常理解的维度概念（空间维度）有所不同，但降维的概念有所类似，都是提取关键线索。 就像初中数学的三视图，通过三视图得到具体几个方块，只不过这是升维操作。 同理，在我写出上面那段话，寻找两个概念相关性时，也是降维处理。
如何降维？
因为和机器学习不同，我们没有特定的算法进行降维处理，但我们可以在新例子/知识出现时，提取里面关键线索，再通过脑子里已经有过的类似经验去解决。 例如：我在数学常年不及格的情况下，将python的各个库视为PS的各个工具（它们确实很像，我也只能这么干），只是一个英文一个用鼠标（快捷键）的区别。 如同更顶层的模型训练一样，通过足够多的例子与成功经验，自身独特的降维方式会变的越来越优化。 这也就是传说中的“道”，“道不远人”，道肯定是存在于日常生活中，模型一定来源于数据，问题的答案必定由图式决定。
但不得不说，被互联网产品利用的AI却正在毁了我们的学习能力。
- 投其所好的推荐如何毁了我们的学习力
我想先谈谈关于学习英语的惨痛经历，我八岁被送培训班学英语，从小被抓着背单词，背课文，单词到现在认识不少，但看GitHub依旧看不懂，为什么？ 我近两年才明白，单词对应的中文，当单词应用于句子中时，我们习惯性单个词进行中文翻译，这让原本解决问题的流程变得更加复杂，变得多复杂？ 这是原本应有的流程：
这是加入中文翻译的流程：
这里面的每一步都几乎需要我们不断调动语言认知系统进行处理，并且每一步都会存在信息丢失的情况，最终导致压根看不懂一篇完整的英文文档。 为什么会这样？看下完整的流程图：
我们一直在将英语单词作为数据放到中文语言模型里进行训练，就像我们用文章类别数据（离散型数据分类）放入到逻辑回归模型（连续型数据预测）中训练，这也是为什么人到国外英语水平会飙升（将英语正确放入到语言学习系统训练）。 所以学习英语应该像学习中文一样去学习，而不是翻译成中文去学习。
- 我们的学习模型如何被推荐算法类APP修改的？
我举语言学习的例子是为了证明，我们的学习模型能够被外界环境不经意的修改。 各大APP例如x音，我们每天观看、点赞、收藏的数据放到算法模型进行训练的同时，反馈给我们的视频推荐也正在训练我们。 在心理学有个广为人知的名词——认知失调，我们为了改善紧张状态而改变自身行为或想法，使自己相信理念与行为间没有冲突。 也就是俗称的，我只接受我接受的东西。 这让我想起那句：“毁掉一个最好的办法是捧他。”
命题网络模型变得单一 APP推荐给我们喜欢的视频，我一定不会产生抵触，于是我坚信这个世界就是如此，我相信的就是对的。 因为在我接收的所有信息中，都有共同点，都是一个知识的类别下。 这产生了一个很严重的问题，命题网络模型单一化，也就是知识结构变得单一（命题是知识的最小单位）。 我们在不断接收自己喜爱东西的同时，会失去接收新知识的能力。 因为不再接触其他领域知识，弱化了归纳所有领域知识的能力。 其他类型的表达形式变得不易被理解 由于长期只接收一种的内容表达形式，我们的理解力会局限在同一种表达形式。 比如每天看视频信息，当某天突然有份文字材料，会出现理解困难的情况。 这就类似视频是二维信息，文字是三维信息（因为文字表达的知识点会更丰富），升维理解信息会更困难，但降维理解会更方便，这一点初中的三视图就是很好的例子。
- 改变现状，重拾学习力
重要一点是前文所说的像AI一样去学习，通过不断训练优化自己的思维模型与认知结构。 另外一点，我们应该摘得戴在头上的“VR”眼镜，去触摸其他更多领域让图式进行自分裂。 这意味着，我们的总的认知模式里有针对不同领域的一个单独认知模式，总的认知模式概括了子类里各领域的共通之处。
“碎片化时间让我们无法系统学习某领域知识”这一理论纯粹是某些人的借口，知识的学习本身不在于时间，而是认知结构能否对其进行归类。 如果图式分支够多，一定能对其进行分类，如果没有符合的图式分支，时间再长也无法习得此技能/知识。 花时间的是训练与实践，是认知模型的建立与优化。