肯定有不少小伙伴要疑惑，大象怎么把看似沒有什么大關聯(lián)的兩個作者和兩本書湊一起聊的了。主要是因為大象最近收到這本《弱關聯(lián)：在旅行中探尋檢索詞》，閱讀過程中蠻受啟發(fā)的，然后想起了卡尼曼的《噪聲：人類決策的缺陷》。

《噪聲：人類決策的缺陷》的重點在于怎么面對事件以外的影響——噪聲，：從尋獲噪聲到探究人類判斷的本質，從預測噪聲到闡釋噪聲的主要原因，從探討如何改進判斷和防止錯誤的的實際問題，一直延伸到什么才是合適的噪聲水平。

卡尼曼系統(tǒng)性地指出：噪聲，才是影響人類判斷的黑洞。“噪聲”是隨機的，但卻是致命的。卡尼曼在書中提出了6大原則，幫你重塑決策框架，做聰明的決策者。

而在東浩紀的《弱關聯(lián)：在旅行中探尋檢索詞》則提出我們需要足夠的噪音，甚至需要在一些時候人為增加噪音。需要注意的是《弱關聯(lián)》里面的翻譯使用的是“噪音”，和上面提到的“噪聲”是一個詞。在書中，東浩紀提到互聯(lián)網是固化圈層的工具，不斷發(fā)展著消除噪音的技術，讓我們去按照技術商提供的方式來活著——比如在搜索的時候自動聯(lián)想的詞匯或者話題。

雖然我們自以為在自由地檢索，但實際上所有檢索都是在Google取舍選擇后的框架內進行的。只要接觸了網絡，你就只能在他人所規(guī)定的世界里思考。世界正在朝這個方向發(fā)展。

其實換一種角度來思考，網絡上的這種貌似“消噪”的行為其實也是在用用戶增加“噪聲”或者“噪音”，目的就在于影響用戶的決策架構，這個和卡尼曼的噪聲論其實并不沖突。而《弱關聯(lián)》是一本在2013出版的書，關于增加噪音的思維可以說是非常具有前瞻性——2017年OpenAI實驗室最新發(fā)現頻繁地給增強學習算法中的參數增加自適應噪聲后，能得到更好的結果。這種方法實現簡單，基本上不會導致結果變差，值得在任何問題上嘗試。

2022年《NoisyTune: A Little Noise Can Help You Finetune Pretrained Language Models Better》一文更是通過實驗的方式證實在AI訓練中加入少量噪音，提高下游微調效果。我們可以看到哪怕是在人工智能領域，消噪的環(huán)境其實本身就是一種“噪聲”環(huán)境，對于提升有害而無益。

相較于卡尼曼的心理學和經濟學模型破解噪聲之困，東浩紀更重視簡單的“弱關聯(lián)”——不要把自己當“當事人”，而是當一個“觀光客”，書的核心在于“我相信，正是觀光客的視角，在一定程度上壓制了當事人毫無意義的斗爭。”

我們要在環(huán)境所期待的自我之中，定期混入噪音，有意識地變換環(huán)境。去賭變換環(huán)境之后，自身所思考的、所能想到的、所希求的東西發(fā)生變化的可能性；用自己的意志去破壞自己身處的環(huán)境，進而改變它；主動打破自己與環(huán)境的協(xié)調性；故意違背Google提供的檢索詞。

當然，僅僅通過《噪聲》和《弱關聯(lián)》兩本書就能讓我們突破“噪聲”環(huán)境，通過消噪和增噪來自由作出自己的選擇也不現實。只是希望閱讀能讓我們打破不一樣的思維框架，擁有更多的思考空間。

最后還是那句話，跟大象一起讀好書，好讀書，讀書好！