Table of Contents

1. 暗时间
   1. 暗时间
   2. 设计你自己的进度条
      1. 设计你自己的进度条
      2. 不要过早退出循环
      3. 兴趣遍地都是，专注和持之以恒才是真正稀缺的
      4. 生活中的选择远比我们想象的要多，细微的选择差异造就了不同的人生
      5. 靠专业技能的成功是最具可复制性的
      6. 反思是让人得以改进自己的最重要的思维品质
      7. 饿死在干草堆之间的驴子
      8. 一生的知识积累，自学的起码占 90%
   3. 如何有效的记忆与学习
      1. 具体实践方法
   4. 学习密度与专注力
   5. 一直以来伴随我的一些学习习惯
      1. 学习与思考
      2. 时间和效率
      3. 时间和效率 2
      4. 知识结构
      5. 习惯的养成
2. 思维改变生活
   1. 逃出你的肖申克
      1. 亲身经历才能明白?
      2. 亲身经历了就一定明白吗？
   2. 书写是为了更好地思考
   3. 为什么你从现在开始就应该写博客
   4. 我不想与我不能
   5. 遇到问题为什么应该自己动手
   6. 什么才是你的不可替代性和核心竞争力
3. 跟波利亚学解题
   1. 跟波利亚学解题
   2. 锤子和钉子
      1. （一）
      2. （二）
   3. 鱼是最后一个看到水的
      1. C++
   4. 知其所以然
   5. 为什么有必要知其所以然
   6. 康托尔、歌德尔、图灵——永恒的金色对角线
      1. 图灵的停机问题（The Halting Problem）
      2. Y Combinator
      3. 歌德尔的不完备性定理
      4. 大道至简——康托尔的天才
   7. 数学之美番外篇：快排为什么那样快
   8. 数学之美番外篇：平凡而又神奇的贝叶斯方法
      1. 历史
      2. 一个例子：自然语言的二义性
      3. 贝叶斯公式

人人都该学点心理学 blog 推荐：负喧琐话 http://blog.csdn.net/g9yuayon

暗时间

暗时间

• 大脑就像 CPU，如果不思考就像 CPU 运行 idle 进程一样，要善于利用思维时间
• 时间对每个人并不均等，衡量一个人活了多久应该用思维时间来计算
• 一件事情的实际投入是时间和效率的乘积
• 暗时间：走路、买菜、洗脸洗手、坐车、逛街、出游、吃饭、睡觉等等
• 程序思维：任务切换会耗费额外的花销，所以专注比不专注更高效，这也是暗时间
• 高效学习：迅速进入专注状态 + 长期保持专注状态(思维体力) + 抗干扰

设计你自己的进度条

设计你自己的进度条

• 进度条相当于给自己心理暗示(定心丸)，能预估什么时候会达到 100%
• 人会对不确定的未来、不确定的时间投入感到恐惧，这样的心理下人就会选择退出

不要过早退出循环

• 遇到困难不要畏难，不要轻易放弃
• 过早退出也是因为对未来的不确定性、对投资时间最终无法收到回报的恐惧
• 感受到的困难越大则恐惧越大，恐惧越大则暗示需要投资的时间越多
• “畏难”所畏惧的不是困难本身，而是困难所暗示的时间经济学意义
• 高德纳：过早退出是一切失败的根源

兴趣遍地都是，专注和持之以恒才是真正稀缺的

• 区别人的不是兴趣，而是毅力，即便没有兴趣，专注和持之以恒也能成为专家
• 兴趣的很大一类来源是——"我擅长做这件事"

生活中的选择远比我们想象的要多，细微的选择差异造就了不同的人生

靠专业技能的成功是最具可复制性的

反思是让人得以改进自己的最重要的思维品质

饿死在干草堆之间的驴子

• 不要因为无法做出决定而推迟决定，推迟决定是最差的决定，白白浪费了时间
• 不管多纠结，都要好好思考和调查之后做出一个决定并坚持下去

一生的知识积累，自学的起码占 90%

如何有效的记忆与学习

• 你所拥有的知识并不取决于你记得多少，而在于它们能否在恰当的时候被回忆起来
• 联想记忆(记忆编码)，提供更多的提取线索，任何一个线索被触发都可能顺藤摸瓜地拎出整条记忆来
• 理解性的记忆，富含线索
• 抽象问题，触及本质，有效提取知识

具体实践方法

1. 养成习惯，经常主动回顾一段时间学到的东西
2. 创造回忆的机会 2.1) 经常与别人讨论，或者讲给别人听：教是最好的学 2.2) 整理笔记 2.3) 书写：思考、关联、增加线索等等
3. 设身处地“虚拟经历”别人经历过的事情
4. 抽象和推广
5. 联想/比较自身的经历

学习密度与专注力

• 学习密度:重视积累的力量
• 专注力也是一种习惯，迅速进入专注的状态
• 思维体力：持续集中注意力的时间，注意力造就非凡专家，天才来源于长期的专注的训练

一直以来伴随我的一些学习习惯

学习与思考

• Google & Wiki
• 看书挑剔，只看经典
• 做读书笔记
• 利用暗时间思考
• 多看心理学和思维的书
• 学习一项知识必须问自己三个重要的问题： 它的本质是什么，它的第一原则是什么，它的知识结构是怎样的？
• 学习中经常问自己： 1.你的问题到底是什么（提醒自己不要偏离问题） 2.到现在为止,我有什么收获(经常总结) 3.设想在讲给别人听(有声思考) 4.设想需要讲给一个不懂的人听(挖掘背后最本质的解释) 5.反省和注意自己的思维过程 6.养成反驳自己想法的习惯 7.人的思维天生就是极易流于表面来理解事物的(追寻知识的本质)

时间和效率

• 趁着对一件事情有热情的时候，一股脑儿把万事开头那个最难的阶段熬过去
• 要事优先
• 重要的事要营造大块时间来完成
• 善于利用小块时间
• 重视知识的本质
• 重视积累的力量，万事提前准备
• 学习之前先判断一个东西值不值得学习： 学的到底是什么、重要吗、需要在这个时候学习吗、未来有什么价值、是不是你真正希望做的
• 退订 RSS:真正宝贵的信息,在其他来源你也会接触到
• 多总结最近得到的新知识
• 多读书
• 制定简要的阅读计划

时间和效率 2

• 根据主题查阅资料,而不是根据资料查阅主题（书只看章节，当字典用） 举例：比如看某个算法，搜集不同资料，看每个人从不同的角度如何讲述的
• 区分好资料与坏资料
• 学习一个东西之前,首先在大脑中积累充分的“疑惑感”
• 有选择地阅读(信息密度低,不需要思考的快速略读) 3 步骤:问题是什么?方案是什么?例子是什么?
• 阅读的分类:一类是知识的,一类是思维的
• 利用时间碎片:任何一点时间都可以用于阅读
• 为什么看不懂?你看得不够使劲/涉及了你不懂的概念/作者讲的顺序不对
• 阅读之前先获得一本书质量的大致评估
• 如何搜寻好书

知识结构

• 抓住不变量

习惯的养成

• 人评判一个信念的标准是 satisficing 原则而不是 optimizing

思维改变生活

逃出你的肖申克

亲身经历才能明白?

• 切身体验:更加强烈和深刻
• 别人口中的故事:也许只是事情的一个方面,难免受到他们自己观念的影响而产生偏见
• 为什么:别人给你讲道理只能告诉你怎么做(how),而难以解释为什么(why)
• 世界是复杂的:单一因果来解释事情几乎总是不恰当的
• 未来是不确定的:头脑清醒,尽量不错失机遇,改善个人因素能大大增加成功的几率
• 别人的道理,自己的事情:知识经验跨情境转移
• 认知失调与自我辩护
• 失败即成功:总结经验教训,失败揭露出的信息往往比成功多
• 情绪对照
• 天性:大脑进化选择出来的天性,在判断与决策时的优先级总是最高的 两个大脑:理性大脑(进化年代较新近的大脑皮层,具备自我意识,分析,计划,抽象,语言等复杂功能)和原始大脑(进化年代久远的大脑区域,适应于远古社会,主管情绪及一些原始需求和条件反射,如生存,繁衍,道德直觉等等) 为什么总是感到不满足?感到满足就不会进取,不进取就会被淘汰(优胜劣汰)… 自然选择过程试图最优化的目标函数并不是"幸福感",而是"繁衍概率" 需要用理性大脑去说服原始大脑
• 习惯

亲身经历了就一定明白吗？

• 很傻很天真的条件反射 没有好结果并不代表过程错了，正确的结果并不代表方法一定正确 看重过程而不是单次的结果 再好的过程也可能会偶尔失利，但从长远统计，好的过程总体上必然导致更好的结果
• 认知偏差 自我服务偏差：将失败归因于外界因素，将成功归因于自己的能耐

• 情绪系统 我们平常的决策与判断强烈地依赖于情绪系统的输出

• 不需要亲历也能明白——理性的力量

  • 让事实替代我们进行了思考和推理
  • 普通人从自己的错误中学习，聪明人从别人的错误中学习（在别人跌倒的地方跳过去）
  • 大脑中走的越远，现实中就走的越稳；大脑中失败的次数越多，现实中失败的次数就越少

• 仁者见仁智者见智?从视觉错觉到偏见

  • 当大脑中的两个假设相冲突的时候，更强硬的那个获胜
  • 先验假设
  • 日常生活中的事件，总有一个平凡的解释和一个疯狂的解释
  • 我们总是混淆“事实”和“推断”（尤其是我们对推断的确信度很高或对我们有利的时候）
  • 很多时候我们根本无法看到或设想另一种可能性
  • 开阔视野，多积累知识，以及和具有不同知识背景的人讨论
  • 仁者见仁智者见智：1.偏见 2.立场 3.选择性关注
  • Open Mind: 1.这只是一种可能，未必是唯一的可能 2.想不出其他解释不代表就不存在其他解释

• 遇见 20 万年前的自己

  • 正确而理性的做法是永远都勇敢地迈出第一步
  • GTD 的原理：“情形正在变好”可以带来正面情绪，从而激励个体把事情执行到底
  • 以“诱使”或“要挟”的认知方法来促使自己执行一件事

• 理智与情感

  • 我们理性的大脑非常善于对自己的行为作出立即的、看上去合理的解释
  • 我们知道答案，却往往不知道求解的真正思维过程
  • 只要我们的情绪大脑（原始大脑）首先认定一件事，那么理性大脑就会屈服，并会寻找利于自己的解释
  • 客观意味着承认存在未知信息的可能性，理性意味着能够从对立面的视角去看问题和思考。
  • 克服大脑天生的缺陷：用进废退
  • 习惯之所以难以改变，就是因为习惯是自我巩固的——越用越强，越强越用
  • 要想从既有习惯中跳出来，必然要依赖外界的力量——对于心理机制的知识
  • 能够改变既有的习惯，依靠的不是自制力，而是知识

• 我们为什么会欺骗自己？（my title）

  当人们为一件事付出的越多（金钱/时间/社会关系），这些既有付出会对他们的思维产生越来越大的影响（经济学中的“沉没成本”）， 我们的思想被迫对自己的行为作出合理的解释（“认知失调”），因为谁也不希望自己那么大的付出是愚蠢而错误的，因此理性大脑 不再客观，开始自欺欺人。

书写是为了更好地思考

1. 书写是对思维的备忘
2. 书写是对思维的缓存
3. 书写是与自己的对话
4. 书写是与别人的交流
5. 有时候，语言自己也会思考

为什么你从现在开始就应该写博客

1. 能够交到很多志同道合的朋友
2. 书写是为了更好地思考
3. “教”是最好的“学”
4. 讨论是绝佳的反思
5. 激励你去持续学习和思考
6. 学会持之以恒地做一件事
7. 一个长期的价值博客是一份很好的简历

我不想与我不能

• 自利归因：把一件事发生的原因归结为对自己有利的那种情况。
• 人生不得意往往有 2 个原因：外因（不可控），内因（自由意志和主观能动性，可控）

遇到问题为什么应该自己动手

• 寻找捷径是很聪明的做法
• 寻找捷径只是小聪明
• 困难的路越走越容易，容易的路越走越难

什么才是你的不可替代性和核心竞争力

• 技术路线的选择重要但不具有决定性
• 个人核心竞争力是他独特的个性知识经验组合 如果这种组合：1.绝无仅有 2.在实践中有价值 3.具有可持续发展性 那么你就具备核心竞争力
• 具有相当程序不可替代性的知识技能组合 1.专业领域技能 2.跨领域的技能（解决问题的能力、创新思维、判断与决策能力、批判性思维、表达沟通能力等等） 3.学习能力 4.性格要素（专注、坚持、自省、好奇、自信、谦卑等等）

跟波利亚学解题

跟波利亚学解题

• 联想、归约、推导、启发式思考方法(heuristics)
• 把问题本身当条件，从它推导出结论，再从结论推导出更多的结论，直到我们发现已经出现了真正已知的条件。这个过程称为分析。
• 探索源头
• 《How To Solve It》中的启发式思维方法： 1.时刻不忘未知量（即时刻不忘到底要求什么，问题是什么） 2.用特例启发思考 3.反过来推导（结论往往蕴含丰富的条件） 4.试错 5.调整题目的条件（如增加/删除/改变条件） 6.求解一个类似的题目（“迁移”） 7.列出所有可能跟问题有关的定理或性质 8.考察反面，考察其他所有情况 9.将问题泛化，并求解这个泛化后的问题（“发明者悖论”） 10.意识孵化法（“思维体力”，一直放在脑子里思考） 11.烫手山芋法（提问，把问题扔给别人）
• 一点思考 1.联想的法则：知识同样是一把双刃剑，一方面它提供给我们解决问题的捷径优势，另一方面也是思维的桎梏 2.知识，知识 3.好题目，坏题目 4.一个好习惯 5.练习，练习：将外显记忆转化为内隐记忆 6.启发式的局限性 启发式方法在 2 个层面上起作用：1) 辅助联想起 soft knowledge 2) 辅助探索出 hard knowledge 启发式方法的局限性也存在于这 2 个方面： 1) 有些联系通过“启发”想不起来 2) 许多 hard knowledge 是不能被启发探索出来的 7.总结的意义

锤子和钉子

（一）

• 心中有锤子（技能），看什么都是钉子：思维定势/局限，人倾向于在既有框架下去解决问题，而这个过程很难觉察到框架约束的存在
• 没有锤子是万万不行的
• 正确的态度：手中有锤，心中无锤

（二）

• 如果你想钉一个钉子，所有东西看上去都像锤子：专注于你要解决的问题，那么你所看到的东西就会呈现出以往你没有看到的一面
• 把自己变成钉子，就是顿悟(eureka)的奥秘

鱼是最后一个看到水的

• 普通人遵守规则，牛人无视规则，伟人创造规则
• Think out of the box.

C++

• 学习 C++的第一原则是什么？关注基本的概念和技术，而非特定的语言特性，尤其不是 C++中细枝末节的语言细节。
• 使用 C++的第一原则是什么？将你的（与语言无关的）设计理念（概念）直接映射为 C++中的类或模板，即脱离语言思考、使用语言实现。

知其所以然

• 比如看一个算法，不要看算法逻辑的描述，要看算法诞生过程背后的思想（寻找原始出处）
• 我们要的不是相对论，而是诞生相对论的那个大脑。我们要的不是金蛋，而是下金蛋的那只鸡。
• 思考一个问题过程中的 2 种思维形式：1.联想 2.演绎&归纳
• 如果说问题求解是一部侦探小说，那么算法只是结局，而思考过程才是情节！

为什么有必要知其所以然

• 看定理必看证明，在没有明白背后的证明之前，任何一个定理对你来说都是等价的——等于背诵乘法口诀
• 去理解一个定理的证明，你就很难再忘掉它
• 这是个树状知识结构，越往上层走，需要记忆的节点就越少
• 知道怎么做是从正确（高效）解法得到的，而知道为什么必须得那样做则往往是从错误（低效）的解法当中得到的

康托尔、歌德尔、图灵——永恒的金色对角线

图灵的停机问题（The Halting Problem）

• 停机问题：不存在这样一个程序（算法），它能够计算任何程序（算法）在给定输入上是否会结束（停机）。
• 反证

Y Combinator

1. lambda calculus(lambda 算子)

   1. 基本语法（BNF）：

      ::= ::= lambda . ::= ( )

      • 前两条语法用于生成 lambda 表达式（lambda 函数），如：lambda x y. x+y haskell 里用“\”代替希腊字母 lambda，所以写成\ x y. x+y 这是一个匿名的加法函数，它接受 2 个参数，返回两值相加的结果 实际上 lambda calculus 里一切都只不过是文本替换，有点像 C 语言里的宏 第三条语法可以给出更简洁的中缀表达，即(+ x y) 函数的定义出来了，最后一条规则就是用来调用一个 lambda 函数的：((lambda x y. x+y) 2 3)，类似于 f(x,y)写成(f x y)的形式 为了简洁，我们：let Add = (lambda x y. x+y)，进而可以写成(Add 2 3)

   2. 两条公理：

      • Alpha 转换公理：如"lambda x y. x+y"转换为"lambda a b. a+b"
      • Beta 转换公理：如"(lambda x y. x+y) 2 3"转换为"2+3"

2. 递归的迷思

   • 递归：函数定义中用到自身，自身调用自身
   • 就以上两条公理，我们无法用 lambda 表示递归函数，比如计算阶乘 f(n): if n==0 return 1 else return n*f(n-1)
   • 我们很容易想到：lambda n. If_Else n==0 1 n*(n-1) 但在 C 语言里可以填函数名本身，而 lambda 算子系统里的 lambda 表达式（函数）是没有名字的
   • 一次失败的尝试： let F = lambda n. If_Else n==0 1 n*F(n-1) let F 在它所代表的 lambda 表达式还没有完全定义出来之前，是不可以用 F 这个名字的

3. 一次成功的尝试

   • 软件工程里的一条黄金定律：任何问题都可以通过增加一个间接层来解决
   • 刚才不成功的定义：lambda n. If_Else n==0 1 n*(n-1) 既然不能在直接填函数自身，那我们可以增加一个参数，也就是说把参数化： lambda self n. If_Else n==0 1 n*self(n-1) 现在我们调用这个函数的时候，只需要加传一个参数 self，这个参数不是别人，正是这个函数自身： let P = lambda self n. If_Else n==0 1 n*self(n-1) 比如计算 3 的阶乘：P(P,3) 可惜还差一点，我们分析 P(P,3)这个调用，按 Beta 转换规则展开： If_Else n==0 1 n*P(n-1) 这里 P(n-1)虽然调用到了 P，然而只给出了一个参数，而 P 的定义需要 2 个参数（self 和 n） 为了让 P(n-1)变正确，我们还得加个参数，于是我们稍微修改一下 P 的定义： let P = lambda self n. If_Else n==0 1 n*self(self, n-1)

4. 不动点原理

   • 我们假设一个完美的递归函数 power： power(n): if n==0 return 1; else return n*power(n-1) 重新考虑刚才的 P(P,3)，一开始传递了一个有缺陷的 P 为参数，于是我们进行了修改 那如果我们试着这样 P(power,3)传递一个真正的递归函数 power 呢？ 展开 P(power,3): If_Else 3==0 1 3*power(3-1) power(3-1)会直接计算 2 的阶乘，所以 P(power,3)会一直计算出 3 的阶乘 设想的这个 power 是为了引入不动点的概念
   • 什么是不动点？ 在 lambda 算子系统里，如果给一个 lambda 函数的参数不足，则得到的就是一个新的 lambda 函数， 这个新的 lambda 函数所接受的参数也就是你尚未给出的那些参数。换句话说，即调用一个 lambda 函数可以分若干步来进行，每次只给出一部分参数，而只有等所有参数都给齐了，函数的求值结果 才能给出来，否则你得到的就是一个“中间函数”。 P(power)展开是: If_Else n==0 1 n*power(n-1) 参数 n 待定 不妨写成 lambda n. If_Else n==0 1 n*power(n-1) 我们再定义 power 试试: let power = lambda n. If_Else n==0 1 n*power(n-1) 一模一样！也就是说 P(power)展开后跟 power 是一样的，即： P(power) = power 这就是不动点。即对于函数 P 来说 power 是这样一个“点”：当把 P 用到 power 身上的时候，得到的结果仍然 还是 power，也即 power 这个“点”在 P 的作用下是“不动”的。 可惜这一切都建立在一个不存在的 power 的基础上！ 我们再假设存在一个神奇的函数 Y，把 Y 用到任何伪递归的函数 F 上就能得到 f，即： Y(F) = f 而 F(f) = f，所以我们得到：Y(F) = f = F(f) = F(Y(F)) 也就是说 Y 具有性质：Y(F) = F(Y(F))

5. 铸造 Y Combinator

   let Y = lambda F. let f_gen = lambda self. F(self(self)) return f_gen(f_gen)

歌德尔的不完备性定理

任何足够强到蕴含了皮亚诺算数系统（PA）的一致（即无矛盾）的系统都是不完备的， 所谓不完备，也就是说在系统内存在一个为真但无法在系统内推导出的命题。

• 命题 P：P 处于形式系统 T 中，P 不可在系统 T 内证明。
• 一旦这个命题能够在 T 中表达出来，我们就可以得出“P 为真但无法在 T 内推导出来”
• G(g): UnPr(G(g)) （从歌德尔公式我们直接看到了 Y Combinator！）
• 以上只是第一不完备性定理，还有一个推论被称为第二不完备性定理： 任一系统 T 内无法证明这个系统本身的一致性。

大道至简——康托尔的天才

无穷集合、超限数

1. 神奇的一一对应

   • 两个无穷集合“大小”一样当且进当它们的元素之间能够构成一一对应 比如偶数集合与自然数集合
   • 除了一一对应，还有不能构成一一对应的两个无穷集合，比如实数集合与自然数集合 因为实数集不可列举，由此引入对角线法

2. 对角线法——停机问题的深刻含义

   反证，具体证明见 page 215-218

3. 罗素悖论

   R = {X:X 不属于 X} 依然是用对角线法反证

数学之美番外篇：快排为什么那样快

• 核心：算法每步都是概率均等的比较，即留下一半的可能性
• 从信息论的角度解释：只有提出每种答案的概率都均等的问题，才能获得最大信息量
• 为什么快排其实也不是那么快：概率不均等的比较
• 基排（radix sort）为什么那么快？概率均等的比较
• 所有基于比较的排序都逃脱不了 nlogn 的宿命

数学之美番外篇：平凡而又神奇的贝叶斯方法

概率论只不过是把常识用数学公式表达了出来。——拉普拉斯

历史

• 源于解决一个“逆概”问题：在此之前人们已经可以计算正向概率，比如袋子里 N 个白球，M 个黑球，摸一个球是黑球的概率多大？ 但问题反过来，如果事先不知道袋子里黑白球的比例，闭着眼睛摸一个或好几个球，观察这些取出的球的颜色，可以对袋子里黑白球的比例作出什么样的推测？
• 现实世界是不确定的，人类的观察能力是有局限性的
• 我们需要： 1.算出各种不同猜测的可能性大小（计算特定假设的后验概率，对于连续的假设空间则是计算假设的概率密度） 2.算出最靠谱的猜测是什么（模型比较，如果不考虑先验概率就是最大似然方法）

一个例子：自然语言的二义性

• The girl saw the boy with a telescope.

贝叶斯公式

• 60%男生，40%女生，男生总是穿长裤，女生一半长裤一半短裤。遇到了 N 个穿长裤的人，问有多少女生/多少男生。
• 假设学校里总人数为 U，于是 穿长裤的男生个数有： U * P(Boy) * P(Pants|Boy)，其中 P(Boy)=60%，P(Pants|Boy)是条件概率，即在 Boy 这个条件下穿长裤的概率，这里是 100% 穿长裤的女生个数有： U * P(Girl) * P(Pants|Girl)，其中 P(Girl)=40%，P(Pants|Girl)=50% 两者一比就得出了答案

• 将答案形式化，我们要求的是 P(Girl|Pants)，即穿长裤的人里有多少女生， 而我们的计算结果是 U * P(Girl) * P(Pants|Girl) / (U * P(Boy) * P(Pants|Boy) + U * P(Girl) * P(Pants|Girl)) 即 P(Girl|Pants) = P(Girl)*P(Pants|Girl) / (P(Boy)*P(Pants|Boy) + P(Girl)*P(Pants|Girl)) 分母其实就是 P(Pants)，分子其实就是 P(Pants,Girl) 一般形式就是：P(B|A) = P(AB) / P(A)，或 P(B|A) * P(A) = P(AB)

• 最大似然的 2 个问题

  1. 并不能提供决策的全部信息
  2. 即便一个猜测与数据非常符合，也并不代表这个猜测就是更好的猜测，因为这个猜测本身的可能性也许就非常低 比如：-1 3 7 11 可以说是等差数列，也可以说是多项式-x³/11 + 9/11*x² + 23/11 把前项当作 x 代入后的计算结果

• 奥卡姆剃刀

  如果两个理论具有相似的解释力度，那么优先选择那个更简单的