大学三年的五条领悟：从错误的 reward 函数到私有评价体系

不知不觉，大学三年过去了。回顾这段时光，我犯了不少错误，但惊喜的是这些错误最终变成了很多宝贵的财富。

一、错误的 reward 函数

我认为整体上而言，今天的中学生、大学生面对的一个环境，还是充满着很多竞争的。从小到大，我们处在把高考分数、GPA、综测分数、考研分数等努力刷高的竞争环境里。这些指标和分数都有一个共同点：可以通过自己个人的努力去提高，不需要锻炼团队意识，只需要自己一个人静静学习就好了。

我们来反思一下，这些指标真的是最终目的吗？这些指标真的能反映一个人的综合能力吗？我的答案都是否定的。这些指标既不是最终目的——最终目的是把事情做成，把事情做好，而指标本身并不产生社会价值；它也不反映一个人的综合能力——它只是对一两个维度的近似测量。

用强化学习的语言来说：这个环境的 reward 设计错了。在一个错的 reward 上过度优化，学出的 policy 就不可能是最优的。更麻烦的是，这个 policy 会把所有人都当成自己的对手和竞争者，把这些指标当成评价自己是否优秀的唯一标准。而这样训练出来的 policy，一旦进入团队合作、商业竞争这些真实场景，就会立刻水土不服。

那什么是对的 reward？如果社会风气就是”指标即 reward”，我们改变不了环境，但可以改变自己怎么读取信号：每一种外界的意见，都只是对自己某一个能力方面的评判，并不代表对自己的综合真实 reward。也就是说，要建立自己私有的评价体系，把 reward 拉回到真实的目标函数上。在这个尽可能客观的评价体系下，学出的最优 policy 可能是这样的：

treat others as api instead of judger or competitor, while play a role of api for others too.

把别人当 API，意味着去理解他们的接口、能力边界和价值交换，而不是把他们当成裁判或者对手；同时，也把自己封装成一个稳定、可靠、可被调用的接口, 为他人提供价值。

二、充实与幸福

充实和幸福是做热爱的事，然后为他人、社会提供价值，也就是实现自己的人生价值。

最近和身边朋友聊天，他自己的被动收入已经非常不错了，但是他现在仍然感觉有些无聊、空虚。后来我和他一起分析，发现原因其实很朴素：人对”获得”的适应非常快，再多的钱，玩几个月也就腻了；而人对”创造”和”被需要”的适应非常慢。所以人要想保持长期的充实，就一定要做热爱的事，实现自己的价值，顺便挣到钱。注意这里的顺序：钱是结果，不是目标——一旦把它当成目标，就又掉回上面那个错的 reward 里了。

三、做事的第一性原理：实践、反思、迭代

做事的第一性原理，就是实践、反思和迭代。在干中学，而不是学后干。

这三步缺一不可：只有实践不反思，是低水平的重复；只有反思不实践，是空中楼阁。而迭代的质量，取决于每一次循环里有没有把错误归因清楚——只有”改”、没有”为什么”的迭代，是在原地打转；把”为什么”搞明白，错误才会真正变成财富。

四、黑色生命力

黑色生命力很重要——它是逆境里长出来的那种韧性。

顺境里养出的力量是白色的，光鲜、阳光，但也脆；黑色生命力长在低谷、挫折和失败里，颜色不漂亮，但是极其抗造。

面对挫折，你敢不敢大声说：让我来！

五、审美

多培养自己的审美。

审美是判断力的上游：知道什么是好的、什么是差的，才能在无数岔路口选对方向。当生成变得越来越廉价的时候，判断就变得越来越昂贵——这可能是 AI 时代一个人最值得投资的能力。培养审美没有捷径，就是大量高质量的输入（论文、源码、优秀的产品和作品），再加上对自己产出的持续挑剔。