先说题外话:我原来以为,好学校和普通学校的差别在于教授的好坏。我现在才更深刻的理解到,好学校的专业设计从一开始就和普通学校拉开了距离。我在普通州立大学读电脑硕士的时候,课程设计只是围绕着技术话题,在本科的基础上展开。但是在Berkeley读了CyberSecurity,特别是这个学期拿的是DataScience的入门介绍的课之后,我的感觉就完全不同了。一个专业上的变化也许是偶然,但是第二个专业如果也是如此,那么可以简单的推而广之,说明这不是个案了。
CyberSecurity学期的第一节课是必修课,学生没有选择的自由。科目叫做“Beyond Code”。教授则是法学系的教授,和有现行执照的律师,同时也是三个律师行的顾问。学的内容则是从国家政策,法律,全球化经济和国与国对抗的角度讨论网络安全问题。一下子就把学生的目光拔到一个极高的地步。之后,还有一门课,就做“Risk Management” – 风险管理,也不是讨论技术问题,而是首先假设你是董事会董事,或者CEO,或者CISO(首席安全官),讨论如何指定公司的安全风险管控政策,目标和实现。换而言之,Berkeley想培养的,不仅仅是一个技术员。所以它的专业课程设计从来都不是培养类似于狙击手一样的黑客,而是具有战略目光的领导者。
这个学习我读的是跨专业的课,数据科学(Data Science)。第一节课也是必修课,叫做”研究设计与数据分析“。其开宗明义就提到:我们讨论的不是数据,而是决策 — 通过数据来进行决策。而更多的时候,决策需要的在数据之外。或者说,在能够直接收集到的数据之外。所以我们学习Data Science,需要学习的是如何进行更高维度上的数据分析。
信息的“维度”,开宗明义地第二节课让我感觉深受启发,才有了必须写点什么的冲动。老师提到,问问题有三个层次,分别对应信息(数据)的三个维度。只有第一个维度的数据是可以明确收集的,而后面两个维度,则是分析的结果。问问题的三个层次如下:(以超市为例)
- 明确的问题,对应明确的答案, 比如说,超市的橙子多少钱一斤?你可以明确收集所有橙子的价格,包括价格历史和不同店铺的价格比较。无论如何横向和纵向变化,数据总是可以收集得到。
- 明确的问题,对应抽象的答案,比如说,为什么客户为什么要买橙子?这个问题的答案是无法用具体的数据去对应的。所以需要发散式的思维和数据分析。比如说是因为送礼,健康,简单的价格比较,凑巧。。。不一而足。而收集的数据,则远远超过了价格这个单一的元素,也许涉及到人口结构,收入水平,地区经济等等。数据已经不再单一,而成为某种集合
- 抽象的问题,对应抽象的答案,比如说,客户到我这里买橙子,究竟是买什么?是因为我的品牌效应?质量保证?健康?有面子身份(也许我的橙子比别人贵十倍,不求最好,但求最贵。。。)这个层次的问题,更加无法用简单的数据组合进行说明。而问这个问题的人,很可能就是你的CEO,董事会。你的回答,也可能就是一个企业战略决策的依据。全球化,产业链,地缘政治。。。也许都在你收集的数据里面。而在高度竞争的今天,没有人可以负担得起没头没脑的决策,但是在任何人都没有完备的数据的情况下,你如何根据现有的数据–不完备的数据进行决策? — 顺便说一句:老师也没有答案。但是提出问题本身,就是试图在一个更高的信息维度和对手进行竞争。
每一个层次,都是一个质的飞跃。再说一句题外话:很多人煞有其事的教育(显摆)说:麦当劳做的不是汉堡生意,而是房地产生意 —- 姑且不论这种高论对错如何,即便是真的,它最多达到了问题的第二个层次。远远不到智慧的程度。更达不到哲学的高度。
我无法形容我听到这种分析之后的震撼。那种“朝闻道,夕死可已”的感觉又回来了。末了,老师花了一张图:
大部分人思考的是Type 1层次的问题,和针对Type 1的数据。而当我们站在更高的高度,比如走到Type 2 的层次,就能看到更多的可能。进一步拔高,则能够看到更多的可能。
这是一个高度抽象化的树图。也无法针对某一种具体的事物。因为每一个具体事务的抽象化本身就是一个带有哲思的过程。比如说“房子”,直觉的反应首先是“资产”,多少钱的资产。而后才是一个“家”。一栋乡下的房子也许并不值钱,但是“家”的价值却无法衡量。“钻石”不过是一块好看的石头,然而一旦卖的是“爱情恒久远”,再加上专家证书,宰你没商量。单纯的价格的竞争只是一维层面的竞争。用质量打造品牌,则是二维层面的竞争。然而再贵的钻石,也比不过乾隆皇帝的真迹涂鸦,因为它卖的是“历史”。苹果手机的对手从来都不是小米,因为它已经超越了手机而成了身份的一部分。。。如此等等,不枚盛举。对具体对象抽象化的过程从来都没有定律。正如千人千面的哈姆雷特,重要的不是事物本身,甚至也不是对手,而是你自己发散思维的能力 — 有时候甚至是勇气。
大宗师站在巅峰。我终于知道原来巅峰即是Type 3.