我們知道，學習可以分為三個區(qū)域：舒適區(qū)、學習區(qū)和恐慌區(qū)。

舒適區(qū)里面的內(nèi)容，基本上都是你已經(jīng)掌握的，學習這些東西會讓你感覺到很無聊。

而在恐慌區(qū)，你又會感到非常的吃力，比如讓你跟老外交流。

無論是舒適區(qū)還是恐慌區(qū)，都很容易讓我們失去對學習的興趣。

只有在學習區(qū)，就是我們大部分的內(nèi)容都會，但同時又有一些具有挑戰(zhàn)性的問題，而且是我們努力一下又可以解決的問題。只有在這樣的一個條件下，人的學習熱情才會被激發(fā)出來，舊的知識不斷被鞏固，新的知識不斷被吸收，人們會覺得時間過的充實和滿足！

很多游戲之所以讓人著迷，也是應用了類似的設計，事實上我認為在人與人的交往當中也遵守著這個規(guī)則，如果你停止學習，沒法給別人帶來新鮮感，也很容易變成別人的舒適區(qū)。

意外比例

我們可以用萬維鋼老師的一個公式來統(tǒng)一這三個區(qū)域：學習=熟悉+意外，熟悉和意外這兩者內(nèi)容的比例決定了你當前在哪個區(qū)域中，如果熟悉的內(nèi)容過多，就在學習區(qū)，如果意外的內(nèi)容過多，就在恐慌區(qū)，問題是，這個比例可不可以量化，就是當比例是多少時，才能讓我們處于學習區(qū)。

亞利桑那大學和布朗大學的研究者剛剛貼出一篇論文的預印本，叫《最優(yōu)學習的85%規(guī)則》，里面給出了一個值，而且是非常精確的一個值：15.87%，這個值是怎么來的呢？

現(xiàn)在人工智能本質上是機器學習，其實就是模擬人的學習方式。我們弄一個神經(jīng)網(wǎng)絡，用大量的數(shù)據(jù)去訓練這個網(wǎng)絡，網(wǎng)絡不斷的調整內(nèi)部參數(shù)，從而擁有自己的判斷能力。

每一次訓練，都是先讓網(wǎng)絡對數(shù)據(jù)做個自己的判斷，比如給它一張照片讓它判斷里面是否有貓，如果網(wǎng)絡判斷正確，它就會加深鞏固現(xiàn)有的參數(shù)；如果判斷錯了，它就調整參數(shù)。

現(xiàn)在的問題是，如果數(shù)據(jù)難度太低，網(wǎng)絡每次都能猜對，那顯然無法提高判斷水平；如果數(shù)據(jù)難度太高，網(wǎng)絡總是猜錯，那它的參數(shù)就會東一下西一下變來變?nèi)ィ蜁o所適從。那每次訓練中網(wǎng)絡判斷的錯誤率是多少，才是最優(yōu)的呢？

研究者首先用了一個比較簡單的數(shù)學模型做理論推導，又用了一個AI神經(jīng)網(wǎng)絡學習算法和一個模擬生物大腦的神經(jīng)網(wǎng)絡模型做模擬實驗，結果得出一個精確解：15.87%。

也就是說，當你訓練一個東西的時候，你給它的內(nèi)容中應該有大約85%是它熟悉的，有15%是它感到意外的，這個15%就是學習的最佳意外率。

15.87 對我們的幫助

知道一個道理有用和知道一個道理多么有用是有本質區(qū)別的。

有了最佳意外率我們就知道，如果你學習英語的時候看到一篇英文文章，里面有很多生詞讓你感覺晦澀難懂，你應該果斷換一篇，因為就算你花費時間把它硬啃了，也是非常低效的。

如果你感覺工作很無聊，并且已經(jīng)持續(xù)了很長時間，這其實是一個非常危險的信號，說明你很長時間沒有進步了！你必須給自己創(chuàng)造出那15%的意外和困難。

15%和5%的進步速度有非常明顯的差異。假設你是一個上進好學的人，博覽群書還選修了很多課程，你總是泡在圖書館或者自習室里。有時候你覺得所學的內(nèi)容很輕松，有時候感到吃力，但你總是那么用功，你覺得自己學得很不錯，每天都在進步。

但是世界上還可能存在另一個同學，該同學有個教練，給他精心安排每次學習的內(nèi)容，確保每次15%的意外率。他學習效率達到了最大化。

我們知道那是一個特別理想的狀態(tài)，沒有人能確保這樣的高效率。但是在好的教育環(huán)境和資源條件下，是可以最大化的逼近最佳意外率，可能這位同學每天只是每天學習那么一小會，但假以時日，他所取得的成績將遠遠超過你。這是多么可怕的一個事實。