初心

2026-06-27 Sat 16:03

"In the beginner's mind there are many possibilities, but in the expert's mind there are few."

— 铃木俊隆《禅者的初心》

起点

这句话容易被读成一句温柔的反专家宣言。

错。

它真正说的不是“新手更开放”，而是：

专业化会把世界压缩成少数高胜率路径。
初心，是防止压缩模型过早关闭搜索空间的机制。

专家不是错在知道太多。

专家错在知道得太有用。

有用的知识会变成捷径；捷径成功太多次以后，会伪装成世界本身。

第一层：压缩

新手为什么有“许多可能”？

不是因为新手更聪明，而是因为新手还没完成压缩。

专家的大脑里有大量模式：

场景 -> 识别特征 -> 调用经验 -> 快速判断

这套系统在稳定环境里极其强大。它把复杂世界压成少数可操作模板，减少搜索成本，提高反应速度。

所以“expert's mind has few”不是贬义。那是效率。

问题在于，压缩一定会丢信息。

压缩收益 = 速度 + 准确率
压缩成本 = 被丢掉的异常维度

当环境还在旧分布里，专家赢。

当环境换了分布，专家最先输，因为他丢掉的那部分，恰好可能是新世界的入口。

第二层：出域

专家真正危险的地方，不是模型少。

而是模型自带适用域，却不会自动亮红灯。

模型 M 在域 D 内有效
输入 x 已经离开 D
但系统仍然调用 M

这就是出域错误。

新手没有成熟模型，反而不会那么快闭合判断。他会慢，会笨，会多问几句，但这些多余动作保留了探测新域的机会。

专家的问题更隐蔽：

过去成功 -> 提高模型置信度
置信度提高 -> 减少外部采样
采样减少 -> 更难发现出域

成功会削弱探测。

不是失败让人封闭。失败常常打开搜索。真正让人封闭的是长期正确，因为长期正确会把世界训练成一种幻觉：

我不是在使用模型。
我是在看见现实。

第三层：置信

“保持开放”这句话太弱。

因为关闭搜索空间不是一个态度问题，而是一个能量问题。

大脑每次面对世界，都要在两个系统之间分配预算：

利用：调用旧模型，省能量，快
探索：重新采样，费能量，慢

专家的优势来自利用。

初心的价值在于强行保留一点探索预算。

它不是“我相信一切皆有可能”。那是散漫。

初心更像一个操作约束：

即使当前模型能解释，也保留一个小窗口问：
这里有没有我没看见的维度？

这个窗口不能太大。太大，人无法行动。

也不能为零。为零，人会把熟悉误认成真实。

第四层：边界

初心真正追的不是“更多可能性”。

它追的是边界。

初心 = 对模型边界的持续敏感

什么时候该重新打开搜索？

不是心情好时，不是读鸡汤时，而是出现这些信号时：

预测连续偏离
解释越来越费劲
异常被频繁归类为例外
新手的问题让你不舒服
外部结果和内部确定感开始分叉

这些信号说明模型正在靠补丁维持尊严。

专家最容易杀掉这些信号，因为它们看起来“不专业”。但恰恰是“不专业”的问题，最容易戳到专业模型的边界。

初心不是回到无知。

初心是让知识承认自己有边界。

第五层：捷径

智能不是全量保存世界。

智能是生成可用捷径。

世界太大 -> 必须压缩
行动太急 -> 必须调用捷径
环境会变 -> 捷径迟早失真

所以初心不是禅意装饰。

它是所有学习系统的防僵化机制。

一个系统只要会学习，就会形成捷径；只要形成捷径，就会把捷径误当地图；只要环境变化，地图就会需要被刺破。

初心就是那根针。

终点

初心不是新手的特权。

初心是专家为了不被自己的成功杀死，必须保留的一点未完成。

判别很简单：

当一个新问题出现时，
你是在寻找答案，
还是在寻找把它塞进旧答案的方法？

前者叫初心。

后者叫经验正在变硬。