普通人怎么才会像打游戏一样爱上学习？

No pleasure, no good learning!

以下内容来自我的翻译文集：

6.1 教育中的主要问题

关于教育的主要问题是认为学习可能会引起不快，而且应该忍受^[1]这种不快从而学的更多。

有无数的教育者认为学校应该像工作一样：它令人不快，但它只是需要去做。在这一章中，我将解释相反的才是对的：

好的学习本身就是快乐的，没有快乐就没有好的学习。

不快的错误观念如此普遍，以至于即使是对学习乐趣有广泛了解的好老师也认为，学生在学校有一定程度的不快是不可避免的。

在这一章中，我展示了学习的快乐与大脑息息相关，以及我们如何以人类的健康、学习、创造力以及最终的未来为代价，系统地摧毁这种进化的天赋^[2]。

教育的主要问题也是社会的主要问题之一。我们破坏了学习的乐趣，也就大大破坏了生活的乐趣。我们建立了一个教育系统，让数百万人过上不幸福的生活。

你可能对我的话持怀疑态度，因为不愉快的学习的错误观念是学校教育的一个强有力的副作用。因此，本章试图说服你。消除这个错误观念所需要的只是理解大脑中编码新知识的简单机制。

6.2 学习内驱力和熵

熵的概念有助于理解为什么大多数孩子在学校没有学到多少。

你们可能从物理课回忆起熵是无序的度量，热力学第二定律表明孤立系统的熵永远不会减小。这是一种形象的物理定律，我们会终生铭记。这是普遍适用的。

信息论中有一个姊妹概念叫香农熵。它可以理解为由一个来源发送的信息的平均值。例如，假设一个渠道连续不断地将一串相同的字母传送到无穷远处（例如，一串 A :「AAA……」）中。这是完全可以预测的，并且熵为零。我们不会从这样的渠道学习。

Claude Shannon 在1948年提出了信息熵的概念。不久之后，科学家们开始假设信息渠道的熵是否会对大脑感知渠道价值的方式产生强大影响。1957年，Meyer 假设音乐的熵决定了人们对音乐之美的感知。他的结论是，较高的熵可能会导致主观紧张，这与更有意思的音乐片段有关。

Meyer 的思想后来被改进，以更好地理解对音乐和普通信息的感知。音乐不仅仅是信息。这通过一个现象来看是很显然的，因为一首歌被多次回放可以令人愉快好多次。但是书籍很少出现这种情况。

音乐是一种普遍的信息。如果你被允许选择一个无线频道，你会很快从嘈杂的静电干扰中调谐出来，你也不会对零熵的静音太兴奋。但是，大多数人会对有规律的鼓声做出积极的反应。只要它没有被敲打在碎玻璃上（这是我们天生不喜欢的），我们就会发现一个有固定鼓点的广播频道比无声的更有趣。这自然只会持续一段时间，直到鼓点本身变得无聊和太容易预测。

今天，我们终于可以测试大脑对信息熵的反应了。神经影像显示前海马对视觉信息熵有反应，腹侧纹状体也有类似的发现。因此，我们现在可以肯定大脑对信息熵有反应。熵感受器在扫描环境寻找学习机会时非常重要。这是奖励的前奏，而奖励是学习内驱力^[3]的基础。

6.3 信息搜寻中的预备知识

我们需要区分信息和意义。熵不是衡量后者的一个好指标。意义的度量除了度量信息渠道之外，还必须涉及到大脑本身。预备知识在学习中是必不可少的。想象一下，当你在收音机上搜索一个有趣的频道时，你会发现一个新闻服务。如果服务是用泰语提供的，而你不会说泰语，那么你会更喜欢用英语提供的服务。就信息而言，两个新闻频道可能有相同的熵，但是你的预备知识会让你选择英语频道。泰国频道传递声音流，而英语频道传递概念^[4]流。如果不了解接受者的知识，信息熵就无法告诉我们什么。我们无法确定信噪比。

每个听者都有自己偏好的信息熵水平。对于大多数音乐爱好者来说，迪斯科或电子乐的常规节拍要比单独的鼓声有趣一些。这种类型的音乐承载着更高的平均信息量。对于一个更老练的听众来说，有一点切分音是将更受欢迎的。然而，切分音需要一定程度的预先学习。那些对音乐了解较少的人可能会被增加的节奏复杂性弄糊涂。如果节拍中有太多的信息，就不可能随着音乐起舞。对于一般人来说，Wynton Marsalis 的天才可能很难被察觉。顶级爵士音乐只为一小部分受过高等教育的听众准备，就像大多数人一样，随着复杂性的增加，音乐慢慢向无线电杂音的方向衰变。

6.4 大脑中的熵检测器

大脑无法有效检测撞击视网膜或耳膜的信号的熵。就像显示器上的像素一样，视网膜细胞也不知道它们传达了什么。如果检测器，如海马体，要根据熵而响应，它必须对来自内嗅皮层的输入(即海马体本身的输入)进行操作。这些输入将在高度处理后显示信号。它可能会呈现一个概念，而不是像素。感觉输入端的高熵信号将在神经选择、完善和泛化^[5]过程的早期失去大部分噪声成分。信噪比将决定丢失多少信息。噪音越大，损失越大。我们越聪明，这个处理过程就越有选择性，在那个阶段会丢失越多信息。这很好。我们对细节视而不见。模式识别就像一个确定性函数，根据定义，它会导致熵的下降。复杂的模式可能会变成简单的概念。这些概念将为检测器提供实际输入，例如海马体。

请注意，实验中产生的视觉流证明海马体对信号熵的反应具有高度象征性。因此，视觉流在处理过程中丢失的信息会少得多。这一高度简化和概念化^[5]的信息将会被扫描为意外，并为整个学习内驱力系统提供指引。这就是为什么在这种情况下，海马体似乎对输入熵有反应。

上面的推理解释了为什么低熵和高熵的感觉信号都是无趣的。经过一定程度的处理后，高熵信号可能会失去所有噪声，并向海马体传递低熵输入。然后，我们观察感官输入时「最佳熵」水平的错觉。我们需要一个新的概念，学习熵，来帮助我们准确地判断信号的吸引力。学习熵需要考虑信息的高度处理，然后才能激活大脑中的奖励中枢。本文稍后将讨论学习熵^[6]。

6.5 信息处理速度

感官信息扫描中一个被低估的因素是大脑中信息处理的速度。

对于每一首音乐，都有一个可以接受的播放速度范围，在其范围内我们可以欣赏音乐之美。高速播放可能会很烦人，而且音乐可能变得难以解码，因为高速超出了我们的处理能力。同一首音乐如果放慢了速度，很快就会失去吸引力。演讲或课堂讲授也是如此。对于相同的信息和相同的熵水平，我们可以实现完全不同的信号吸引力水平。总是有一个最佳的传授速度，该速度取决于影响学习内驱力^[3]的所有其他因素，包括预备知识。因此，传授速度是高度个性化的。

我喜欢以 1.4 倍的速度听讲座。我用 1.3 倍来听更有挑战性的片段。虽然我从来没有加快 Fareed Zakaria 的速度，但是我享受这个节目中的每一条信息。课堂上的学生没有加速或减速按钮。即使是暂停按钮，如果有的话，也很难去点击，因为这可能会惹恼其他学生。

在学校里，传授的速度常常超过学生的处理能力。这导致了微不足道的学习和强大的压力。没有时间欣赏高速列车窗外的风景。在麻省理工学院，他们称之为「用消防水管喝水」。

6.6 概率与知识

低概率事件携带更多信息。平均信息决定熵。预备知识决定了对信息通道的熵的感知。

如果你碰巧收听了广播新闻，并且听到「Janet Jackson 逊生了一个孩子」，你的兴趣程度将取决于事件发生的概率。如果你不知道 Janet Jackson 是谁，这是一个高概率事件。如果每天约有35万名女性分娩，这已经不是新闻，也不是新鲜事或有趣的事。一名士兵在战争中的第一次死亡将成为新闻，但是当死亡人数增加到成千上万时，年轻的生命将只是一个统计数字。

如果你碰巧认识 Janet Jackson 或者喜欢她的音乐，那么生孩子的概率会急剧下降到「一生一次」的水平（对 Janet 来说）。这会让你变得有兴趣。然而，如果你记得 Janet 是古代情景喜剧中的一个漂亮女孩，她生孩子可能会被归为「不可能！」。如果你意识到 Janet 50 岁了，并且你知道更年期，你可能会立刻对她的情况产生病态的好奇。你预备知识决定了你对信息的反应。信道没有最佳熵水平，只有最适合特定大脑的熵水平。在这一点上，你可能会看到，我们需要引入一个新的衍生概念，我们在之后将称之为学习熵。学习熵将决定一个特定的通道对一个特定的大脑的吸引力。

如果你喜欢 Janet 式的八卦，那么这个八卦频道会给你带来恰到好处的意外。它将提供学习匹配。如果你缺乏相关知识或者你的优先级不同，你就会对它置之不理。你的学习重点也将决定你在特定领域的知识水平，以及你对任何特定渠道及其信息熵的反应。

6.7 可预见性和意外

概率和复杂性不是信息感知的唯一组成部分。我们似乎在寻找可预测性和意外之间的平衡。我喜欢乡土爵士乐。在这种类型的音乐中，低音部通常是高度可预测的，伴着最佳的切分音数量。这使得身体运动与节奏同步变得容易。然而，如果没有意外，乡土爵士乐就不会有意思。在这里，复杂的爵士乐即兴表演会刺激负责检测「意外」的神经系统。此外，经过几十年的学习，我的大脑有一个完整的信号数据库。可能有一个我认识并喜欢的伴唱歌手的声音。我的大脑已经准备好迎接乡土爵士乐了。

我喜欢 Ken Robinson 关于创造力的讲座。在某种程度上，它们是高度可预测的。我完全同意 Robinson，所以你可以说 Robinson 助长了我的证实性偏见。这很愉快。当人们与我们观点一致时，我们喜欢说「英雄所见略同」。但是，如果 Robinson 继续重复同样陈腔滥调，讲述学校如何扼杀创造力，他将失去吸引力。熵可以解释为平均预期意外。Robinson 的讲授带来了很多意外。他可能会以不同的、不同寻常的创造性方式描绘相同的模型。因此，大脑接收新的信息，产生泛化，并确认现有的模型。从新的语境中得出的泛化可以增强知识的连贯性^[7]。在基于已知模型的消息中，这是一种非常令人愉快的补充。

Robinson 的讲座在可预测性和意外之间找到了很好的平衡。

最令人愉快的信息渠道将不断提供意外，证实现有的模型，并在新的语义分支中武装它们，在这些分支上可以建立新的知识。一个破坏现有模型的意外起初可能并不令人愉快，但可能会导致一场非常令人愉快的思维革命。

打个比方，你可以想象这是一个信息渠道，修剪你的知识之树，并添加新的分支，就像一个陶工在他完美塑造的作品上添加新的粘土层^[8]一样。

6.8 检测意外

人类的学习内驱力^[3]是基于对意外的检测。我们已经知道这一点很久了。人类和机器学习模型都以不同的名称涉及到这个概念。Piaget 写过，图式在意外的影响下陷入失调。Jeff_Hawki 在他的新大脑皮层模型中谈到了基于学习和智力的预测错误。我喜欢谈论模型，以及它们的细化(当新数据适合模型时)，或者矛盾(当新数据需要改变模型时)。

为了获得学习的奖励，一个新的令人意外的信息需要与预先存在的知识(模型、图式、预测等等)相容。为了获得奖励，神经处理是必要的。关于输入的信息需要被处理，并与存储在大脑中的信息进行比较。大脑输入信息的主要处理器之一是海马体。大脑的信息交换台能够将输入与先前的知识进行比较。

视觉流的熵的测量不一定是信息通道令人快乐的能力的可靠指标。流向海马体的所有信息都经过高度处理。代表美丽海滩的像素流将被加工成一系列形状和纹理。反过来，这些模型将依次模拟棕榈树、沙子和大海。这种高度压缩的简单信息将决定对信息输入的最初响应。

扫描环境中的信息如同扫描食物的气味。气味很诱人，但只有实际去吃才是真正的回报。这就是熵扫描不需要回报的原因。它所需要做的就是获得奖励。如前所述，前海马对熵有反应，然而实验设计确保熵是指输入过程中不会丢失太多信息的简单形状的组合。与其说是信号熵，不如说是信息比较器(如海马)的输入熵。重要的不是视网膜像素，而是比较器输入上表示的手掌形状。对于比较器来说，灰度或静态噪声的高熵模式与白度或静音没有区别。它们在输入时都会带来相同的熵:零。这就是为什么我用「学习熵^[6]」这个词来准确地描述信息渠道的吸引力。

响应信号熵的前海马体因发现 Halle Berry 神经元而闻名（参见更多）。研究人员将电极植入一名同意接受治疗的癫痫患者体内，发现在不同情境下，单个神经元对 Halle Berry 图像的反应是一致的。同样的神经元也会对 Halle Berry 的名字做出反应。与此同时，后海马体对 Jennifer Aniston 的反应可能不那么一致（这可能是前一层神经处理的迹象）。

我们大多数人都不知道 Halle Berry 的气味如何，她的气味可能不足以激活海马体中的 Halle Berry 神经元，然而，即使是气味信号也可以通过嗅球、嗅结节、松果体皮层和内嗅皮层中的几个突触快速到达那里（见下图）。然而，如果一个人能听到 Halle 的声音，声音信号可能会在嗅结节中出现，加强识别，并导致海马或更下方的新皮层中 Halle 神经元的激活。

图:嗅觉系统解剖学。嗅觉信号可以通过嗅球、嗅结节、小齿轮状皮层和鼻内皮层的几个突触快速到达海马体。（来源：维基百科）

这是否意味着 Halle 会永久地存在于患者的海马体中？由于海马体与新记忆的形成有关，我们可能会认为 Halle 出现在海马神经元中是识别的结果。她在病人心中的永久位置可能位于新皮层的更深一层。我们现在知道，在记忆巩固的过程中，知识印记从海马体转移到新皮层。我们也非常肯定这个过程是在睡眠中发生的。正是在新皮层，我们应该寻找代表 Halle 或某人祖母的概念神经元。最后一种可能性产生了一种假设的神经元类型，称为祖母神经元。

在猴子身上，研究人员可以识别出视觉皮层中对面孔做出反应的祖母神经元。在那里，我们可能会发现在看到 Halle 的图像时神经元会更加稳定地激活。然而，Halle 的概念可能仍然存在于其他地方，并在注意到 Halle 时被视觉皮层细胞激活。

另一个激活途径可能是从新闻上听到 Halle 的名字。整个识别过程将由内嗅皮层和海马体协调进行，而最终的 Halle 神经元将在新皮层的某处激活。

要让富含信息的信号产生奖励，必须有一个低概率事件在输入时被检测到，并通过联想将其编码为大脑皮层中的新知识。当前海马对熵做出反应时，广泛的双侧丘脑皮层网络的活动会受到意外因素的调节。在那里，我们将寻找学习快乐的根源。根据消息的类型，还可能涉及其他比较器中枢。人们还发现，当检测到新的视觉信号时，杏仁体可能会产生奖励。对奖励视觉刺激做出反应的杏仁体神经元也可能对新的视觉刺激做出反应。Rolls 假设，这可能通过杏仁体来实现对新奇事物的奖励。

我们知道海马体与伏隔核（大脑快乐中枢）直接相连。此连接可能用于两种情况：

1. 对快乐的预期；
2. 最终的奖励。

在预期检测到一个高学习熵^[6]信号后，就会产生对高价值信息的积极追求。海马体检测到一条信息后，可能会同时将相关的学习信息发送到大脑皮层，并向快乐中枢发送奖励信号。这将意味着学习新东西的时刻！

6.9 「哇」因子

1977 年夏天，在寻找外星智能的时候，SETI 的研究人员发现了一个来自射手座的不寻常的无线电信号。在宇宙空间微弱的低水平噪声中，信号是极不可能出现的。低概率标志着高意外。天文学家 Jerry Ehman 在打印输出上圈出6个与信号相对应的字母，并在旁边写上了「Wow!」（哇！）。

图:一张彩色电脑打印出来的原始拷贝扫描件，拍摄于1977年哇！信号。（来源：维基百科）

「Wow!」 是大脑对突然发现的反应。这一刻非常愉快。学习内驱力^[3]的全部目的是在环境中寻找「哇」因子。这些是最有价值的知识，补充了目前已知的：当前的现实模型。渐进阅读的乐趣来自流入学生大脑的涌动的「哇」的力量。

到目前为止，我们已经看到熵、意外、可预测性和预备知识对学习的影响。在这种情况下，只有信号的概率并不能完全解释它的力量。它的解释在本文的后面（参见：知识评估网络）。Ehman 在写这篇文章的时候，能够感觉到它所蕴含的巨大意义。这是迄今为止，也是从那时起，证明除了人类文明以外，还有其他文明存在的最有力的证据。如果相同的信号出现在检测海洋中的沙丁鱼，就不会有「哇！」。即使在北极也不会有。

信息渠道的可靠性很重要。如果错误率高，学习内驱力可能会减弱。当 Penzias 和 Wilson 在 1964 年发现宇宙微波背景辐射时，并没有「哇！」。困惑的研究人员继续从他们的无线电天线上移除鸽子粪便。解释神秘噪音时，他们优先考虑了鸽子粪的原因。1978 年，Penzias 和 Wilson 因为他们的发现获得了诺贝尔奖。

当一个科学家有了一个发现，他可能会惊呼「尤里卡！」和手舞足蹈。他大脑中某个地方的神经网络产生了一种泛化^[5]，结果发出了奖励信号。这进一步传播，让一个老人像孩子一样在实验室里跳跃。

人生早期也是如此。一个在空房间里蹒跚学步的孩子会寻找环境中的低概率成分，比如彩色物体、新玩具等等。当一个蹒跚学步的孩子用勺子从桌子上掉下来做实验时，她就像一个小科学家。然而，当大脑做出「所有落下的勺子都会发出声音」的泛化^[5]时，她也会得到奖励。她可能会以和快乐的科学家完全一样的方式庆祝，与年龄无关。一个大大的微笑是第一个明确的信号。

在由学习内驱力^[3]控制的各种形式的学习中，同样的快乐在较小程度上也会发生。不管我们是否了解名人或岩石的化学成分。事情很有趣，因为它们通过学习内驱力机制奖励大脑。

一个创造性的过程也会产生奖励。一个被认为有用的联想是有回报的。一个能解决难题的联想更有价值。显然，奖励是有等级的。该系统可以量化信息、联想或解决方案的概率。概率越低，奖励越高。

6.10 知识评估网络

6.10.1 知识评估

大脑处理过的所有知识片段都会立即评估其相关性、连贯性^[7]和价值。我们能立即知道这些信息是否可以理解的和有用的。当它们前后矛盾、不连贯^[7]或不相关时，我们也常常会立即注意到。

不寻常和令人惊讶的知识非常有价值，然而，从大脑的角度来看，概率并非价值的最佳反映。有极不可能发生的低重要性事件（例如，小行星撞击遥远的行星系统），也有很可能的发生改变一个人生活的事件（例如，「你愿意嫁给我吗？」）。

6.10.2 感性脑和理性脑

知识评估网络是一个基于感性评估和理性评估相结合的评估系统。感性评估将把信息与原始大脑中枢负责饥饿、口渴、性冲动等的奖励联系起来。理性估值将以知识为基础。纯粹感性评估的一个例子是对「最近的快餐店在哪里？」的回答。基于知识的评估可能更加复杂和高度网络化，也就是说，依赖于一个次级评估网络。对「哪本书最适合我的考试？」的回答通过一个人的目标来评估，包括通过考试，获得影响工作前景的学位，并为终生目标做出贡献。感性和理性的评估在解剖学上是分开的。感性评估来自于被比喻为三位一体大脑中更古老的部分：爬行动物和古哺乳动物结构。例如，丘脑处理的特定刺激可能会向杏仁体发送单独的信号进行感性评估，向新皮层发送单独的信号进行理性评估。感性化的大脑在基因上更古老。个性和教育决定了理性评估是否能控制或超越感性评估。

6.10.3 快速思考中的决策树

知识评估网络是决定单个知识块价值的记忆关系网络。如果将学习解释为一项任务，评估网络将决定感知到的任务价值。

用计算机的术语，知识评估网络可以比作决策树。目标和情感决定了树根的核心价值。知识片段之间的语义联系可以被解释为从目标到细节的部分价值转移。精心整合和精心选择的知识的组织良好的语义网络需要几毫秒才能做出专家决策。这就是卡尼曼所说的自动快速思考（如果你对需要缓慢解决问题的棘手问题感兴趣，请参见如何解决任何问题？^[9]）中。同样的过程，作为决策或解决问题的基础，参与知识评估。像许多专家的决定一样，评估速度很快，而且通常是在意识参与度很低的情况下进行的。简而言之，我们有时很快知道一些事情，却无法完全解释原因。这个过程几乎不受我们自己的控制，更不用说学校老师的控制了。为了有效学习，估值必须很高。

图: xefer是一种工具，有助于将知识理解为网络。它依赖维基百科文章之间的语义链接。试试看

6.10.4 教育中的评估网络

大脑在几年到几十年的学习过程中建立了一个评估网络。通过睡眠中的优化和遗忘，网络被打磨和抛光，以实现高效运行。这使得采取估值捷径变得容易。一个学生在选择一本书时，可能不再把考试放在他整个人生的大背景中去考虑。他可能已经找到了一条捷径:「在接下来的3个月里，我只想通过地质学」。

知识评估网络是高度专业化的，个体间的差异很大。理性和感性之间的平衡会有所不同。目标之间的平衡会有所不同。评估网络在罪犯的思维中会有不同的形状，在怀有以人类利益为基础的崇高目标的研究人员的思维中也会有不同的形状。

网络的发展将取决于个性、人生经历和环境。一些性格特征，例如脾气暴躁，可能会助长犯罪心理的形成。生命早期的一些创伤性事件可能助长基于单一想法的有偏见的网络的发展。环境和现有知识将决定激情、兴趣、目标和网络次级评估。

发展健康的评估网络的理想途径是一个远离创伤和长期压力的童年^[10]，没有外部压力影响感性评估，有大量的娱乐活动，在广阔的行为空间中自由学习^[11]

所有促进大脑健康发展的策略也将促进饱满、高度个性化和高效的评估网络。这些都将成为学习内驱力的基础。所有教育工作者都同意，我们希望帮助孩子更好地掌控他们的情感生活，培养聪明、有创造力和知识渊博的大脑。

教育系统的主要问题是一种千篇一律的方法，在这种方法中，所有的孩子都以流水线的方式接受相同的知识，而很少考虑有效学习的关键组成部分：学习内驱力^[3]。学习内驱力是一种完美的计算系统，它能将「大脑中代表知识的语义网络的当前状态」与「知识评估网络响应环境中可用信息而产生的当前输入」相匹配。如果这个孩子坚持要看 YouTube 上的视频，那么他自己的大脑就是最好的权威。所有干涉都会影响未来的独立性和创造性。

虽然讲课老师可能会花 45 分钟给孩子灌输一长串符号，这些符号会产生低估值和可忽略不计的记忆，但是同一个孩子可以在 3 - 5 分钟内访问谷歌，识别出具有高价值的信息，并且容易编码终身保留。对于在这一过程中受过良好训练的孩子来说，在自学过程中获得知识的效率可能会提高一个数量级。当我说「数量级」时，我只是谦虚和保守。我不想遭到夸张的指责。我在本文其他地方列举了几个具体比较的例子（例如一个月内学习学校13年所教的知识，或者在假期学习速度加快1600 % ）。

在我谈到知识的金块时，Peter Thiel 谈到了幂律：经过磨练的一小部分核心技能可以带来指数级回报。

对学习的小投资可以给个人生活和整个地球带来巨大的变化！

6.10.5 影响生命过程的知识评估

个人轶事. 为什么使用个人轶事？

我的学校试图阻止我一生中最好的事情

我有我自己鲜明的例子来说明评估网络在对抗教育系统方面的力量：

1985 年，我算出了发展长期记忆所需的知识复习最佳间隔的近似函数。这是就是 SuperMemo 的诞生。最初，这个函数是用笔和纸来实现的。几个月后，我意识到这个系统非常强大。我知道我可以用电脑把它的力量翻倍。然而，我不知道有谁能根据我的函数来编写学习软件。那时候，波兰的所有程序员是要么是在大型机上写 Fortran 或 Cobol 的老家伙，要么是在使用 ZX 81、Commodore 64 或 ZX Spectrum 等微型计算机的越来越多的业余爱好者。我决定自己写这个程序。但是我没有编程技能。我是计算机科学的学生，我向老师寻求帮助。然而，我们唯一的编程课程是 Datapoint 汇编语言。这些技能对于玩玩寄存器得出 11 * 11 = 121非常有用。但我想学习一些对 SuperMemo 编程有用的东西。我的学校一直要求我学习计算电路的电阻，或者学习符号积分。我的知识评估网络产生了一个简单的输出：编程技能——> SuperMemo ——>更快的学习（在所有领域，包括电子或微积分）。我决心学习编程。我的学校决心阻止我(通过要求选修其他必修课程)。无奈之下，我报名了经济大学，该大学开设了算法语言课程。这门课程的重点是 Pascal。我不得不在做平时的功课的同时，在额外的时间里学习 Pascal。那门课程不错，但我们都在学习理论。纸上谈兵。当时（1986 年）波兰大学里的个人电脑很少，大多数实用的应用都在名为 Odra 的大型机上运行（从 1960 年开始，为在波兰的苏联集团生产）。当我终于得到了我的第一台电脑：ZX Spectrum（1986 年 1 月 4 日），我终于可以开始学习编程语言了。在电脑到来之前，我开始写我的第一个程序！在纸上。这是一个组织我一天的计划（类似 SuperMemo 中的计划）。不久之后，我也学会了 Pascal。首先，我必须减少学校的不良影响，减轻课业负担。我和我的电路老师达成了协议。我会为他做一些高通滤波计算，这将是提高我 Pascal 技能的机会。这个程序花了很多小时来写，简直是浪费时间。这是糟糕学习的完美例子。我几乎不明白我自己的程序是如何工作的。然而，这仍然比仅仅学习图解要好。就编程而言，那段学习很好，我的技能提高了很多。

对那些不懂编程的人来说，很难用语言表达出来，但是大学课程和自己编程之间的知识价值差异相当于李子和木星之间的大小差异。当我的同学们在电子学和计量学方面苦于无聊的讲座时，我已经可创业了。我在学校什么也学不到。我可以在 Pascal 的课外课程中学到一点。然而，只有激情和明确目标支持的实用知识才是重要的。到了 1987 年 12 月，我的努力达到了顶峰，写下了第一版 SuperMemo，这彻底改变了我的人生历程。我的导师 Zbigniew Kierzowski 博士的开明态度让我把我的硕士论文全部奉献给 SuperMemo 这个主题。80 岁生日快乐，Kierzkowski 教授 ！对于一个学生来说，在这个尺度上做出自己的决定，然后再加上论文是用英语写的，这是非常不寻常的。这一事实在今天并不罕见，但它涉及到1989年的一场大规模行政和战术斗争。

我的学校差点毁了 SuperMemo，它是我现在快乐的主要来源。这里没有恶意。我的大部分大学老师都是了不起的人。但学校是一个系统，旨在通过严格的课程来挤压学生，而不是给他们创造表达的空间，然而创造表达的空间是教育的最好的基础。

我的学校积极地试图阻止我完成我整个职业生涯和未来最重要的事情如果我更听话，更顺从，更善于忍受社会压力，我会成为一名「更好」的学生，在电路学、微积分、计量学和抽象代数的理论上投入更多时间。其结果是，这篇文章永远不会被写出来。这个网站也将不存在。

我不会用我现在的生活去换取任何研究或行业上的其他职业。通过产生基于强大的知识估值网络的抵抗，我挺过了否认我的攻击。

我们需要设计一个教育系统，让孩子们不需要为发展权利而斗争。

6.11 学习熵

有许多因素会影响大脑对信息和信息渠道的感知和评估。在前面的章节中，我们已经注意到大脑不仅对熵有反应。还有许多因素可以调节单个信息的熵或意外的影响。这些因素包括：编码、传授速度、预处理（例如泛化、完善、识别等），预备知识（包括估值、情绪价、渠道可靠性等），最佳水平（受处理速度影响），等等。

这一过程的复杂性要求有一个更好的概念来封装所有这些细微差别。我建议使用学习熵这个术语来描述从特定背景下的个人大脑的角度来看的教育渠道或信号的吸引力。

学习熵是由学习内驱力系统决定的任何教育信号的吸引力。

讲座可能很无聊也可能很吸引人。学习熵从个人的角度来表示它们的吸引力。

虽然熵有一个精确的数学定义，但是学习熵最好用「奖励系统」对从「分析的信号」中学习的行动的反应来衡量。正如熵取决于单个信息的概率一样，学习熵也取决于这些信息（图片、声音、句子等）的奖励效应。这种奖励效应将与概率相关联，但评估将在很大程度上取决知识评估网络^[12]。

好的学习是有奖励的。然而，也有不好的学习。因为这里有解码失败惩罚。如果一名学生努力解码一条信息，但失败了，他将受到惩罚。挫折就是这样产生的。这就是不喜欢学习的开始。如果学习熵低，奖励少，惩罚高，最终结果可能是负面的。如果我们把负面的奖励信号考虑在内，学习熵实际上可以为负值。无聊的讲座可能会带来负值的学习熵。这会导致抑制学习内驱力^[3]。

高知识估值导致高学习熵^[6]，而学习熵又为长期记忆知识的注意力和语义插入提供了必要条件。在强大的反馈循环中，学习熵增强了学习内驱力，这是决定学习熵的估值的基础。这种反馈循环通过遗忘、习得性无助、衰老、伤害和精神资源的纯粹可用性来控制。通过合理的学习和生活方式管理，特别是自然创造力循环^[13]，这种平衡可以在高学习内驱力水平上保持几十年。

6.12 信息时机与学习熵

从学习流中的各个信息获得的奖励程度将决定信息学习熵的水平。关于无聊话题的讲座的学习熵很低。在网上寻找解决某个特定问题所需的信息会带来很高的学习熵。

与基于平均值的香农熵不同，学习熵更像是一个趋势平均数，最新的信息将比之前传授的信息具有更高的权重。此外，学习熵植根于支配记忆巩固的规律，包括间隔效应。

一旦知识的金块填补了理解上的一个重要空白，枯燥的演讲的学习熵就会激增。学习熵的增加与决定知识估值的记忆稳定性曲线的表达式成正比（包括知识估值网络^[12]中的下降曲线）。随着时间的推移，金块的影响将逐渐减弱。这些令人愉快的发现的累积效应将决定在任何特定时段（例如在演讲期间）的学习熵的水平。

以上表明，教育者可以影响学习熵，增强学习内驱力^[3]，并提高长期学习效果。灌输知识是一种糟糕的策略。提供答案应该是有选择性的，应该倾向于回答高度重要的抽象和普遍的问题。自主学习的自由探索是终身保持学习内驱力和终身学习的最佳方案。

所有形式的学校教育都倾向于抑制学习内驱力。因此，许多成年人可能会发现很难内化关于学习熵在学习中的重要性的信息。然而，在现代世界中，几乎每个人都需要独自解决一个小的技术或健康问题。这个问题可能就像在 Facebook 上微调一个选项一样简单。问题的解决方案越难找，找到答案的回报就越大。越难找到的答案，其搜索和探索的过程就越持久和广泛。每个人都应该熟悉这种感觉。然而，对学习内驱力的抑制往往会导致知识的减少，自尊心的降低，所有的探索都可能提前结束。换句话说，那些在学校或以后的生活中失去创造力的人会更早放弃，甚至可能永远不会尝试。从这个意义上说，计算机、互联网、技术等带来的所有技术问题和故障都有一些积极的副作用，即使是在最被动的人身上，也会刺激残留的学习内驱力。唯一的要求是这些任务需要以一定程度的成功结束。否则，可能会出现相反的情况。惩罚信号可能让我们从探索中退出。

你可以快速回答这个关于你自己的学习内驱力的即时测验。如果你在生活中遇到一个小问题，你是寻求人类专家还是依赖谷歌？如果你的车出故障，或者你的电脑崩溃，或者你受伤，或者你胃痛，你会去哪里？

6.13 学习熵和学习内驱力

在一个类似遗忘的过程中，学习熵^[6]的奖励的影响将随着时间的推移呈指数级下降。就像间隔重复复习一样，新的奖励将学习熵恢复到更高的水平。就像间隔效应一样，较长的休息时间可能会导致相同的信息有更多的奖励。

在学习过程中，决定学习熵的奖励信号和决定回忆的巩固信号有很大的区别：一旦你学会了什么，在短时间内重复复习是没有意义的，一旦你把回忆的概率提高到 100%，你可以在下次复习之前让时间流逝。学习熵的上限可能很难达到。如果你喜欢一场演讲，有一些歪曲的事实或讲授，你会更喜欢它。如果你只记住一段记忆，你不可能在短时间内用技巧更好地记住它。你可以使用助记技巧重新构建记忆并影响其持久性，但是一旦回忆概率达到100%，记忆的最好的办法是让它闲置一段时间或在不同的上下文中使用它，这可能会导致开发新的记忆，从而与原来的一段记忆形成冗余连接。

学习熵的消失是由于缺乏奖励信号。学习内驱力^[3]的消失是一个遗忘的问题（包括因部分脑细胞死亡而遗忘）。

学习熵将以指数下降和收益递减的方式叠加在每个信息上。通过优化奖励信息的出现时机，我们可以将学习熵提高，使学习成为与食物、性、药物等奖励相同的最令人愉快的活动之一。如果你对此持怀疑态度，请回忆一下那些沉迷于电子游戏的玩家，他们可以在晚上饿着肚子玩游戏。电子游戏可以劫持学习内驱力，并将其与赌博的奖励结合起来。赌博的奖励也可能受类似于学习熵的下降和提升规则的支配，然而，它们受制于可变的奖励，这可能导致上瘾。重要的是要区分学习的乐趣和有害的上瘾（参见：对学习的上瘾）。

学习熵将决定学习内驱力，但两者将以不同的规则来维持。学习内驱力依赖于知识，因此将受到间隔重复的影响。由于知识是一个网络，所以说学习内驱力的最佳激励可能是没有意义的。为了最大限度地提高学习内驱力，我们应该终身学习，尊重自然创造力周期^[13]，并注意大脑的健康（即一般的健康）。

6.14 最佳信息传授

在学校教育中，我们可以设想一个处于最佳学习熵^[6]水平的讲课，在这个讲课中一个学生不断地说「哇！哇！」她保持尽可能快地记笔记。但是，更常见的情况是，课堂会发出一个高熵信息或让人感到无聊。它的学习熵会很低，甚至是负数。

如果最佳学习熵水平取决于学生，老师该如何最好地向全班学生传授知识？有时候适合所有人的传授是不可能的。换句话说，这困难到需要天才的教学技能。对大多数老师来说，他们的传授使大多数孩子感到无聊或沮丧。

在课堂上，少数幸运儿可能会理解大部分信息。对于一小部分有天赋的人来说，这堂课可能没有带来多少新知识。对他们来说这很无聊。对于其他孩子来说，信息的复杂性超出了他们的理解水平。在这种情况下，如果他们试图理解，老师的讲课可能会令他们挫败。一个关于弦理论的讲课可能相当于一个随机打乱排列的英语单词序列的噪音。讲课是一种浪费时间的活动。诺贝尔奖得主 Carl Wieman 把它比作放血。

为了避免负学习熵带来的挫败感，学生们会像你从我前面提到的泰国频道换台一样「换台」。孩子们会忽略来自老师的「静电噪音」，并收听到其他「频道」，这些频道有更合适的学习熵水平（例如桌下的手机上的 Facebook）。即使他们的理解能力很好，所传授的知识也可能无法与他们目前的知识互补。如果这些知识不能产生高质量高价值^[12]的泛化，就会被认为是显而易见或毫无关联的。

低学习熵，即使偶尔发生，也会让学生习惯性「换台」。一段时间后，学生们将「进化」一种过滤器，将教师当做一个零熵和零学习熵的无声广播频道。提高讲课质量将是徒劳的。老师在学生心中消失了！

在教室里，学生往往不能集中注意力在更好的信息上。老师向所有学生传授同样的信息，他们都可能同样感到无聊。相比之下，在谷歌上搜索好的关键词，可以像拼图游戏一样，用符合当前知识树^[14]的低概率信息连续轰炸大脑。谷歌是一个非常便宜和高效的「哇！」生成器。

在渐进学习中，学习熵检测器将选择最佳通道，对这些通道进行优先排序，并利用最佳时机最大限度地提高语义连接和记忆整合。这应该很容易理解为什么我非常高兴，我永远不会被迫坐在学校的长椅上！我太爱学习了！

所有以上的例子说明了信息和大脑在识别值得学习的东西时的相互作用是多么复杂。学习的奖励是最好的已知的学习质量指标。当学生快乐的时候，我们就走在正确的路上。当学校成为痛苦之地时，我们在社会上就失败了。

唯一可靠的知识互补和一致性检测器是学习内驱力系统的神经网络。这就是为什么知识不能预先包装并强加于学生的原因。

这是可以用结晶比喻^[14]来解释。奖励系统的神经学细节在以下一节中介绍：学习奖励。

6.15 令人全神贯注的讲课

我们喜欢学习，但我们通常讨厌别人教导我们。这些感觉与创造力相关，这可能可以用这样一个事实来解释：创造性的阐述对于模式完成是必不可少的，而模式完成正是理解的基础。

在学习中，我们决定研究什么。学习熵^[6]的评估严格取决于大脑和当前的记忆激活的状态。在教学中，知识的传授是与我们对它的看法无关。许多学生把枯燥的科目列为他们不喜欢学校的首要原因。不是欺凌，不是压力，也不是早起。而是极度的无聊！我在这里写了关于自我导向学习和在学校学习之间的极大差异。这一切都源于学习内驱力^[12]！

我感到惊讶的是，有这么多的资源浪费在寻找让孩子们在讲课期间保持兴趣的方法的研究上，而讲课显然只是一种糟糕的教育工具。眼神交流分析？参与分析？努力量化激情？所有的孩子都有了天生的学习内驱力，我们的首要任务应该是确保我们不会破坏这种内驱力。对学习内驱力起主要破坏作用的是强制灌输知识。此外，还有许多社会经济因素使许多儿童即使在最好的环境下也不能茁壮成长。有些孩子永远不会表现出对学习的热情。在大多数情况下，这不是他们的错。只有一小部分孩子受到残疾、健康问题和不幸的遗传天赋的限制。学习内驱力随年龄增长呈指数衰减的主要原因是强制教育^[15]。被动的授课助长了这一过程。

当然，有些授课是有效的。可汗学院里有很多很好的例子。即使是没有幻灯片的口头演讲也能起作用。YouTube 上的 TED 演讲可能会很有趣。它能满足学习内驱力。MOOC 是建立在这样一个原则之上的，即一位摇滚明星教师比数千名重复同样咒语的普通教师要好。即使你只是一个被动的倾听者，你也能学到很多东西。但是，也有一些条件：你需要对主题充满好奇，或者你需要喜欢这个演讲者，或者两者兼而有之。只有一个确定的机制可以确保讲座是有趣的：你需要自己选择它！这只是自我导向学习要求的又一个方面。

除了选择之外，在讲课时，你绝对需要一个暂停按钮，以防你需要上厕所，或缓解饥饿感。没有什么比爆裂的膀胱更能有效地毁掉一场讲课了。最后但并非最不重要的一点是，大多数讲课都可以受益于 Netflix 的「跳过开头」功能。

当然，如果你用你自己的创造性思维，甚至是快速的研究来提高讲课的效率，讲课就会发挥最好的作用。这就是为什么暂停一分钟或一天可能是学习效率的关键。与一些精神科医生的说法相反，创造性休息和走神与多动症无关。只要它们是毫不相关的，它们就是高效学习的标志。

我使用两种方法来渐进地学习讲课。我的第一个方法是倾听和锻炼。锻炼可以提高注意力。良好的专注减少了暂停的需要，然而，它也减少了学习的创造性方面。对于优先级最高的主题，我使用渐进视频，我可以在其中暂停和继续多次。我甚至可以把最重要的讲课节选留待将来复习。然而，即使是渐进视频也不是最好的学习方法。它不能在速度和数量上与渐进阅读相竞争。有时，使用渐进阅读处理讲课记录比听讲课本身更有意义。这一点在充满陈述性知识的讲课中尤为明显。

我主要根据我喜欢听的演讲者来选择我的视频材料。在这篇文章的背景下，我知道你会喜欢 Ken Robinson 的演讲！去看看：Ken Robinson：学校扼杀创造力！

6.16 学习奖励

学习的乐趣可能是最令人满意的乐趣之一。与吃饭或性不同的是，学习的乐趣不会随着行为结束而终止。学习的乐趣是可持续的，只有在参与学习的网络过载的情况下，学习的乐趣才会慢慢减少。可以通过睡眠将其重置回基线。研究表明，学习的快乐与海洛因或可卡因的快乐具有相同的机制。与吃或性不同的是，快乐的学习可以占据大部分醒着的时间。在这个意义上来说，学习、创造力、问题解决和生产力的乐趣可能是斯多葛派的享乐疗法的主要工具。虽然一个健康的人很容易满足对食物的需求，但是对学习的需求可能永远不会停止。学习内驱力^[3]取决于当前知识的状态，而这种状态可以被学习本身所操纵。

所有情绪波动的人都应该把学习当作治疗。

6.16.1 学习内驱力奖励

我已经提到了几个例子来说明学习内驱力^[3]是如何在大脑中产生奖励信号的。我们知道低概率的信息是有奖励的。提供新知识的泛化也是如此。一个导致理解突破的信息片段是很有价值的。拼图中缺失的一块拼图^[8]带来了巨大的奖励。一个生僻的词，一旦被解码，就能使一整篇长的文本从杂乱无章的句子转换成清晰的推理。

通过泛化来确认一个模型，或者为一个更好的新模型奠定基础，这两种方法都让人感觉很棒。此外，所有与强烈情感相关的模型验证肯定都会让人欣喜若狂：「我的团队是世界上最好的！」或「是的！我的新生儿真的很健康！」，或「耶！我就知道努力工作会使我升职的！」。然而，当我们讨论学习内驱力时，我想过滤掉额外的可能会模糊图景的情绪层。我们需要记住，学习是愉快的，并与它是否能从运用知识中得到奖励无关。

发现时的啊哈！、哇！、或者尤里卡！是学习中最纯粹、最终极的奖赏。它不需要从别人那里得到更多的赞扬或奖励。在这里，知识本身就是奖励。

这种奖励的共同点是对记忆中新的高价值信息进行编码。

学习内驱力的奖励来自准备长期储存的高价值知识。

在我们寻求理解现实的过程中，随着大脑中储存的信息总量增加，储存的知识的熵就会下降。随着不断学习和建模，理解世界的复杂性所需的努力越来越少。

6.16.2 学习内驱力的进化

科学家说聪明的动物玩得更多。我说，更有趣的是，那些玩得更多的物种更聪明。我猜想，人类大脑体积变大的触发因素可能是学习内驱力，而不是鸟类或哺乳动物面临的环境变化需要更多的思考。这并不是说，如果人类大脑皮层没有变大，人类就会突然面临灭绝。这可能是因为学习内驱力^[3]的出现，突然允许更好地使用数量增多的代价高昂的脑细胞。在学习内驱力出现之前，增加大脑体积可能会给动物留下多余的头部重量和一组多余的细胞需要供养。如果没有学习内驱力，多余的大脑空间可能会被闲置，这很可能会导致浪费性萎缩。如果学校教育试图凌驾于学习内驱力之上，它将有助于这种进化优势被废弃。学校教育将助长更不聪明、更没有创造力的社会。

如果我们在人类进化的时间线上画出大脑的大小，我们可以看到大约两百万年前的一个巨大的增加。古人类学家倾向于将这种转变归因于饮食、烹饪等方面为大脑提供更好的营养。

如果关于学习内驱力出现的猜想是正确的，那么能人就是这一突破的起点。这可能意味着从鸟类和哺乳动物简单的程序性游戏内驱力向更复杂的陈述性学习内驱力的转变，这种学习内驱力最终导致我们建立现实的抽象模型，而这正是人类智能的基础。据推测，从能人开始，人类有了以大脑发育为主的童年（从断奶到 7 岁左右）。

学习内驱力在进化中的姗姗来迟表明，它不是神经网络中出现的简单功能（参见：Biederman 模型）。否则，它可能很容易出现在鱼类或更早的时候。学习内驱力需要一组专用的神经结构，这些神经结构能够在检测到对陈述性知识的连贯结构的增量贡献时，发送奖励信号。这种信号和潜在结构可能在程序性学习和陈述性学习中有所不同。对于不同类别的感官输入，它也可能有所不同。

6.16.3 程序性学习奖励

在 20 世纪 80 年代，我猜想了一种可能进行程序性学习的神经网络。在我的硕士论文中，出于无知，我使用了我自己的术语「随机学习」。我不知道的是，早在二十年前，也就是 1969 年，David Marr 提出了一个符合我自己想法的小脑皮理论模型。在新世纪里，有大量的数据证实了这个模型。

程序性学习神经网络的思想是非常简单的。想象一下你骑自行车。你运用你的意识去学习骑自行车所需的每个动作，然后继续骑车。然而，一旦你在路上，程序性学习系统确保你可以用最少的神经参与自动执行所有的动作，而不需要有意识的监督或只需要最小限度的监督一组指令神经元。程序性学习将决定你的运动程序。这个程序性学习系统将对发送到运动系统的信号序列进行微小的随机调整（因此被称为「随机学习」）。您可以将这些随机调整视为程序性创造力。每当你的自行车失去平衡，一个惩罚信号将从错误检测网络发送，去取消发送的修正。这个惩罚信号将为运动程序起一个指导信号的作用。

在睡眠期间，记忆将被重新组织、简化、优化，对有意识的输入的需要会被消除，而对技能贡献不大的垃圾信号将被驳回。随着每一公里的骑行，信号序列将通过反复试验而得到完善。而每次睡眠，褶皱就会变得更光滑。骑自行车将成为一种乐趣。从笨拙的、有意识的骑手到本能的骑手的转变中，这种乐趣可见一斑。

以类似的方式，在计算机上键入每个句子时，你的打字错误会越来越少。你知道键盘上的「)」在哪里吗？「}」呢？你打字越流畅，你就越有可能忘记这个细节。当有意识地控制动作顺序消失后时，键盘上「)」位置的陈述性知识可能作为「垃圾」被丢弃。它不再被需要了。

6.16.4 陈述性学习奖励

在解释陈述性学习内驱力时，情况要复杂一些。陈述性学习有明确的回报。有些事情是有趣的，发现真相是令人愉快的。在神经层面，大脑将扫描输入并产生神经活跃，以寻找学习熵高的领域，这些领域最大限度地提供与当前记忆状态相匹配的新知识。任何有意义的低概率信息都会被认为更具吸引力。明亮的分形图案将被认为是美丽的。灰色的随机颜色会被认为是无聊的。同样的情况也会发生在更复杂的视觉信息上。生机勃勃的森林是美丽的。但同样的森林在冬天、在干旱中，或者在环境污染的影响下，可能看起来并不吸引人。StevenPinker 说，我们被充满活力的图像所吸引。但我不同意。因为吸引力要宽泛得多。我们可能同样被一座死火山或南极洲的冰冻景观所吸引。我们喜欢使用简单模型表达复杂信息的环境、信号、信息或大脑活动。美丽海滩的图片可以用一些简单的形状和纹理来表示。

信息熵与数据的可压缩性有关。信号处理从输入开始。视网膜对视觉输入信号进行 100 倍的压缩。海马体和视皮层接受形状和关系的简单表示。这些可能最终改变皮质长期记忆储存中单个突触的状态。

整个学习内驱力都是建立在寻找有效的神经网络知识表示方法的基础上的。学习内驱力、睡眠中的记忆优化和遗忘对于最大限度地提高可压缩性、抽象性、可用性和性能至关重要。这就是大脑如何通过简单的表示来确保我们能够看到一个复杂的世界。这是人类智力的核心。如果人工智能研究人员能够为机器人配备类似人类的学习内驱力，只要有足够的记忆空间，他们的学习能力可能是取之不尽用之不竭的。

6.16.5 学习中的奖励中枢

在 2014 年，研究人员报告称，在「高度好奇」的状态下，伏隔核的活动增加。他们还证明了我们所熟知的：这种状态提高了记忆表现。此外，这种提高的表现也体现在附带学习上，即不依靠本身激发好奇心的学习。这项研究在媒体上被广泛报道，但却以一种错误的解释：「好奇心会激发大脑，以获得更好的记忆」。例如，《科学美国人》的标题为「神经成像揭示了大脑的奖赏和记忆路径是如何激发大脑对知识的探究」。这篇论文本身就提出了「激发好奇心」的必要性。

由于奖励中枢可能涉及快乐的预期，我们更应该把研究的结果看作是学习内驱力^[3]与快乐相关的一个迹象。正是学习内驱力引发了学习。学习才是令人愉快的。标题应该是「神经成像证实有效的学习是令人愉快的」。换句话说，顺序不是「内驱力->快乐->学习」，而是「内驱力->学习->快乐」。

与其说需要「激发好奇心」，不如说需要「培养学习动力」。关键的区别在于，将刺激视为一种可能在课堂上使用的快速解决方法，而不是需要数月甚至数年的长期过程。一次广告宣传活动可能会用一些廉价的手段来激发我们的好奇心，而终身的激情则是永不满足、永不衰退的学习内驱力的配方，这是不断学习的完美保证。

的确，好奇心的状态会提高注意力，这会提高整体的学习，但是，这永远不应该作为一种课堂策略来使用。只有当奖励来自学习对象，而不是来自学习对象的周边，学习的游戏化才有意义。许多儿童学习程序使用鲜艳的颜色，不寻常的声音或微笑的脸来吸引注意，以诱导学习。然而，一旦习惯性了它，这种形式或人工游戏化就不再有效。而且，附带的知识不会持续很久。任何利用好奇心来激发附带学习的努力都是不具体的和低效的。同样，我们可能希望药物干预，如利他林，可以改善学习。然而于此相反，学习必须基于它本身的奖励。

伏隔核和腹侧被盖区参与了快乐、对快乐的预测和信号评估。来自知识评估网络^[12]的信号在动机和情感两个方面汇合到这些区域。多巴胺与快乐的预期有关。由于多巴胺参与了注意力，仅仅是对快乐的预期就会导致学习的改善，这是因为更加关注预期传递快乐的信息来源。

如果你不相信，想想你有多讨厌你的新闻频道，当他们耍诡计激起你的兴趣时，然后说“休息后再找出答案”。当他们用“突发新闻”毁掉这一切时，你会变得更加愤怒。期待也会导致挫折。只有实际的学习才能提供奖励。从进化的角度来看，只有实际的学习奖励才有意义。我们不想将仅仅给动物看食物作为奖励。

伏隔核中的嗡嗡声可以是快乐的直接表达，也可能是寻找快乐的状态。最后，对于最终的结论，实际的解释并不重要：无聊和不快是学习的敌人。

为了进行用新知识补充现有知识的有效学习，我们需要遵循学习内驱力。简单地说，这意味着学习的快乐在教育中是可取的。我们决不应该在不愉快的状态下学习(参见：值得的难度)。大脑让学生知道，在信息论的意义上，新的知识并不合适，痛苦的学习来自于此！它会被拒绝。而快乐是很好的向导！

通过上面的神经学推理，我们得出了一个显而易见的结论，有效学习的最好保证就是让学生自己学习，跟随自己的激情。

6.17 Biederman 模型

6.17.1 阅读关于阅读乐趣的乐趣

2006年，Irving Biederman 和 Edward A. Vile 发表了一篇论文，给我带来了令人难忘的阅读乐趣。这篇文章本身向我解释了阅读的乐趣。在一篇题为“感知愉悦与大脑”的论文中，Biederman 假设，负责视觉感知的大脑结构中阿片受体的分布梯度可能有助于观看美丽风景等美好场景的乐趣。Biederman 的想法似乎向我解释了我多年以来所知道的：学习是令人愉快的。我总是喜欢学习，然而，我从来没有真正理解我的喜欢在脑科学方面的基础。Biederman 的解释恰如其分，非常令人愉快。它解释了一些困扰我一段时间的事情。在阅读的那一刻，我非常善于自我分析。在阅读的乐趣时，我试着去“感受”阅读的启示是如何提供快乐的。阅读关于阅读趣的乐趣变得令人难以忘怀。

Biederman 和 Vessel 所提议的是具有里程碑意义的。因此，为了简单起见，让我给他们的想法起个名字：Biederman 模型（根据资历选择名字）。在视觉感知中，连续的神经元层负责对视觉场景进行更抽象的表示。打个比方，它从像素和颜色开始，然后移动到边缘、纹理和曲面，然后移动到对象，然后是面、位置和集合，然后是有意义的场景，在链的末端，这些场景可能会激活一座“美丽的山”的表示，就这样被记住，只有几个细节在工作记忆中的第一印象之外永久化。一张数以百万计的像素的照片将变成一个有意义的场景，只需几句话就能用语言表达出来，并以这种方式被记忆多年，只需很少的神经代价。

Biederman 模型利用了早些时候的一项发现（MichaelE.Lewis 等人，1981年），即沿着视觉感知路径存在µ-阿片受体的分布梯度。神经元携带的意义越多，它可能具有的阿片受体就越多。我们知道，阿片类药物是有益的和上瘾的。Biederman 模型基于这样的假设：阿片受体的分布梯度是感知快感的来源。

在处理语音和音乐方面也有类似的层级系统。颞叶皮质涉及处理从音调到旋律的声音。然而，处理节奏也涉及到大脑的其他区域。很有可能，所有这些感知网络都遵循类似的原则。这是神经美学的研究课题。

6.17.2 阿片类药物与多巴胺的快乐

Biederman 模型有一个小问题。学习的乐趣可以有意识地分析。在我自己的例子中，阅读 Biederman 模型的乐趣可以分解并追踪到模型的各个组件。这一事实意味着快乐与有意识的体验是结合在一起的。众所周知，意识是神经科学难以破解的难题。我们所知道的关于意识的大部分知识要么是推测的，要么是基于硬而昂贵的实验，在这些实验中，植入大脑的电极可以被用来引起效应，这些效应可以稍后或同时由受影响的个体报告。证据似乎集中在意识的综合模式上，在这种模式中，大脑中几个结构的激活被整合起来，并被视为有意识的自我。按照这一思路，激活大脑皮层某个部位的 Halle Berry 神经元，并不足以将 Halle 带到一个人的意识中。数以百万计的概念神经元可以在同一时间被激活，一个思维只能在感知现实的模型中的一小部分上运作。要将 Halle 带到一个人的头脑中，激活必须与意识感知的其他组成部分结合起来，包括感知奖励。

由于这些原因，大脑皮层神经元中的阿片受体不会对学习的最终回报起到很大的作用。阿片类药物的拮抗剂，纳洛酮(Naloxone)，可以夺走某些人对音乐的乐趣。然而，阿片类药物的学习乐趣应该产生首次使用微量海洛因或吗啡所产生轻微的幸福。从这个意义上说，内吗啡肽的释放和阿片受体的激活可以促进学习的快感。尽管如此，这种快乐还不够具体到让人惊呼“哇！”啊哈！“或者“尤里卡 ”(Biederman 称其为“理解的点击”)。对于最终的学习奖励，必须有来自大脑中快乐中枢的综合奖励体验。

6.17.3 联想的快乐

发现的最终乐趣震撼将来自于一种有意义的联想。这可以用理解 Biederman 模型本身的乐趣来解释。当我们思考这个模型时，我们激活了我们大脑中的两个重要概念：(1)意义的梯度（来自对视觉感知所涉及的神经结构的理解），(2)愉悦的梯度（来自对视觉通路中阿片受体含量的观察）。一旦想到这两个概念，就会有一个类比的粘合剂：「梯度」的概念。这种胶水有助于产生一种令人愉快的启示的联想：意义=快乐！这正是我在读 Biederman 的论文时所经历的。要使这种震撼发生，光有更多的阿片受体与快乐梯度的概念相关联，而不是与梯度的数学基础或它与「梯度」一词的关联，是不够的。与通常使用的「意义」一词相比，与「意义梯度」这一新颖概念相关的阿片受体还不够多。当这两个高价值的概念发生碰撞时，就会发生震撼：意义+快乐。

Biederman 注意到，受体的梯度很远地延伸到联想区，包括海马旁皮质。我们可能还记得，在更远的下游，我们在海马中发现了 Halle Berry 神经元。为了说明阿片类药物的快乐和联想的快乐之间的区别，让我们想象一下在一个美丽的海滩上遇见 Halle。当我们走在海滩上时，我们可能会感受到一股如海洛因一样的幸福之风，这是因为我们意识到我们的环境很美：「我走在沙滩上感觉很棒」。一旦 Halle 出现在地平线上，视觉分析可能会提供另一种阿片类药物的快感来自“美丽的女士接近”的信号。然后，视觉处理单元可以确定这位女士是 Halle，这可能激活 Halle 的皮层代表，这可能是阿片类物质丰富的。然而，只有 Halle 和“我的海滩”的最终结合才会引发一个重大发现，也许是一个古老的生殖梦想：「Halle 和我走在同一片沙滩上！」这就是来自腹侧纹状体和伏隔核的奖励可能会在“喜欢”的情况下发挥作用，而多巴胺的一击可能会触发“想要”的行为程序。该行为「想要」计划的细节已经从这篇文章中被删掉了。然而，在高度发育的个体中，来自前额叶皮质的执行信号将不可避免地停止该程序的执行。简而言之，在大脑的快感中枢注射多巴胺可能会给大脑带来一些不雅的想法，而阿片肽的释放可能只会带来一种联想的幸福。

学习的乐趣不需要涉及有吸引力的异性代表。Halle 出现在我的例子中，只是因为发现了 Halle Berry 神经元。为了学习的乐趣，所有需要的是一个强大的和高度重视的想法，激活大脑中的快乐中枢的联想。每次我们学到新的东西，快乐就会发生，而当我们学到高价值的东西时，这种震撼是最强大的。发现 Biederman 模型的乐趣来自于在我的知识评估网络^[12]中对学习本身的乐趣的高度评价。

6.17.4 记忆对学习快乐的影响

我还想补充 Biederman 关于脱敏的假设，即反复接触会使乐趣下降。Biederman 认为，孩子们因为赌博的因素喜欢重复的电子游戏。然而，赌博在成年人中同样有效。我认为孩子们因为童年失忆症^[16]更喜欢重复学习。一些重复的快乐可能来自于有限的理解，但有些仅仅是由加速遗忘来解释。理解能力差和遗忘是成人大脑和儿童大脑的主要区别。

我们还应该注意到，复习乐趣的大幅下降将不是来自竞争性学习，而是来自长期记忆的巩固，这可能导致信号在系统中高效地传递。竞争性学习在模式识别中可能很重要，但在联想学习中，高可提取性会破坏重复接触的乐趣。

6.17.5 学习内驱力进化的几个阶段

当我假设在人类中出现了强大的学习内驱力^[3]时，我想到了从知识到奖励中枢的直接渠道。它最终将成为比 Biederman 模型所暗示的更高水平的学习内驱力。每一次涉及到受体，进化都有一种简单而感激的材料可供处理。受体梯度最初是在恒河猴皮层中发现的。类似的机制可能涉及更简单的大脑，甚至更原始的、没有中枢控制的神经系统。我不知道一只蚂蚁在想什么，也不知道它的感觉如何，但是找到一个很好的食物来源肯定是某种蚂蚁快乐的源泉。由此我们可以得出结论，学习的乐趣可能不会比神经系统本身更年轻。然而，在进化的过程中，驱动建立了新的功能层和效率层。有趣的创造力似乎只出现在一些鸟类和哺乳动物身上。比如人类学习内驱力，这种进化过程可能已经达到顶峰。这在某种程度上自然会在思维机器中实现。了解学习内驱力对于人类的生存至关重要：无论是对人工智能的需求，还是对人工智能转向人类的威胁。

6.18 值得的困难

值得的困难是一个概念，可能成为一个容忍在学校的不愉快学习的借口。我在这里解释为什么这个借口是不公正和危险的。

Robert Bjork 可能是学习理论方面最好的专家。如果他告诉你在学习中困难是值得的，他是对的，而且这与好的学习总是令人愉快的事实并不矛盾。值得的难度是学习中引发更好的学习的障碍的概念组合。让我们从学习的乐趣出发，逐一解决这些问题：

• 主动回忆：主动回忆优于被动回忆。主动回忆更难。这是一个值得的困难。我们在学习中需要主动回忆，因为它是在间隔重复中有效地重新巩固记忆符号的唯一过程。当我们在实践中运用有用的知识时，主动回忆就会发生。这种使用是令人愉快的，因为它带来了生产力，这是一种独立于学习的回报。人类只是喜欢实现目标。如果复习是人为计划的，就像在 SuperMemo，它不会产生一个富有成效的行为，它可能很容易失去它的吸引力。SuperMemo 的所有成功用户都将复习与他们的目标联系起来。他们认为每一项和每一次重复都是迈向更美好未来的一步。并不是所有的用户都具有这种想象能力。这就是为什么 SuperMemo 没有让人类为之倾倒，尽管它有着惊人的效率。
• 间隔重复：如果记忆的可提取性较低，则记忆巩固更有效。这导致了回忆的困难。这是一个值得的困难。与主动回忆一样，复习的奖励来自于知识和生产力的运用。在 SuperMemo 中，默认情况下，大多数复习都以成功的回忆结束，而且难度和快乐之间可能存在某种联系。同样，只有一部分 SuperMemo 用户能找到这个过程的乐趣。那些通常不会坚持很久就会辍学的人。我们告诉所有用户，让SuperMemo变得有趣，否则它对你无效！另见：知道的快乐
• 渐进复习：SuperMemo 提倡在空间中学习。从记忆和创造力的角度来看，在较长的时间内阅读一篇小篇幅的文章更有效率。这同样指的是看视频或听讲座。这导致了上下文检索方面的一些小问题。然而，它在创造性的阐述中带来了额外的奖励。它还改进了记忆编码、泛化和长期记忆巩固。矛盾的是，这些额外的困难导致了额外的学习效率，这使得渐进阅读成为最令人愉快的学习形式之一。
• 学习语境：在回忆中改变语境是一种非常简单和有效的值得的困难类型。如果编码是正确的，回忆将会成功，它将是更有效的，它将是有益的。如果语境的改变导致泛化和更好的记忆编码，学习的有效性就会提高，学习的回报就会增加。
• 解决问题：解决问题可以是非常愉快的。问题越难，解题的乐趣就越大。问题解决涉及一个学习过程，因为解题需要中间步骤，从而将新知识存储在记忆中。所有这些步骤都是令人愉快的。如果学生在这项任务中挣扎而没有进步，他将什么也学不到，也得不到任何回报。这些任务太难了。如果学生不能解决问题，但通过中间步骤取得了进步，即使他们与解法无关，学习也是存在的，回报也是存在的。同样，如果困难是值得的，它将导致回报。如果没有奖励，困难似乎是无法克服的。因此，这既不有益，也不值得。
• 边做边学：边做边学可能涉及游戏、创造力、解决问题等等。边做边学需要更多的时间，而且往往会带来更好的结果和更多的回报。
• 延迟反馈：在某些情况下，延迟反馈可能导致更多的处理。简单地说，如果老师不告诉你做得有多好，你可能会想更长一段时间。这对记忆有好处。如果是这样的话，最终的效果将是有益的。
• 帮助退出：我写的帮助退出是在学校抑制学习内驱力^[17]的背景下。没有得到答案的孩子可能会变得更加好奇。好奇心会增加学习的回报。在纠正错误的现实模型方面得不到帮助的学生，会因为自己解决矛盾而得到更大的回报。
• 其他困难：可以改善学习的障碍是无止境的，其中一些可能是荷尔蒙的性质，有些可能涉及激励的力量。所有这些障碍的共同点似乎是某种形式的更深层次的处理、记忆的巩固、注意力的提高等等。不可避免地，导致更好学习的障碍也包括更好的回报。

值得的困难并不会剥夺学习的乐趣。恰恰相反，它使学习更有效，更有趣。如果过于困难而导致不愉快，那么困难就不再值得了。这种简单的等价性来自于学习内驱力^[3]中奖励系统的机制。

请注意，由于值得的困难而产生的有效学习的奖励并不需要对应较高的学习熵^[6]。学习熵是信息通道的度量。例如，主动回忆与新颖性无关。它指的是记忆的重新整合。同样，解决问题的部分原因可能是实现与学习无关的目标的需要，或者是获得新知识以外的生产力的回报。

还要注意的是，几乎所有上述值得的困难都内在地与渐进学习的过程相关联。

6.19 学习成瘾

6.19.1 天生成瘾

我们生来就热爱学习。在强制教育^[15]时期，热爱通常很快就会消逝。我们对学习的热爱持续的时间越长，对大脑、健康和人类的益处就越大。对学习的热爱与上瘾无关。上瘾的定义包括强制参与某项活动所造成的不良后果。

与益处相比，学习的负面影响很小。如果有一定程度的贪婪，甚至是强迫性的冲动，它可以进一步促进积极的影响。提高一个人对学习的热爱是有可能的。良好的学习为进一步的学习提供了最好的推动力。

6.19.2 学习和赌博

分别与学习和赌博有关的奖励机制之间有着密切的联系。赌博和学习新词都以类似的形式激活腹侧纹状体。这种与赌博的密切联系可能会混淆学习的图景。赌徒在老虎机前学不到什么东西。让人上瘾的电子游戏更好。可能很有教育意义。许多团队游戏成瘾者以前在学校没有取得任何进步，但都能说一口流利的英语。对体育新闻的上瘾也可能涉及到一定程度的学习。我是在非洲国家杯(足球)期间才了解卡宾达的。对 Facebook 更新的上瘾也没有什么不同。它是建立在预期特定收益的可变奖励的基础上的，然而，它也可能很大程度涉及到的学习。这种学习可能包括八卦，名人新闻，假新闻，或实际有用的学习。即使是最新的政治民意调查也会让人上瘾。在希拉里·克林顿(Hillary Clinton)和唐纳德·特朗普(Donald Trump)之间的较量中，民调平衡得足以产生扣人心弦的效果。强制检查新的民意测验都有上瘾的特征。然而，这种上瘾会导致大量的学习。要靠学生把赌博和学习分开。贪婪的学习是好的。从上瘾中获得的学习也可能是好的。然而，赌博本身并不能给人类的生存带来什么价值。

6.19.3 学习和睡眠

强迫性学习可能侵犯睡眠时间，并可能导致失眠症和睡眠相位后移综合症的流行。有强烈学习内驱力的有创造力的人可能会熬夜学习，直到凌晨。在电灯出现之前，这种违反睡眠模式的行为是困难的，甚至是不可能的。好消息是，学习内驱力往往随着网络疲劳而减弱。我们学习的时间越长，记忆回路的饱和程度就越高。只有睡眠才能带来解脱。这就是为什么即使是最贪得无厌的学习者往往会昏昏欲睡，并在某一点上放弃学习。如果读者为了一本小说而熬夜，这可能是睡眠内驱力不足、学习减少和悬疑小说中典型的可变奖励增加的组合。

6.19.4 学习和锻炼

我听说强迫性的学习会导致更少的锻炼。那就不好了。然而，我认为更有可能产生这种效果的是糟糕的学习。好的学习是快乐的，能激发额外的能量。一个快乐的孩子不应该长时间地坐在一本书或一台电脑前。一定有办法释放能量。也许我们应该说，减少运动是学习成瘾的标志，而良好的学习有神经营养作用，应该让人爆发额外的能量燃烧？

6.19.5 学习限制

学习是有代价的，也是需要时间的。这就是为什么它应该是明智的。然而，良好的学习几乎总是一个好的长期投资。这就是为什么我们不应该害怕上瘾。恰恰相反，我们应该珍惜和激发学习内驱力，提供快乐的终身学习。

6.20 学习的不快

当我声称所有的学习都是令人愉快的时候，我听到了一种声音，像是“我不得不经历一场压力很大的考试，它给了我很多生活上的好知识”。这些声音混淆了良好学习的乐趣和使学习成为许多学生恐惧的因素的不快。这些可怕的因素包括糟糕的老师，严厉的家长，最后期限，压力，糟糕的睡眠，糟糕的教科书，过多的书册，等等。

我听说，如果没有最后期限或学校强加的目标，学习将被电子游戏、小说、电视、爱好、体育等所取代。出于许多原因，这可能是正确的。其中一些活动可能带来与学习无关的乐趣。然而，由于学习或锻炼的原因，它们也是有益的。一个全面发展的学生应该能够自由地放慢速度，把时间分配给有趣的学习和其他有趣的活动。进展缓慢可能带来更多好处。

学习的方程式不可能在好的学习之后产生不快乐。责任总是在别的地方。所有负面的东西都应该研究和消除。

归根结底，即使对考试、证书和职责有不满意之处，这种不满也应由学生自己承担。

快乐的学习可能被埋没在由压力、坏人、糟糕的学校、糟糕的教科书等等引起的不快中。

6.21 学习和拖延

如果学习是最可持续的快乐形式，为什么一半的学生会拖延呢？这几乎是一般人口数字的三倍。

答案很简单也很重要：学生拖延是因为好的学习是一种乐趣，而坏的学习是非常不愉快的。学校甚至大学里的大部分作业都与学习内驱力^[3]的需求不匹配。这种学习是无效的，也是令人不快的。那些孩子经常在晚上玩电脑游戏，声称他们的大脑需要休息。我怀疑他们的大脑不在休息。实际上，他们做的工作都是他们觉得愉快的。这种乐趣很大程度上来自于新的学习。不幸的是，游戏玩得好在学校是没有学分的，所以琐事和乐趣的正弦循环从第二天开始，甚至在同一天随着作业开始。

我从来没有停止惊讶，有这么多的学生自称懒惰。同时，只要这些都是愉快的或为自己的目标服务，他们就可以做许多精神上的体力劳动。即使是那些在 SuperMemo 中有数千个记忆项目的人也常常给自己低的责任心分数。学习的目标可能是模糊的，但即使它们是非常清楚的，输入和先前知识之间的不匹配可能会导致显著的不快。如果学习熵^[6]很低，作业可能会很枯燥。如果它是负的，他们将是令人厌恶的。

高目标估值与不良学习的负面奖励之间的斗争将导致拖延。拖延者常常说自己懒惰，即使他们不是。

如果你认为你在学习上懒惰，你需要重新评估你的材料和方法。即使是简单的违反自然的创造力循环^[13]的行为也会扼杀学习的乐趣。

6.22 学习和抑郁

学习是一种可持续的、非上瘾的快乐形式，除了时间成本外，几乎没有任何副作用。此外，良好的学习倾向于增长知识，并通过提高学习内驱力来促进更多的学习。这意味着学习应该作为抑郁症的治疗手段。

6.22.1 在校学习

如果学习是快乐和奖励的源泉，为什么我们会在学龄儿童中看到猖獗的抑郁呢？尽管是学习机构，但学校更有可能导致抑郁症，而不是作为一种治疗措施。没有学习的自由，就很难获得好的学习。为了让学习变得愉快，它需要学习内驱力^[3]。它不能是强制性的，也不能是强制性的。它一定是自由的。

6.22.2 记忆对情绪的影响

自由学习是有趣的，然而，学习的乐趣并不能使它成为对抗抑郁的强大工具。

记忆是一个可能触发或抑制抑郁的因素。记忆决定了输入信号在大脑中是如何被传送的。记忆决定了哪些概念与输入或神经激活相关联。记忆决定了我们对过往汽车的声音的反应。它可能会让人想起一个快乐的假期，埃隆·马斯克的灵感，或者是一场使心爱的人残废的车祸的记忆。

要使记忆对情绪产生重大影响，我们需要很多记忆。仅仅与心理治疗师坐下来，了解一些关于大脑、我们的生活或应对策略的关键事实是不够的。要想在大脑中形成健康的轨迹，需要几个月又一年的学习。我们可以建立内在乐观或内在悲观的联想。我们需要数千个这样的联想来扭转局面。然而，即使是多年的学习也很容易被病理或创伤所推翻。神经激素可以立即改变大脑工作的模式。神经激素谱的改变将立即优先考虑可能以负面方式影响情绪的记忆集。创伤可以灌输记忆，这将激发新的活化源，将覆盖从其他来源的激活。换句话说，如果开关改变了使用中的轨迹，或者大脑中产生了一种新的活化源，那么良好记忆的装备就可能一文不值。要减轻一个有学问的人的死亡是不可能的。

一旦抑郁发作，受影响的个人将面临双重打击。不仅是关于防守的美好回忆。糟糕的记忆开始盘旋在周围，促进他们自己的新轨道，并获得上风。大脑重新编程，使情绪的平衡向错误的方向摆动。当这个过程成为失控，我们可能有一个临床抑郁症在手边。完全的坏消息是，抑郁症患者失去了他们对生活的热爱和对学习的热爱。

学习能打破这个循环吗？这可能是非常困难的！尊重生理周期是恢复脱轨大脑的第一步。在昼夜周期中，需要抓住创造力高峰窗口来尝试补救性学习。学习需要多产、强烈、有效和愉快。渐进阅读如果不是那么困难的话，那就太棒了。对于一个在部门里没有技能的抑郁的人来说，SuperMemo 是不能补救的。太晚了。试图在糟糕的心态下掌握渐进阅读只会让事情变得更糟。这可能会导致对渐进阅读的厌恶。

如果学习是可能的，它可以作为一个避难所，这可能有助于抑制消极记忆和建立新的联系。在这一点上，建立新的知识卷轴的过程可能开始。这一应当使人对世界作出更加乐观的解释的过程是缓慢和艰苦的。在最严重的情况下，可能需要几个月或几年的艰苦工作，结果是不能保证的。

最终的结论是，学习不是灵丹妙药，但它可以在治疗中发挥重要作用。最重要的是，通过丰富而有效的学习，可以提前数年避免患抑郁症的风险。学习必须在自由和尊重学习内驱力的条件下进行。简而言之，热爱学习是走向热爱生活的好方法。

6.22.3 抗抑郁药

我是医学上的路德派教徒。为了一个健康的身体，我坚持一条规则：“如果它没有坏，就不要修理它”。我避免任何形式的药物干预。我相信自我平衡的力量和干预自我平衡的危险。我用的最厉害的药是咖啡和啤酒。我甚至不用阿司匹林。我对滥用抗生素、止痛药、安眠药和抗抑郁药物感到非常沮丧。我已经几十年没吃抗生素了。长到忘记多久了。如有必要，我会在死亡之床上使用。所有药物都有其合法的用途，抗抑郁药物也是如此。由于它们导致受体下调，一旦服用，就会使神经递质的现状变得更糟。这通常意味着，服用的药物越多，就越需要服用才能避免挫折。然而，在严重的临床抑郁症病例中，药物可能会阻止失控的过程。它们可以保护大脑免受自我伤害。一旦抑郁症患者开始失去脑细胞，康复的道路就变得漫长而崎岖。抗抑郁治疗开始的那一刻，如果起作用的话，就是把学习作为治疗的最佳时机。只要大脑愿意继续学习，学习就可以启动那些微妙的知识卷轴，这些知识将与现实联系在一起，产生残留的学习内驱力。在理想的情况下，一旦药物被撤除，学习内驱力应该存留下来，开始一个与抑郁相反的过程：学习、创造力、良好的睡眠和良好的情绪的积极反馈。这并不容易，但它是非常重要的。如果药物治疗是唯一能改变病人生活的东西，它只能作为病理过程中的一种中断而起作用。它不会使大脑处于比问题开始前更好的状态。改进需要积极努力。没有健康的学习内驱力，积极向上的记忆就不会开始。

6.22.4 学习内驱力和乐观

蹒跚学步的孩子似乎表现出最旺盛的学习内驱力。难怪，健康的孩子生来就是乐观的。乐观与学习内驱力之间存在着相关性。快乐的头脑可能在神经化学的基础上起到学习内驱力的作用。悲观肯定会起到抑制或过滤的作用，阻止学习内驱力的表达。从这个意义上说，悲观的头脑可能掩盖了学习内驱力。在抑郁症中，学习内驱力可能完全消失。难怪罗伯特·萨波尔斯基博士称抑郁症是世界上最严重的疾病。

似乎出现了一种共识，即学校是青少年(以及以后的生活)抑郁的主要原因。其机制尚不清楚，但习得性无助和对学习内驱力的抑制可能是导致病理变化的关键因素。

6.22.5 学习可以帮到你吗？

如果你正在读这篇文章，而你不确定学习是否对你有帮助，那么问问自己这个问题：你今天心情好吗？正如上面提到的，当你在一个下降秋千和寻找一个解决方案，你的解释是黑暗的，你可能会发现这篇文章不够安慰。然后记住关于活化能的概念：你需要先迈出一小步，然后你可能会被一系列有趣的东西拉进来学习。

如果你今天对量子力学没有兴趣，那就从名人新闻或者体育新闻开始吧。少量学习总比不学习强！

6.23 教育的优化：全局还是局部？

在教育中用快乐作为指引是否有风险？

6.23.1 完美的教育模型

经过多年的学习，我们慢慢地建立了一个理想的学术学习过程的想象模型，在这个过程中，我们设定长期目标，遵循课程，增加重要的知识，当我们在给定的领域获得具有岩石般坚实的知识的大学学位，并得到社会有效运作所需的广泛的一般知识的支持时。我们在学校系统中待的时间越长，就越难离开，对这种模式有一个客观的看法。矛盾的是，对于那些在学校表现良好并开始相信自己成功的人来说，这种模式的验证是最困难的，这要归功于这种完美的学术学习模式。聪明人在学校遭受的痛苦较少，因此，对学校系统问题的考虑也较少。成功的学生将这种模式内在化，并通过为子孙后代提供相同的固定路径而使其永久化。

我们通过课程设计学生知识的模式是错误的！一所完善的学校的模式应归功于制度和教师，而所有实际的学习都应归功于学生。当孩子们成群结队地不能上学时，我们倾向于责怪孩子或他们的父母，而一小部分成功的学生将继续为自己的孩子梦想完美的学校模式，并继续将模式推给那些不那么幸运的学生。

6.23.2 基于学习内驱力的优化

与课程不同，学习内驱力^[3]背后的优化机制是在人类进化过程中不断完善的。它能够推动个人知识达到理科或工程学的所有复杂问题所需的水平。在强制教育^[15]到来之前，人类已经取得了启动启蒙运动或工业革命所需的一切可以想象的突破。强制教育本来有助于把“蒙昧”群众提高到一个新的水平，但是，它正日益把自己推向用压制创造性思维取代启蒙的最佳化的角落。

6.23.3 设计一个孩子的思想

我一直从受过高等教育和非常聪明的人那里听到这样的话：教育太重要了，不能让它依赖于自学或学习内驱力的盲目性。显然，教育是如此重要，我们应该用最好的科学工具和最好的专家来规划和设计它。当我全神贯注于高效率的学习时，在我真正开始思考教育制度之前，我生活在同样的信念中。默认专家意见是很自然的。

受过高等教育的人常常提出以下主张：

• 孩子们没能力做长期规划，因此需要一套课程
• 学习内驱力是一种局部优化，而我们需要在全局范围内规划教育
• 关注学生的兴趣是一场灾难：他们最终都会沉浸在令人麻木的电子游戏中

问题是，教育的全局优化设定了越来越严格的绩效目标。全局优化不断使用同样低效的学习工具，试图将更多的“必要”知识转移到学生的头脑中。其结果是数百万学生的痛苦。虽然斯大林为苏联的巨大成就进行了全局优化，但正是市场经济以其简单的优化算法将西方世界提升到了新的高度。参见：现代学校教育就像苏联的经济一样^[18]

目前所采用的优化教育使用知识测试作为表现的衡量标准，而是依靠填鸭式和短期记忆来在较短的时间内取得更多的成绩。因此，它不断失去对学习内驱力的控制。国与国之间的竞争也采用表现测试。我们不是针对实际的长期知识进行优化，而是对学生头脑中的知识周转速度进行优化。其结果是学生对知识的不满，而这些知识与投入的时间和实际的人类潜力相比是微不足道的。

6.23.4 依靠涌现

优化教育可以采用涌现^[19]的概念。学习内驱力^[3]是一种机制，通过这种机制，知识是自组织的，不需要老师的努力^[20]，也不会给孩子带来痛苦。自然学习可能需要很长的时间，但它是令人愉快的，健康的孩子不介意整天学习，因为这是他们自己选择的学习。

在参考基于学习内驱力的局部优化学习时，我们应该牢记两个重要事实：

• 不依靠学习内驱力，就没有好的学习。所有覆盖的尝试都将被人类记忆所拒绝
• 学习内驱力带来了令人惊讶的学习过程的长期优化。在19世纪50年代之前，几乎所有的人类成就都是在学习内驱力的指引下完成的

持怀疑态度的人会注意到，自从实行强制教育^[15]以来，人类的进步加快了。他是对的。然而，自从 40 亿年前第一种生命形式出现以来，我们一直在加速进步。我认为 Guttenberg 和 Tim Berners-Lee 比受人尊敬的 Johann Julius Hecker 对这种加速做出了更重要的贡献。

基于学习内驱力的局部优化非常不直观。创造科学来自于对自然选择机制的一种类似的不直观的感觉。一个基于随机突变的局部进化优化如何导致一个人的奇迹呢？经上帝之手的全局设计/优化/指导似乎是不可避免的。如今，接受创造科学的人越来越少，然而，绝大多数人不知道学习内驱力背后的机制是什么，为什么忽视它是普鲁士教育体系^[21]的首要问题。

6.23.5 树类比

在没有教育系统的情况下，只要有足够的时间和机会进入知识丰富的环境，个人的知识就会成长为一个庞大、全面和连贯的整体^[7]。这对所有自由和健康的人都是适用的。树的大小和质量可能取决于一个人的个性、兴趣和智力发展的起点。然而，教育的一个主要错误观念是，知识的有机增长导致多重偏见和无知领域。据称，这些空白点比上了几年学后留下的空白点要多。由于学习内驱力的计算能力，以及涌现^[19]的现象，情况正好相反。我喜欢用来解释学习内驱力的类比是树的生长。

人类个体知识的自然增长可以比作一棵树的生长。树枝分生组织中的单个细胞对这棵树和它的全局生长目标知之甚少。分生组织遵循简单的激素、生化或生物物理规则（如顶端优势）。这些简单的规则引导生长向光是高效率的，树可以塑造它的树冠美丽。它也将有效地组织成一个树冠与其他物种。地心引力是以最佳方式处理的。营养物质的重新分配是容易的。光的吸收很好。所有障碍，如其他树木、岩石或灯柱，都容易处理。类似的机制保证了植物根系的有效生长。生长锥还利用一套简单的局部规则在大脑中萌生新的神经连接。

知识之树也遵循类似的原则。学习内驱力机制确保个体的记忆之叶渴望新发现的光芒，并在灵感的方向上萌生枝条。在局部，学习内驱力可能看起来简单而盲目。在全局范围内，我们成长为知识渊博的伟人，以支持人类在社会中的所有重要职能。自学成才的大脑可以适应任何环境，实现所有可以想象到的人类目标。

就像树木需要水、二氧化碳、一些营养物质和光一样，大脑也需要能量、丰富的输入和不受约束的自由。所有强迫性调节的尝试都抑制了学习内驱力，知识之树也不能自己发芽。
另一个有助于解释建立连贯^[7]知识的涌现^[19]的类比是知识结晶类比^[14]：

图：在完美的学校教育中，我们创造了完美的知识结晶。在大学里，我们又多了一块专业化的水晶。然而，在现实中，学习看起来并不那么完美。对于大多数孩子来说，知识从来没有建立足够的连贯性，并且由于干扰(即快速遗忘)而支离破碎。因此，在现实的学校教育中，知识渐近达到一定的数量，并从那一刻起就不断地翻滚，在稳定性和连贯性方面几乎没有进展。相反，在自由学习中，知识的获取是混乱和不均衡的。但是，只要它是基于学习内驱力，知识量是非常大的。知识的单个晶体相互碰撞，并建立一致性和连贯性。这反过来又有助于知识的稳定和进一步整合。到了大学时，就体积而言，自由学习者应该比普通学生知道的要多得多。自由知识有多方面的长处，也有多方面的弱点。然而，它在连贯性方面更优越。这就是为什么它更适用于解决问题

6.23.6 局部优化

学习内驱力的局部优化使人的能力与个体的环境和目标完美匹配。学校教育的全局优化抑制了学习内驱力，在将个人与其工作匹配时遵循受抑制的学习内驱力^[3]，并导致了一个不幸福的社会，在这个社会中，大多数人渴望朝九晚五的工作以获得舒适，而将领导、学习和责任则委托给其他人。相反的情况发生在民主学校，这些学校依靠自我学习来培养自我决定、自我实现和自力更生的人，随时准备在他们感兴趣的领域接受任何挑战。

在他历史性的毕业演讲中，史蒂夫·乔布斯开玩笑说，在他被诊断为癌症之前，他不知道胰腺是什么。显然，他盲目的学习内驱力在他广博的知识中留下了一个空白。即使这是真的，我也绝不会拿史蒂夫·乔布斯和他的作品来换取局部优化学习的一些失败。他鼓舞人心的演讲的要点之一就是追随自己的学习内驱力。用他的话说，「做伟大工作的唯一方法就是热爱你所做的」。这一真理千百年来一直被所有智者重复。

6.23.7 全局优化可能吗？

全局优化为所有输入值找到最优。在教育部门一级对学习进行全局优化，例如通过共同核心测试和标准化测试等工具。全局优化是基于有缺陷的推理，即我们可以设计一个孩子的头脑。尝试预测孩子未来的父母也可以进行全局优化。

我们能提前决定孩子的未来吗？如果父母在全局范围内选择最佳的未来，我们就会有多余的律师和医生。失意的大学辍学者人数也会大幅增加。如果政府能提供一点帮助，并在幼年时以最佳方式重新分配给孩子们，我们最终会得到 1984 的一种变体。很少有孩子愿意在 6 岁时发现他们注定要成为一名簿记员或木匠。择业显然应该建立在爱和激情的基础上，而不是政府颁布的法令。

也许孩子们应该被允许在全局范围内进行优化？这也行不通，我们最终会有多余的摇滚音乐家、专业电子游戏玩家和足球运动员。

将其与数百年来为人类带来最好成就的学习内驱力进行对比。

那么，课程就是一种在走向全局最优的过程中寻找中介最优的一种尝试。将课程作为指导，了解什么是值得了解的，似乎是个好主意。当一个孩子或老师对学习失去热情时，他们可能会参考课程。不过，如果学习内驱力处于超速状态，为什么还要慢下来呢？这孩子有没有可能永远不知道酒精的危害？这不太可能。另一方面，我不知道有一门课程能教会孩子们如何运用渐进阅读。我可能会有偏见，但我肯定会把这项技能放在需要卡瓦莱克或塞迪尼亚之战（例子取自我自己的课程）之前。我很感激今天的 Julian Kawalec 。然而，共产党当局强制要求我读他的小说，这对我来说是学校折磨的根源。你可能想知道 Kawalec 是谁。我很想告诉你，但是维基百科上有一篇波兰语的关于他的成就的文章。

如果您根据课程测试学生的知识，很容易看出他们掌握了全局优化计划的一小部分。他们通过自学来获得了大量关于世界的知识。这导致了良好的学校教育的错觉。如果课程不是强制性的，教师有更多的适应空间，知识的数量和一致性就会增加。连贯性和速度是自学的两个标志。更少的孩子可能会选择解决二次方程，但他们会用他们认为对他们来说重要的其他技能多次填补这个空间。所有那些计划在 STEM 中工作的人，无论如何都会迟早得到二次方程式。其余的将依赖于当前的默认值，即学习方程式并快速忘记它们。大多数人不知道如何处理二次方程。很少有人知道他们的目的。课程中的方程式增加了困境和知识的成本，这些知识可能是在愉快的心态下有机会获得的。

如果不可能实现全局长期优化，那么课程计划形式的中间步骤就不那么复杂了。它们仍然偏离了由学习内驱力所确定的最佳状态。

有效优化的唯一方法是让学习内驱力通过来自父母、导师、同龄人、陌生人、社交媒体、维基百科、Google 等的温和推动来确定轨迹。优化教育必须坚持学习的基本规律（下一步）。

6.24 学习的基本规律

大多数人都知道学习是令人愉快的。然而，很少有人意识到这一事实对教育的未来有多么重要。

只有神经科学中源源不断的宝贵发现，才能帮助我们认识到快乐在学习中的根本重要性。奖励过程从感知水平开始，并通过联想学习、创造力、解决问题和实现目标的最终乐趣来进行。在每一站，都有快乐的信号来奖励脑力的进步。

我也迟迟不能理解快乐的力量。早在 1991 年，我们保守地写道：「有一个确定的方法来判断一个给定的学生是否会在他的工作中取得成功。如果他在长时间的学习中找到乐趣，他一定会做得很好」（参见：Supermemo Decalog）。今天，我们意识到这种快乐与神经网络中的所有形式的学习有着内在的联系，因此它成为衡量学习进度的最好的标准之一。

这使得有可能制定宣示性学习的基本规律：

没有快乐，就没有好的学习。

当然，这项规律需要修正和细化。好的陈述性学习会带来快乐。这一事实可以被一些因素所掩盖，例如一些好的学习会被隐藏在大量的不好的学习中。快乐本身并不是学习的保证。我们发现的事实可能是令人痛苦的。一些陈述性学习可能发生在不愉快的条件下（如恐惧条件反射）。经典的条件反射经常涉及疼痛。临床抑郁症会阻碍一个人骑自行车的倾向，但不会破坏在骑自行车时发生的程序性学习。

陈述性学习的基本规律简单地说，获得满足学习内驱力的高质量知识将产生奖励信号。没有这一信号表明缺乏学习。枯燥的事实可以在没有乐趣的情况下短期用于陈述性记忆，但如果学习得不到回报，这些事实就不会坚持坚实的现实模式。通过健康的遗忘系统，这些事实很可能很快就会从记忆中消失。更糟糕的是，糟糕而持久的学习习惯会在以后的生活中引起学习上的问题^[22]！记忆中任何连贯模型的出现都会不可避免地产生奖励信号。

如果你碰巧把痛苦强加在你自己身上，你需要重新思考你的策略。你可能需要放慢速度，或者回到基础上，学习心理和睡眠卫生的规则，控制你的压力^[10]，学习制定知识的 20 条规则^[23]，或者试一试渐进阅读。如果你不顾痛苦坚持下去，你将得不到好的结果。Gladwell 的 10,000 小时规则也需要被认可。没有一位小提琴演奏家是完全通过几个小时的练习而诞生的。就像学习一样，伟大的音乐是爱的结果。

另一方面，这个世界上的大多数学生都没有自己的过错。糟糕的学习是从上面强加给他们的！

全世界的学生团结起来！你不再需要忍受学习的痛苦。如果你受苦了，你有基本的学生抗议的权利。如果你受苦了，那就是出了问题！你可以停止学习了！如果有人要求你学习，而你无法享受学习，你可以反击，并要求快乐的学习！这不是你的精英享乐主义玻璃心的要求。这是理性的要求。没有快乐，就没有学习！你的痛苦是浪费时间，浪费健康，浪费全球人力资源！

6.25 摘要：学习的快乐

• 人类大脑自然地适应环境中的「有趣的信息」。
• 学习和发现新事物是有益的。
• 许多教育工作者赞同一个危险的错误观念，即学习可能引起不快，而且仍然有效。
• 在获取新知识时，意外被高度看重
• 可预测性和可预见性都可能增加信息渠道的吸引力
• 信息渠道的吸引力与预备知识相关
• 传递给大脑的信息必须考虑到预备知识。这一因素使得通用的传授（例如通过讲课）变得非常困难。
• 信息渠道的吸引力与传授速度和处理速度相关。
• 学习中信息传授的速度和复杂性必须适合个人需要。
• 新的高价值联想记忆的编码与发送信号到大脑中的奖励中枢同时发生。
• 学校教育中信息渠道的调整失败导致缺少奖励
• 学习提供了一种独特的可持续的快乐，可能具有治疗价值
• 由于系统性原因，学校教育通常不能符合儿童的兴趣
• 学校教育的无奖励本质是几乎普遍不喜欢在学校「学习」的主要原因。
• 通过破坏学习的乐趣，我们为创造一个不快乐的社会作出了贡献
• 陈述性学习的基本规律是：没有快乐，就没有学习！

希望对题主有所帮助！

← 返回目录