成長的邊界：超專業化時代為什麼通才能成功（簡體書）

刻意練習？贏在起跑線？成為專業精英？

瞬息萬變的AI時代，你的成長路徑在哪裡？

一萬小時定律真的能夠打造超強人才嗎？通才為什麼能戰勝專才？

後刻意練習時代，你的能力還有什麼可能？

你關注的自我成長問題，都能在本書裡找到全新的答案：

*終身學習者：保持廣度探索的精神，跳脫單一成功路徑，積澱潛在的多面能力，給未來登頂留足後勁。

*創業者、投資者：掌握橫向類比的思維方式，會在邁向成功的道路上助你一臂之力。

*家長：不必急於讓孩子贏在起跑線，起步晚、沒有固定專長、只能保持三分鐘熱度都不會讓你的孩子落後他人。你要教給孩子的不是暫時領先的封閉技能，而是受用一生的開放優勢。

席捲各大主流媒體的自我成長領域里程碑式力作，上市以來收穫名人媒體好評不斷！

*比爾·蓋茨2020年度書單重磅推薦——“一本戳穿專業化神話的好書”

*萬維鋼精英日課強力推薦，顛覆《異類》作者的觀點卻贏得其高度肯定

*全球50大商業思想家丹尼爾·ping克盛讚本書為“對於這個時代十分重要的書籍”

*終生學習者李笑來、自我管理導師採銅、百萬冊暢銷書作家古典、“最會學習的人”成甲、親子教育博主大J小D強烈推薦，你絕不可錯過的一本書

這個時代為什麼更需要通才？
人類社會的重大突破，大多都是由身兼多能的通才完成的。達爾文之所以能提出偉大的進化論，要得益于他廣泛求知的精神和博物多聞的能力；“蘋果教父”喬布斯也曾表示，蘋果電腦的優美字體完全得益于他在大學旁聽的書法課。
本書橫跨體育、教育、音樂、天文、藝術、科學、商業、醫學、職場等領域，用世界上最成功人士的案例總結出不同于主流的成長路徑，深入剖析過度專業化的弊病，最終對通才在AI崛起時代所具有的重大意義給予肯定。先涉獵後鑽研、多方嘗試、橫向類比思考和堅持自我發現的能力才是這個時代開啟成功之門的鑰匙。
未來社會趨勢萬變，我們需要把自己鍛造成一把多功能的瑞士軍刀，用跨界不斷拓展能力範圍――成長再無邊界，未來無盡可能。

大衛·愛潑斯坦（David Epstein）

《紐約時報》No.1暢銷書作家，前作受美國前總統貝拉克·奧巴馬及前國務卿康多莉扎·賴斯盛讚。大衛擁有環境科學碩士學位，目前在非盈利新聞調查網站ProPublica擔任調查記者，同時也是《體育畫報》的資深撰稿人。他的作品受到了一系列組織的表彰，並被收入最佳科學與自然寫作選集。

范雪竹

北京外國語大學英語專業，譯作有《媒介倫理》和《全球電視產業：跨文化傳播譯叢》。

書中的故事如此富有戲劇性，數據運用如此巧妙，案例的框架又如此引人注目，讀起來簡直是超乎想像的愉悅，通篇旁徵博引了大量發人深省的材料。

——《紐約時報書評》

本書論據充分、文筆流暢，飽含發展廣度和晚起步的案例。正如大衛·愛潑斯坦向我們展示的那樣，培養廣泛涉獵的能力讓我們面對邪惡的、永遠充滿意外的世界做好準備。

——《華爾街日報》

本年度最重要的育兒和商業書籍。

——《福布斯》

名人推薦

我自己的職業經歷非常切合通才模型……我對計算機的熱情總是與許多其他的興趣混合在一起……我相信微軟成功的主要原因之一，是我們比那個時代的其他初創企業更廣泛地思考。

——比爾·蓋茨，摘自“我們需要更多的羅傑·費德勒｜蓋茨書評”

大衛·愛潑斯坦為我們展示，在大多數領域中，通向成功的路是多種不同要素構成的——涉獵廣泛，盡可能多地獲得經驗，敢於走彎路，堅持做人生的樣本實驗。《成長的邊界》是一本對於這個時代十分重要的書籍，對於領導、父母、教練及任何人想要提升表現的人來說，都是一本入門讀物。

——丹尼爾·Ｈ. 平克，全球50大商業思想家，《時間管理》和《驅動力》作者

具體原因我無法言明，但大衛·愛潑斯坦讓我充分沉浸在這種閱讀體驗裡——藉此了解我之前對事物的錯誤看法。我愛《成長的邊界》。

——馬爾科姆·格拉德威爾，全球影響力100人之一，《引爆點》和《異類》作者

愛潑斯坦這本書代表有關“人才”的zuixin科學理解。你可能知道“通才”的好處但是從未捨得花時間去探索不相關的領域，明白“不要讓孩子輸在起跑線上”這句話不對但是不敢不強迫孩子多學習少玩——這本書能讓你下決心做正確的選擇，你會認識到其中的真道理。

——萬維鋼，得到名師，《高手》《萬萬沒想到》作者

這本書用數據和科學向你證明跨界對終身成長者來說只能是常態。

——李笑來，投資人，終生學習者，《把時間當作朋友》作者

你是否還在猶豫要走專業還是管理路線？是進入大平台當螺絲釘，還是去小公司做萬金油？讓孩子有一項特長，還是興趣廣泛啥都沾點兒？這些問題在這本書裡會逐漸清晰起來——人工智能時代，通才比專才更靈活、更抗波動，比機器更有競爭力——還有，他們活得更有趣些。

——古典，《躍遷》作者，生涯規劃師

我想對於每一個追求卓越的人來說，這是一本不可錯過的好書。

——採銅，心理學博士，暢銷書《精進》作者

這本書非常深入地回答了：如果你想要成為一個做出傑出貢獻的人，為什麼應該有跨領域的學習經歷和在實踐中反省改進自我的能力。短期的走彎路，多實踐，才能真正認識自己，找到最匹配自己的人生舞台。我希望你讀完這本書，能和我一樣愉悅有啟發。

——成甲，《好好思考》作者，查理·芒格思想研究者

引言費德勒VS. 老虎·伍茲 1

第1章“贏在起跑線”的教育狂潮 1

第2章抽象思維與概念推理25

第3章可遇不可毀的創造力45

第4章學習，快與慢71

第5章跳出經驗外，思在新境中93

第6章過於堅持，也有問題115

第7章發掘自身更多可能143

第8章局外人的優勢169

第9章用過時的技術橫向思考191

第10章被專家愚弄217

第11章學著放下熟悉的工具237

第12章刻意的初學者275

結語拓展你的廣度學習295

致謝299

註釋及引文303

國際象棋程序“阿爾法元”（AlphaZero）取得了長足的進步（由谷歌母公司的人工智能部門所有），也許就連頂級的人機組合在自由式比賽中都不是它的對手。過去的國際象棋程序只是用野蠻粗暴的強大計算能力算出各種可行的步法，然後按照程序員設定的標準來排序，但是阿爾法元截然不同——實際上，它在自學成才。阿爾法元只需要了解規則，然後自己進行無數次的練習，來記錄哪些步法有效而哪些無效，並使用這些記錄來提高自己。很快，阿爾法元就擊敗了當時最好的國際象棋程序。其原理和圍棋程序“阿爾法狗”（AlphaGo）一樣，而圍棋的可行步法更多。但是，人機組合的教訓猶在：一項任務越是轉向擁有宏觀戰略的開放世界，人類要做的工作就越多。

阿爾法元的程序員自豪地宣稱，自己的作品從“白紙一張”變成可以“自學成才”了。但是從競賽開始可算不上是白紙一張。程序的運行仍然要符合規則，受到限制。即使在電子遊戲這種不太受戰術模式限制的情景中，電腦也將面臨更大的挑戰。

人工智能面臨的最新遊戲挑戰來自《星際爭霸》（StarCraft），這是一款即時戰略遊戲，不同的虛擬種族為了銀河系某個角落的霸權展開爭奪。這一遊戲所需的決策機制比國際象棋更為複雜。在遊戲中，玩家不僅需要對戰，還要規劃基礎設施、偵察敵情、探索未知地點、收集資源，而這些都是相互關聯的。2017年，在紐約大學從事人工智能遊戲研究的教授朱利安·圖吉利斯（Julian Togelius）告訴我，電腦在《星際爭霸》中的獲勝較為艱難。雖然電腦在最初的單人對戰中獲勝，但是人類玩家很快做出調整，依靠“長期適應性戰略”扭轉戰局，開始獲勝。“思考有太多層級，”朱利安說，“我們人類在與電腦單打獨鬥時多少有些勢單力薄，但是我們每個人對電腦都有一些大概的應對想法，把這些主意結合到一起，就有了適應性。這似乎就是勝利的訣竅。”

2019年，在《星際爭霸》的一個限定版本中，人工智能第一次戰勝了職業玩家。（職業玩家不斷適應調整，在連輸多次後取得了勝利。）但是，《星際爭霸》的戰略複雜性又給我們上了一課：遊戲的格局越大，人類能貢獻的潛能就越特別。作為人類，我們最大的優勢正好就是過度專業化的對立面——廣泛融合各類知識的能力。曾經把自己的機器學習公司賣給優步（Uber）的心理學家和神經科學家加里·馬庫斯（Gary Marcus）說：“在特別專業化的世界裡，人類能發揮的作用極其有限，時效也不會太久。而在結局更加開放的遊戲裡，人類可以持續發揮更大作用。不僅是在遊戲中，當面臨現實社會中的問題時，人類依然可以完胜機器。”

在封閉且有規則可循的國際象棋領域，人工智能依靠著即時反饋和無窮無盡的數據，得以飛速發展。在有法規可依但是更加混亂的駕駛領域，人工智能雖取得了長足的進步，但是挑戰依然存在。而在一個真正開放的領域——沒有嚴格的規則，也沒有大量完備的數據支持的醫療行業，人工智能的表現可以用災難來形容。IBM 的人工智能代表“沃森”（Watson）在知識競答節目《危險邊緣！》（Jeopardy!）中戰勝了人類，隨後又高調進軍醫療行業，被視為癌症治療的革命——然而，沃森在這一領域登高跌重——許多人工智能專家告訴我，他們擔心沃森的名聲會拖累與健康相關的其他人工智能研究。一位腫瘤學家這樣描述：“在《危險邊緣！》獲勝和治愈所有癌症的區別就是，我們本來就知道《危險邊緣！》競答題目的答案。”面對癌症這一難題時，專家們卻還在試圖提出正確的問題。

2009年，權威學術雜誌《自然》（Nature）刊載了一篇報導，該報導宣稱“谷歌流感趨勢”（Google Flu Trends）通過分析用戶搜索提問模式來預測冬季流感的發展情況，和美國疾病控制和預防中心相比，“谷歌流感趨勢”可以做到同樣精確，且反應更快。但是好景不長，“谷歌流感趨勢”很快就不再可靠——2013年冬天，“谷歌流感趨勢”預測的病例數超過了全美實際病例數的兩倍。如今，“谷歌流感趨勢”不再發布預測，只保留了一個頁面，上面寫著此類預測“為時尚早”。馬庫斯用一個比喻恰當地解釋了目前此類專業機器的不足：“人工智能係統就像專業學者一樣。”它們需要穩定的結構和精專的配置。

當我們對規則和答案瞭如指掌，而且它們不會隨時間推移而變化——比如下國際象棋、打高爾夫球和彈奏古典音樂，那麼從學習的第一天開始，我們就可以為這種“學者式”的超專業化練習做出論斷。但這些都是人類想學習的大部分東西中的糟糕案例。

當過度專業化遭遇並不友好的領域時，人類本能地依靠熟悉的模式帶來的經驗。但這種傾向可能帶來災難性的後果——就像經驗豐富的消防員在陌生環境救火時會做出錯誤的決定一樣。耶魯大學管理學院的創辦人之一克里斯·阿吉里斯（Chris Argyris）就注意到了這一點——把充滿惡意的詭譎世界誤以為善意友好，是非常危險的。他對頂尖商學院的優秀顧問進行了長達十五年的研究，發現他們在解決商學院裡提出的問題時表現得非常好，這些問題定義清晰，且得到了快速評估。但是他們的學習方法被阿吉里斯稱為“單迴路”學習，這種方法推崇的就是第一反應——熟悉的解決方案。只要這些方法遇到問題或發生錯誤，顧問們通常會展開防禦，堅持己見。阿吉里斯發現，顧問們“脆弱的個性”著實讓人驚訝，因為“他們工作的本質就是要教其他人如何用不同的方法工作”。

心理學家巴里·施瓦茨（Barry Schwartz）展示了類似的實驗結果，證明經驗豐富的參與者是如何日趨僵化的。他給大學生們提供了一個邏輯迷宮，參與者需要按順序接觸開關，把燈泡點亮和熄滅，他們可以一遍又一遍地玩。這個迷宮有七十種不同的解法，每次成功之後都有一點點錢作為獎勵。參與實驗的大學生們並未被告知任何規則，只有靠反复嘗試才能贏得挑戰。如果參與的學生髮現了一種解決辦法，他們就會反復用這種方法獲得更多的錢，即使他們並不知道為什麼可以這樣。隨後，大一學生加入了實驗，實驗人員要求所有參與者發掘出所有的解決方案背後的原理。不可思議的一幕發生了——每一個加入實驗的大一學生都發現了所有七十種解法背後的規律，而之前只能發現一種解法並獲得獎勵的學生中，只有一個人能做到。施瓦茨的論文副標題是《如何教人不去發現規律》，也就是說，通過提供極少的解決方案，對重複的短期成功給予獎勵，就能達成這一目的。

對於商界最推崇的學習案例來說，波爾加姐妹、老虎·伍茲，還有在各種體育或競技中類似的學習模式都算不上良好範例。和高爾夫相比，網球這樣的運動更具活力，選手需要時刻調整對策，不僅要應對對手，適應場地，有時還要配合自己的隊友。（費德勒也是2008年奧運會網球男子雙打的金牌獲得者。）但即便如此，網球還是屬於學習環境比較友好的類型——如果和醫院急診室裡的醫生和護士相比，在收治病人後，他們無法自主發現病人的具體情況。醫生和護士必須找到實踐以外的學習方法，同時吸收經驗教訓——即使這些教訓可能與自己的直接經驗完全相反。

這個世界不是打高爾夫球，當然世界上的絕大部分事情也不是打網球。如羅賓·霍格斯所言，這個世界的大部分都是“火星網球”。雖然你能看見選手們拿著網球和球拍出現在球場上，但是沒有人告知他們比賽規則。你可以推導規則，但是規則也會悄無聲息地改變——當然也不會通知你。