复利：机器学习与人类学习的区别
上一篇blog中分析了机器如果利用“高效能思维”来进行高效的学习。但即使是这样，机器的学习方法对人来说，也只是有一些借鉴。无法将这一套方法完美地应用于人的学习。区别在于“复得”。
网上有两个简单的公式形象地描述了“复利思维”：
1.01^365 = 37.78
0.99^365 = 0.026
并以此来鼓励人们上进，每天进步一点点，一年后结果惊人。正如Machine通过调整参数，每次向目标靠近一点点，经过成千上万次迭代后离目标越来越近（或者在目标附近处徘徊）。
看上去很励志，实际上只是一碗鸡汤。
公式是一维的，现实是多维的
上面的数学公式是一维的，对数字做的任何变化，一定是让数字变大或变小。但你今天学到的一个知识点，很难说它对你的目标有帮助、无帮助，甚至有可能是误导性的。
对于数字，可以很容易地让它改变，且分辨出是变大或者变小，并知识什么样的操作能让它变大/小。但现实中，除了了学习本身收益的不确定性，还有学习的开销，那些本可以用来休息、娱乐、陪伴家人的时间。你周末在家辛苦学习了一整天，知识上也许是进步了，与家人的感情上却疏远了，到底是进步还是退步？
ML可以量化，现实无法量化
ML的数据也是多维的，为什么可以学习呢？因为它把所有的维度量化并归一化到同一尺度下进行计算。但现实中，如何用数字去衡量一个周末的学习收益和感情损失？
数学是确定的，现实存在黑天鹅事件
在数学公式里，确定的输入会得到确定的输出。但在现实中，即使我真的把所有因素都量化了，并找到了一种能让学习收益最大的方法，并按照这个方法坚持学习了一整年。结果只是领导一句话，我就被从一个部门换到了另一个部门，原本被认为有收益的学习变得毫无价值。原本以为是技术上的积累，却变成了一堆无用的付出。（真事）
复利思维，每天进步一点点，难的不是“每天”，而是“你怎么知道你在做的事情是进步”？