你可能見過這樣一類人：

他們穩(wěn)定細致，把流程背得滾瓜爛熟，那套方法也曾為他們帶來過成效與成就感。但當環(huán)境改變，規(guī)則重構，新變量不斷涌入時，他們下意識拿起的還是那套舊解法。相比于停下腳步重新審視框架的適用性，他們總是更用力地去打磨熟悉的流程；

家庭教育中也存在類似場景：父母憑借舊時代的學習方式實現(xiàn)了上升路徑，便將其視為黃金標準，希望原封不動地復制給下一代，按圖施工，卻忽略了新環(huán)境的競爭結構與選擇空間。

這些人往往是某類特定題型的優(yōu)等生。正因經驗曾帶來過回報，他們更容易形成路徑依賴，把曾經的正確答案背得爛熟?？僧斢螒蛞?guī)則變化，不再奏效的經驗反而成了決策的干擾項。

這不僅是個體的困局：企業(yè)依賴舊商業(yè)模式難以轉型，管理者沿用過時激勵機制管理新世代，品牌用上一代的邏輯猜測新消費群體……

這正是一種認知上的過擬合：我們在熟悉問題上訓練得太“好” ，但精進的不是對底層規(guī)律的理解，而是特定的做法或流程。結果就是：當題型變了、系統(tǒng)重構、變量更迭，原有的框架不再適用，大腦仍在不假思索地套用舊答案。

成功經驗是如何演化為過擬合？

為什么越是過去做得出色的人，反而越容易在變化中失速？

機器學習中有個概念叫做：過擬合(Overfitting)，描述的是一種學得太好反而失效的現(xiàn)象：模型在訓練集上表現(xiàn)完美，卻在新數(shù)據(jù)上一敗涂地。因為它不是學到了通用規(guī)律，而是記住了過去數(shù)據(jù)的細節(jié)與噪聲。

如圖中表示：

左圖是欠擬合：模型太簡單，淺嘗輒止，于是只抓到了皮毛沒抓到規(guī)律，錯過了關鍵結構。

中間是恰到好處：模型既理解了數(shù)據(jù)的整體趨勢，也不過度追逐每一個噪聲點，就像我們理性中的認知態(tài)：能抽象出底層結構，同時保留對變化的彈性。

右圖就是過擬合：模型看似學得非常努力，把每一個點都照顧到了，但它其實把數(shù)據(jù)中的噪聲也當成規(guī)律來學習。就像在某一類問題上訓練得太精細，以至于一旦題型稍有變化，就無法應對。因為學到的不是原理，而是背熟了答案。

這也是我們每個人在成長中極容易陷入的陷阱。靠某一套方法一路披荊斬棘，建立起優(yōu)勢與自信，于是自然地把那套解法當作普遍適用的真理。

為什么我們會不自覺地陷入這種模式？

1. 對成功的錯誤歸因

當用某種方法獲得過成功，我們下意識把功勞歸給了方法本身，卻忽略了一個關鍵事實：是方法與場景之間的匹配，才讓它有效。即便當場景變了，我們也很少會立刻質疑方法是否過時，而傾向于懷疑自己是不是哪里沒做好，是不是執(zhí)行得還不夠徹底。

2. 認知的自我強化機制

我們的大腦其實遠沒有我們想象的那么開放。

認知科學中有一個叫預測編碼的理論，大致意思是：大腦并不是開放地理解現(xiàn)實，而是會基于經驗預判出一個世界的樣子，再用感官去驗證猜測。只要現(xiàn)實沒明顯違背，我們就會默認預判是對的，也就是說，我們看到的往往不是現(xiàn)實本身，而是被個人認知和經驗加工過的現(xiàn)實。時間久了，我們不僅會越來越相信自己的經驗，還會下意識屏蔽可能動搖它的證據(jù)。

容易過擬合而陷入停滯的人，都有幾個共同點：

1. 過度依賴即時反饋

他們缺乏長期意義的標尺，判斷一件事值不值得做，更多看的是現(xiàn)在有沒有反饋，當下能不能起效。只要今天的數(shù)據(jù)好看、領導點個頭，就覺得方向對了，哪怕這件事早已是邊際效益極低的重復動作。一旦短期內沒有明顯回報，就會開始懷疑焦慮，然后迅速放棄，很難撐過看不到即刻結果但值得長期投入的深水區(qū)。

2. 極度追求確定性

他們偏愛標準答案和清晰的流程，對模糊性和不確定性感到本能的不安。只有當任務清晰、路徑熟悉，才能感到掌控感。一旦邊界模糊就不敢邁步。這讓他們在面對復雜新問題時，更傾向于從過去找參考答案，而不是搭建新模型。

3. 缺乏遷移能力

這類人往往擅長記住“怎么做”，卻很難跳出具體案例，從中抽象出底層結構，再遷移到新情境中。

局部最優(yōu)陷阱：

每一步都極致優(yōu)化，最后卻走向死路？

局部最優(yōu) vs. 全局最優(yōu)

想象你站在一片山地中，目標是登上整片區(qū)域的最高峰。你選擇了一個看似聰明的策略：每一步都往上走。剛開始一切順利，視野漸漸開闊，你以為離目標越來越近。直到某一刻，四周全是下坡路——你站在了一座小山頭上。而真正的高峰藏在山谷的另一側。

回頭看每一步都沒錯，但向前也再無路可走。這就是典型的優(yōu)化策略爬山算法會掉入局部最優(yōu)陷阱的原因。在復雜、非線性的系統(tǒng)中，它的局限性就體現(xiàn)出來了：不考慮全局路徑結構，不允許暫時退步，也不具備探測遠方高峰的能力。所以最終它很可能會卡在局部最優(yōu)點上，無法跳出。

現(xiàn)實生活也是一樣：我們每一步都希望能在眼前的提升看到快速反饋，但回報的轉折，需要承受一段探索、混亂、下行的過程。

諾基亞：一步步贏得當下，最后輸?shù)粑磥?/strong>

諾基亞曾是功能機時代的王者，幾乎壟斷市場。2000年代中期，高管層已清楚意識到智能機將顛覆行業(yè)，但他們的選擇卻是繼續(xù)優(yōu)化 Symbian 系統(tǒng)，強化已有產品線，提升利潤效率。

在當下看起來每一步都做得對：節(jié)省成本、擴大市場、維持供應鏈效率；但這是正是一種典型的局部最優(yōu)困境：每次決策都以當下最優(yōu)為標準，卻一步步導致最終喪失了適應智能時代的彈性。對比同期的蘋果，路線幾乎是反向的：他們砍掉了當時最賺錢的 iPod mini，推翻 iPod 的操作邏輯，重構多點觸控交互，甚至放棄構建封閉系統(tǒng)，轉向開放的 App Store 生態(tài)。每一步看起來都在拆掉優(yōu)勢，卻為未來十年埋下了新的增長曲線。

敢下坡，才可能換座山。

我們在決策中也經常無意識選擇了通向局部最優(yōu)的路徑：每一次索職業(yè)方向，都是優(yōu)先當前最容易轉成功的崗位，于是始終在熟悉領域打轉；每次學習新技能，都是挑上手最快、反饋最及時的。

每一個選擇節(jié)點上，只關心哪個回報最快最確定，卻回避發(fā)問：這一步能不能讓我的下一個選擇更寬、更自由。越是怕走彎路，就越容易卡在一座看起來還不錯的小山頭上。

為什么“局部最優(yōu)”難以跳出

路徑依賴帶來的結構性鎖定

很多人以為，做選擇的是自己。但到了某一階段你會發(fā)現(xiàn)：你并不是完全自主選擇路徑，而是反過來被路徑塑形。當一個系統(tǒng)朝某方向積累得足夠多，就會產生自我強化效應：越往前走，越難調頭；越表現(xiàn)優(yōu)秀，越難逃脫原位。看似自主，實則早已被生態(tài)、反饋、身份綁定。

比如，一個操作系統(tǒng)一旦用戶量夠大、生態(tài)成型，開發(fā)者就只能為它開發(fā)，而不再考慮更優(yōu)系統(tǒng)；一個城市一旦選錯了交通模式，想基建轉型也需要巨大的代價；企業(yè)中越搭越復雜的數(shù)據(jù)架構，最后已不是為了效率存在，而是為了不徹底崩壞只好一直運轉下去。

結構鎖定可怕的地方在于，會讓你越來越無法忍受「短期無反饋」。你若曾經在某條路徑上收獲回報，建立起成就感，當站在潛在更優(yōu)但短期看不到成功的路上時，你會本能地覺得劃不來。哪怕是學習新技能、寫作、職業(yè)探索，也會本能地反問：“做這個能帶來什么？” 如果答案不是立刻可見的回報，你就很難產生行動的動力。

同樣，系統(tǒng)也會反過來強化你的身份。

你越在一個點往前走，系統(tǒng)對你的定義越強：“報表專家”，“XX高手”，…… 這些標簽一旦形成，你就會開始為他人的期望服務，而不是為真實的自我探索服務。

此外，我們對「潛在失去」的感知也遠遠大于對「可能獲得」的渴望。你可能已經在某個階段意識到當前路徑的局限，但腦海中會不斷預演：如果失敗，會不會連現(xiàn)有的都保不??？

在正反饋的依賴、標簽強化、風險厭惡的作用下，你已經很難自主選擇跳出，而是整個系統(tǒng)強迫你持續(xù)選擇當下最優(yōu)。于是，你會一直選擇繼續(xù)做自己最擅長的事，即便在這條路上的投入已經正在逐步失去它們的邊際價值。

那么，我們該如何跳出路徑鎖死的局面？

跳出鎖死的方法：泛化能力

在機器學習中，與過擬合相對的是泛化能力。指的是一個優(yōu)秀的模型，不僅能在訓練集上表現(xiàn)良好，面對未知也依然穩(wěn)定有效。

關鍵在于不是死記套路，而是學到規(guī)律。人也是一樣。要跳出路徑鎖死、避免陷入局部最優(yōu)，不能靠背熟答案，而是鍛煉泛化的能力，使得從舊經驗中抽象出的底層方法，遷移到全新的環(huán)境里依然奏效。

三種策略，從局部跳向全局：

1. 引入新變量打破慣性

在模擬退火算法中，為了跳出局部最優(yōu)，系統(tǒng)會主動引入擾動，跳出原有軌跡。生活中，我們同樣需要主動打開新的可能性。

比如：

- 每月試做一件完全不在舒適區(qū)的事，比如和跨領域的人對話、新技能探索、嘗試副業(yè)；

- 打破一些固定慣性，比如換一條上班路線、參加一場陌生聚會、在不同平臺表達自己。

2. 從終點反推，重新評估路徑

定期更新并審視當前的北極星目標，比如是財富、創(chuàng)造力、效率或是自由。 從終點反推，回看當前所在的位置。只有不斷對著整體地圖審視自己的路徑，才能識別是否正卡在一個看起來還不錯的小高地。

3. 培養(yǎng)抽象-遷移能力

跳出局部最優(yōu)的關鍵是提升經驗的可遷移性。比如：

- 做科研時訓練的邏輯思辨和論證能力，在商業(yè)環(huán)境中也能用于談判和決策；

- 學一門外語時，其中的記憶方式和語義理解系統(tǒng)也能用于學其他語言；

- 在健身過程中養(yǎng)成的“目標-分解-反饋”機制，也能遷移到備考、學習新技能等。

我們常被那些「看起來還不錯」的路徑困住，在老路上過擬合。因為它們已太容易帶來熟悉的滿足感，以至于我們慢慢失去了對更優(yōu)的追問。跳出局部最優(yōu)是學會不斷刷新自己對更好的定義，也能夠允許自己階段性掉線，在無反饋的道路中探索穿行。

有時，轉彎并非離開，而是為了更好地抵達。

end

參考資料：

[1] Predictive coding in the brain: Functional implicationsFriston, K.Nature Reviews Neuroscience (2005)

https://www.nature.com/articles/nrn1530

[2] Path dependence, lock-in, and history. David, P. A.

Journal of Economic Perspectives (1985)

https://www.jstor.org/stable/2138761https://bytehouse.cn/blog/tiktok-reinforcement-learning-recommendations/

[3] When good performance backfires: Success-induced rigidity in strategic decision making. Audia, G., Locke, E. & Smith, K.

https://www.sciencedirect.com/science/article/abs/pii/S0749597808000573

[4] The Optimization Paradox: Why better solutions often require worse decisions

Medium – Towards Data Science

https://medium.com/towards-data-science/the-optimization-paradox-6c158f40de10

來源：DataCafe

編輯：紫竹小筑

轉載內容僅代表作者觀點

不代表中科院物理所立場

如需轉載請聯(lián)系原公眾號